스피커 | 성적 증명서 |
| 티파니 | 먼저, 오늘 함께해주셔서 감사합니다. 우리는 다양한 생물 처리를 특성화하는 것에 대해 이야기할 것입니다...보고...그리고 실제로 pDNA에 초점을 맞추고 부분적으로 가중된 부트스트래핑이 실제로 |
| 프로세스에 추가하십시오. 따라서 Phil은 프레젠테이션의 후반부에 나와 함께 JMP를 살펴볼 예정입니다. |
| 예를 들어, 몇 가지 다른 기술을 제공합니다. |
| 사용될. |
| 저는 CMC 전략, 생명 공학, 의약품을 시장에 출시하는 방법, 프로세스를 제공하기 위해 FWB와 같은 새로운 도구를 사용하는 방법에 대해 이야기할 것입니다. |
| 시작하겠습니다. 그래서 화학 제조 제어 여정입니다. 그래서 그것은 매우 긴 여정이며 우리는 그것에 대해 논의할 것입니다. |
| 왜 DOE, 왜 예측 모델링인가? 의약품을 시장에 출시하는 것은 매우 복잡합니다. 실험에 관한 것이 아니라 임상에 관한 것이기도 합니다. |
| 그리고 모든 것이 함께 가는 것. 그래서 우리는 접근 방식을 생각하는 시스템도 살펴볼 것입니다. 그리고 나서, 물론 생물공정의 특성화와 Phil이 할 사례 연구 |
| 논의하다. 그렇다면 CMC 경로는 어떤 모습일까요? 이것은 일반적인 예이며 독성학에서 출발합니다. 그래서 그것은 어떤 효능이 없다는 것을 보는 것입니다. 작동합니까. |
| 비인간적인 재판에서. 상업적 제조에 이르기까지 여기에는 프로세스 개발과 같은 많은 것들이 있습니다. |
| 그러나 목표 제품 프로필도 있어야 합니다. 당신이 개발하고 있는 약이 실제로 무엇을 하기를 원하십니까? 그리고 진행하면서 그것을 이해하는 것이 중요합니다. 그리고 당연히 |
| 품질 대상 제품 프로필도 마찬가지입니다. 이것은... 분자가 처방된 대로 작동하기 위해 필요한 측면은 무엇입니까? |
| 그런 다음 중요한 품질 속성을 살펴본 다음 프로세스를 진행하여...그것은...그것은 그룹입니다. |
| 공정 개발, 공정 특성화, 공정 자격 및 BLA가 있기 때문입니다. 이러한 각 단계에는 엄청난 양의 작업이 필요합니다. |
| 또한 다양한 단계를 거치면서 실제로 이러한 데이터를 구축하고 있는지 확인하고 싶습니다. |
| 그룹화. 특성화 및 공정 적격성을 처리할 때 과거 정보를 최대한 활용하여 실제로 시간을 단축할 수 있기를 원하기 때문입니다. |
| 당신의 타임라인. "티파니, 나는 프로세스 내내 특성화 프로세스를 수행합니다."라고 말할 수 있습니다. 그리고 저는 "절대적으로"라고 말할 것입니다. 그러나 CMC 경로에 특정한 프로세스 특성화는 규제 관점에서 우리에게 필요한 것입니다. |
| 따라서 모든 사람들이 뉴스에서 백신과 세포 및 유전자 치료법에 대해 들어봤을 것입니다. 지금 굉장히 핫한 주제이기도 하고, |
| 우리가 이전에 치료할 수 없었던 새로운 치료법을 환자에게 제공합니다. |
| 따라서 세포 요법과 유전자 요법의 두 가지 큰 그룹에는 서로 다른 측면이 있습니다. 오른쪽. 그래서 우리는 면역 요법을 가지고 있습니다. 우리에게는 줄기세포가 있습니다. |
| 재생의학을 하고 있습니다. 그러니 허리에 손상이 있고 재생이 가능하다고 상상해보세요. 거대하다 |
| 이 그룹화에 중점을 둡니다. 그러나 유전자 치료에 대한 엄청난 강조도 있습니다. 바이러스 벡터. 박테리아 벡터를 사용합니까? 우리는 DNA를 어떻게 얻습니까? |
| 환자를 위한 치료가 되기 위해 시스템으로? 음, 혈장 DNA는 그러한 측면 중 하나이며 Phil은 최적화를 수행한 놀라운 사례 연구를 가지고 있습니다. |
| 그래서 여러분은 "pDNA가 뭐지? 그리고 그것이 왜 중요한지, 좋아요, 지금 매우 흥미로운 유전자 치료 공간의 일부라는 것 말고요?" |
| 음, 사실은, 예방 백신, 면역제, ...준비...과도한 면역 글로불린의 준비에 사용될 수 있다는 것입니다. |
| 암 백신, 치료용 백신, 유전자 대체. 아니면 당신은 |
| 희귀한 유전자 돌연변이를 가진 아이입니다. 들어가서 수리할 수 있습니까? 이 모든 것이 주변에 있으며 유전자 치료 기술이 계속 성장함에 따라 |
| 상용화에 가까워지는 경로를 통해 이동함에 따라 규제가 계속 증가하고 데이터 양도 증가합니다. |
| 유전자 치료와 세포 치료가 20년 전 ??? 세포 배양 및 단클론 항체 |
| 매일 새로운 것을 배우고 "오, |
| 이것은 플랫폼이 아닙니다." 새로운 장비가 필요합니다. 새로운 업무 방식이 필요합니다. 세포 치료 및 유전자 치료의 경우 일반적으로 다른 적응증보다 환자 수가 적기 때문에 매우 작은 데이터 세트를 분석할 수 있어야 합니다. |
| 그렇다면 pDNA의 다음 단계는 무엇일까요? 물론 세포치료제와 유전자치료제 시장이 계속 성장함에 따라 우리는 이 길을 계속 갈 것입니다. |
| 상용화에. 우리는 FDA와 함께 일할 수 있어야 하고 그들과 손을 잡고 일할 수 있어야 합니다. 이것은 우리가 전에 한 번도 해본 적이 없기 때문입니다. 우리는 우리가 사용하지 않는 원자재를 사용하고 있습니다. |
| ...약물에 대한 다른 적응증. 그래서 해야 할 일이 많습니다. 또한 이러한 제품을 pDNA와 같이 만들어 우리가 적절한 위치에서 벡터를 얻을 수 있도록 하는 것이 중요합니다. |
| 볼륨뿐만 아니라 품질 측면도 있습니다. 그래서 당신이 세상에서 가장 좋은 약을 가지고 있지만 그것을 만들 수 없다면 당신은 그 약을 가지고 있지 않은 것입니다. 오른쪽? 환자에게 전달할 수 없습니다. |
| 따라서 우리는 또한 우리의 프로세스가 잘 특성화되어 있는지 확인해야 합니다. 그리고 앞서 언급했듯이 이러한 징후 중 많은 부분이 매우 작습니다. 그래서 임상시험도 소규모다. |
| 그리고 동시에 환자들은 종종 매우 매우 아픕니다. 따라서 데이터를 분석하고 그들의 요구 사항에 매우 신속하게 대응할 수 있는 능력이 매우 중요합니다. |
| 임상적 측면과 상용화 시점 모두에서요. 우리는 내가 약을 만들 수 없는 이런 상황을 원하지 않습니다, 그렇죠? 나는 그것을 만들 수 있기를 원합니다. |
| 또한 제조는 매우 중요한 것입니다. 뉴스에서 눈치채셨는지 모르겠지만 |
| 확장 발표. 물론 사람들은 백신 용량을 확장하고 있지만 큰 움직임 중 하나는 pDNA입니다. 사람들은 수백만 달러, 때로는 수십억 달러를 지출하고 있습니다. |
| 그 제조 현장을 늘리는 데. 그리고 당신은 "좋아요, 당신은 제조 현장을 늘립니다."라고 말할 수 있습니다. |
| 훌륭합니다. 하지만 이제는 그 제조 현장으로 기술을 이전할 수 있어야 합니다. 내 프로세스가 견고한지 확인해야 합니다. |
| 이전하고 확장할 수 있지만 말할 수 있는 통계적 권한이 있는지 확인합니다. |
| 내 프로세스가 제어되고 있음을 알고 있습니다. 저는 2%의 변동성을 가질 수 있지만 저는 항상 2%의 변동성을 가지고 있고 예를 들어 그것을 특성화했습니다. |
| 그리고 점점 더 많은 용량이 온라인에 들어오고 우리도 부족하기 때문에 제품을 어디로 가져와서 이를 고려하여 더 일찍 제조를 위한 설계를 해야 하는지와 같습니다. |
| 그리고 파이프라인에 여러 제품이 있을 수 있습니다. 그래서 당신은 당신이 배우고 있고 그 정보를 얻을 수 있는지 확인하고 싶습니다. 그리고 이것에 대한 예측 모델링을 할 수 있습니다. 정확한 제품이 아닐 수도 있지만 비슷한 속성을 가지고 있습니다. |
| 따라서 상용화 경로는 매우 통합되어 있습니다. 마치 CMC 전략이 임상적 측면을 취하는 것처럼, |
| 분자를 진행시키기 위해 모든 것이 함께 모입니다. 우리도 가지고있다 |
| 그것의 시스템 측면에 대해 생각합니다. 왜? 업스트림 공간에서 무언가를 하면 생산성을 다음과 같이 높일 수 있기 때문입니다. |
| 200%, 예를 들어 "예, 저는 이정표를 세웠습니다. 환자에게 전달할 수 있습니다." 하지만 내 다운스트림 또는 내 셀 |
| 예를 들어 그것이 세포든 단백질 치료제든, 복구는 실제로 제품을 복구할 수 없습니다. 그러면 우리는 제품이 없습니다. 그 모든 작업은 다소 문 밖으로 던져집니다. 그래서 시스템을 가지고 |
| 접근 방식, 비즈니스, 공급망, QC, 발견 등 모든 다양한 그룹을 참여시키십시오. 모든 사람은 결국 환자에게 전달하기 위해 테이블에 가져오는 지식을 가지고 있습니다. 이것이 매우 중요합니다. |
| 그래서 지금 Phil에게 넘겨 줄 것입니다. 우리가 어떻게 약을 개발했는지에 대해 더 많이 이야기하고 싶었지만... 우리가 어떻게 데이터를 분석할 수 있는지 봅시다. 그럼, 필, 내가 지금 당신에게 넘겨줄게. |
| 필립 램지 | 알겠습니다. Tiffany, 토론해 주셔서 감사합니다. |
| 사례 연구가 될 무대를 설정합니다. 저는 대부분의 시간을 JMP에 있는 몇 가지 중요한 도구를 시연하는 데 할애할 것입니다. 당신은 그것이 거기에 있는지조차 모를 수도 있습니다. |
| 특히 CMC 경로, 화학 제조 제어 및 설계에 따른 품질 측면에서 프로세스 개발에 실제로 매우 중요합니다. |
| 프로세스 개발의 두 가지 중요한 특징은 일반적으로 |
| 프로세스를 설계하고 싶지만 특성화해야 하는 경우도 있습니다. 실제로 전체 작동 영역을 특성화해야 합니다. |
| 물론 우리는 매우 바람직한 생산을 위해 최적화를 원합니다. 우리가 종종 충분히 이야기하지 않는 것은 이러한 활동이 본질적으로 예측에 관한 것이라는 것입니다. |
| 우리는 미래 성과를 예측할 수 있는 강력한 예측 모델을 구축해야 합니다. 이는 규제 기관의 경우 특히 후기 개발 단계에서 매우 중요한 부분입니다. 당신은 시연해야 |
| 제품을 안정적으로 생산할 수 있습니다. 프로세스 특성화 및 예측 문제에 대한 주요 논문은 George Box와 그의 |
| 엔지니어였던 윌슨 코호트. |
| 그리고 그들은 오늘날 사람들이 주목하는 것처럼 응답 표면으로서의 시작이 무엇인지에 대해 이야기했습니다. |
| 그리고 이 작업의 핵심은 그들이 완전한 2차 모델이라고 부르는 것입니다. 글쎄, 그게 뭐야? 음, 그것은 주요 효과를 포함하는 모델입니다. |
| 모든 양방향 상호 작용 및 2차 효과. 그리고 이것은 아마도 프로세스 모델, 특히 생산을 구축하기 위한 표준일 것입니다. |
| 그러나 사람들이 깨닫지 못하는 것은 최적화에 좋습니다. 이러한 알려지지 않은 응답 함수에 대한 좋은 2차 근사값입니다. 잘 이해되지 않는 것은 전체 설계 영역에서 종종 반응 표면에 대한 근사치가 좋지 않다는 것입니다. |
| 그리고 1996년 고인이 된 John Cornell과 물론 많은 사람들이 알고 있는 Doug Montgomery는 정말 과소평가된 논문을 발표했습니다. |
| 그리고 그 논문에서 그들은 전체 2차 모델이 설계 공간을 특성화하는 데 종종 부적절하다는 사실을 제기했습니다. 과학자의 관점에서 생각해 보고 이러한 생화학 물질이 얼마나 역동적인지 생각해 보십시오. |
| 프로세스가 종종 있습니다. 즉, 다른 영역에서 확연한 복합 곡률을 가진 응답 표면으로 이어지는 많은 비선형성이 있습니다. |
| 그리고 전체 2차 모델은 간단히 처리할 수 없습니다. 그래서 그들이 제안한 것은 그 디자인을 보강하는 것이었고 그들은 2차 선형, 2차 선형, 심지어 |
| 이차 상호 작용에 의한 이차. 이러한 모델은 전체 2차 모델보다 근사 설계 영역을 더 잘 수행하는 것으로 나타났습니다. 잠시 후에 그것을 보여드리겠습니다. |
| 그러나 그들에게는 문제가 있었다. 첫째, 전통적인 통계학자들은 접근 방식을 좋아하지 않았습니다. 요즘 극적으로 변하고 있습니다. |
| 그러나 모델에 추가할 수 있는 이러한 항이 많이 있으므로 큰 중앙 복합 설계도 가능합니다. |
| 과포화 상태가 됩니다. 그게 무슨 뜻이야? 그것은 미지수 p가 더 많다는 것을 의미하며, 관측치가 있고 모델에 적합합니다. 오늘날 기계 학습과 예측 모델링을 위한 새로운 기술의 시대에 실제로 제약 조건이 아니라는 것이 밝혀졌습니다. |
| 그래서 우리가 하려는 것은 분수 가중 부트스트래핑이라는 것을 사용하는 것입니다. 이 작업은 JMP Pro에서 수행할 수 있습니다. |
| 그리고 응답 표면을 예측하기 위한 모델을 구축하기 위한 모델 평균화라는 것이 있습니다. 저는 실제로 이러한 대형 증강 모델을 사용할 것입니다. |
| 좋아요, 그래서 이러한 예측 모델을 만들려고 할 때, 예를 들어 품질 중심 설계에 대해 알아야 할 사항이 많이 있습니다. 하나, |
| 1996년에 기계 학습의 선구자 중 한 명인 고 레오 브리먼(Leo Brieman)은 다시 한 번 필요한 만큼 인정받지 못하는 논문을 썼습니다. 그리고 그는 지적했다. |
| 우리가 예측에 사용하는 이러한 모든 모델 구축 알고리즘(포워드 선택, 모든 가능한 모델, 최상의 하위 집합, 올가미 포함) |
| 본질적으로 불안정합니다. 그게 무슨 뜻이야? 불안정하다는 것은 데이터의 작은 섭동이 매우 다양한 모델을 초래할 수 있음을 의미합니다. |
| 그래서 그는 이것을 지적하기 위해 약간의 노력을 기울였고 전략을 제안했습니다. |
| 모델을 피팅하고 어떻게든 각 시뮬레이션 실행에서 데이터를 교란시키면 많은 수의 모델을 피팅한 다음 평균을 낼 수 있습니다." 그리고 그는 그것이 잠재력이 있음을 보여주었습니다. |
| 그 시대에는 그렇게 할 수 있는 도구가 많지 않았습니다. 하지만 오늘 저는 JMP Pro에서 보여드릴 것입니다. 우리는 많은 도구를 가지고 있으며 Brieman의 아이디어가 실제로 매우 훌륭하다는 것을 보여드릴 것입니다. |
| 앙상블 모델링 및 모델 평균화라는 아이디어는 이제 머신 러닝과 딥 러닝에서 일반적으로 받아들여지는 방식입니다. |
| 그건 그렇고, 몇 년 전 JMP의 단계별 플랫폼에서 John Sall이 일종의 모델 평균화를 도입했음을 빠르게 지적하겠습니다. JMP의 숨겨진 보석입니다. 잘 작동하고 JMP의 두 버전 모두에서 사용할 수 있지만 더 포괄적인 솔루션을 제공하겠습니다. |
| 그것은 JMP Pro에서 할 수 있습니다. 이 솔루션은 자동 유효성 검사가 있는 부분 가중 부트스트래핑이라고 하며 이것이 의미하는 바를 설명하겠습니다. |
| 예측 모델을 구축할 때 문제가 발생합니다. 모델에 맞는 훈련 세트가 필요하고, 추가 훈련 세트가 필요합니다. |
| 또는 모델이 얼마나 잘 예측되는지 확인하기 위해 모델을 테스트하기 위한 데이터의 검증 세트. 글쎄, DOE는 단순히 이러한 추가 시험을 사용할 수 없습니다. 사실 브리먼은 이 점에 매달렸다. |
| 실제로 유효성 검사 오류를 생성할 방법이 없습니다. 2017년 Discovery Frankfurt에서 JMP의 통계 연구 책임자인 Chris Gotwalt와 저는 |
| 우리가 분수 가중 부트스트래핑 및 자동 검증이라고 부르는 것을 발표했습니다. 자동 검증은 무엇을 의미합니까? 즉, 이것은 보이지 않을 것입니다 |
| 직관적으로 훈련 세트를 검증 세트로도 사용할 것입니다. 당신은 "글쎄, 그건 미친 짓이야. 같은 데이터입니다." |
| 그러나이 기술에는 작동하게 만드는 비밀 소스가 있습니다. 우리가 하는 일은 원본 데이터를 가져와서 복사하고 자동 검증 세트라고 부르는 것입니다. |
| 그런 다음 특별한 방법으로 관측치에 무작위 가중치를 할당하고 가중치를 부여합니다. |
| 트레이닝 세트와 자동 검증 세트 사이에 반상관 관계를 유도합니다. 그리고 나는 이것을 여러분에게 매우 짧게 설명할 것입니다. |
| 좋아요. 그건 그렇고, 우리는 작년에 철저한 시뮬레이션에서 이 방법을 광범위하게 연구한 박사 과정 학생 Trent Lempkis를 감독했습니다. |
| 그리고 우리는 이 방법이 실제로 DOE에서 예측 모델을 구축하는 기존 접근 방식보다 우수한 결과를 가져온다는 것을 보여주는 논문을 출판할 것입니다. |
| 그래서 저는 여기서 계속해서 사례 연구에 대해 이야기하려고 합니다. 그리고 이것이 티파니가 언급한 것입니다. |
| pDNA. 그것은 정말 뜨거운 주제이고 pDNA 제조업체는 큰 성장 분야로 간주되며 생명 공학 세계는 큰 성장을 기대합니다. 어쩌면 40%까지 |
| 그것이 사용될 모든 새로운 치료법이 온라인으로 제공되기 때문에 해마다. |
| 그리고 이 경우, 그리고 이것은 생명 공학 분야에서 매우 일반적입니다. 예측 모델을 구축하는 데 사용할 수 있는 기존 데이터가 실제로 없습니다. |
| 그래서 그것은 우리를 실험 계획으로 아주 올바르게 인도합니다. 그리고 이 경우에 우리는 확정적 스크리닝 설계를 사용할 것입니다. |
| 이들은 JMP의 Brad Jones와 미네소타 대학의 Chris Nachtsheim의 놀라운 발명품입니다. |
| 매우 효율적이며 실험을 위한 시간과 자원이 제한된 생명공학 분야의 사람들에게 항상 강력히 추천합니다. |
| 그래서 기본적으로 저는 여러분에게 생물공정이 어떻게 생겼는지에 대한 개략도를 보여드리는 것입니다. 그리고 우리는 발효 단계에 집중할 것입니다. |
| 그러나 실제로 Tiffany가 암시한 것처럼 이 프로세스의 업스트림 및 다운스트림 측면을 모두 살펴봅니다. |
| pH, 용존 산소 백분율, 유도 온도. 그것이 우리가 발효기를 설정한 온도입니다. |
| 유전자 변형 이. Coli는 플라스미드를 펌핑하기 시작합니다. 그리고 플라스미드는 무엇입니까? 음, 그것들은 실제로 염색체가 아닌 DNA입니다. |
| 그리고 그것들은 치료, 특히 유전자 치료에 많이 사용되며 박테리아에서 찾을 수 있는 일반적인 염색체 DNA와는 별개입니다. |
| 그래서 우리의 목표는 수정된 E를 얻는 것입니다. 대장균은 가능한 한 많은 pDNA를 펌핑합니다. 그래서 우리는 재판을 했습니다. 이것은 실제 실험입니다. 그리고 우리는 DSD를 처음 접했기 때문에 더 크고 훨씬 더 큰 기존 중앙 합성 설계도 실행했습니다. 그리고 우리는 이것을 따로했습니다. |
| 오늘 작업을 위해 제가 할 계획은 CCD를 검증 세트로 사용하고 DSD에서 자동 검증을 사용하여 모델을 맞추는 것입니다. 우리는 그것이 어떻게되는지 볼 것입니다. 이제 JMP로 전환하겠습니다. |
| 그리고 데이터 테이블을 열겠습니다. 다음은 DSD 데이터입니다. 이 데이터 세트에서 모든 모델링을 수행할 것입니다. 그리고 오, 그런데 저는 40개의 예측 모델을 15개의 예측 모델에 맞출 것입니다. |
| 기계 학습 기술을 사용하여 설계를 실행합니다. 그리고 많은 사람들이 이러한 일을 할 수 있다는 사실에 머리를 맞대야 할 것입니다. 실제로는 기계 학습과 딥 러닝에서 항상 수행되고 있습니다. |
| 이 작업을 쉽게 수행할 수 있도록 몇 가지 추가 기능을 보여드리고자 합니다. JMP Pro가 필요합니다. 그 중 하나는 테이블을 설정하는 추가 기능입니다. 이것은 JMP의 Michael Anderson이 작성한 것입니다. |
| 그래서 무슨 일이 일어나는지 보여드리겠습니다. 추가 기능은 JMP 커뮤니티에서 사용할 수 있습니다. |
| 따라서 원래 데이터를 취했다는 것을 알 수 있습니다. |
| 유효성 검사 세트를 만들었습니다. 그리고 내가 언급했듯이, |
| 우리는 또한 이 가중치 체계를 가지고 있으며 이러한 가중치는 무작위로 생성됩니다. 잠시 후에 보시겠지만 시뮬레이션 연구를 수행하고 매번 가중치를 지속적으로 변경합니다. |
| 달리다. 그리고 이것은 다시 수천 번의 모델링 반복을 생성하는 효과가 있습니다. 또한 Leo Brieman이 경고한 것처럼 |
| 응답을 혼란스럽게 만들면(데이터 구조는 변경하지 않음) 모델이 크게 변하는 것을 볼 수 있습니다. 그래서 저는 계속해서 여러분을 위해 이것을 아주 빨리 설명하겠습니다. |
| 그래서 피팅 모델로 갑니다. |
| 그리고 가중치가 저장되는 위치를 JMP에 알려야 합니다. 우리는 일반화된 회귀를 사용할 것입니다. 이를 위해 적극 권장됩니다. |
| 그리고 이것은 빠른 데모이기 때문에 순방향 선택을 사용할 것입니다. 그러나 이것은 자동 유효성 검사가 있는 매우 일반적인 절차인 SWB입니다. 매우 다양한 예측 또는 모델링 시나리오에서 사용할 수 있습니다. 정방향 선택을 하겠습니다. 좋아, 그래서 나는 하나의 모델에 적합합니다. |
| 그리고 나서 나는 |
| 견적표. 마우스 오른쪽 버튼을 클릭하고 시뮬레이션을 선택하겠습니다. |
| 그리고 시뮬레이션 실행을 몇 번 하고 싶다고 말하고 시도할 때마다 가중치를 교체하고 싶습니다. 새로운 가중치를 생성하고 싶습니다. 그건 그렇고, 이것은 데모이기 때문에 10개만 하겠습니다. |
| 결과가 있습니다. 10가지 모델이 있고 모두 상당히 다릅니다. |
| 다시 말하지만 실제로는 이러한 반복을 수천 번 수행합니다. 그럼 나중에 보여드릴께요. |
| 그런 다음 이러한 계수를 가져와 함께 평균을 낼 수 있습니다. 그건 그렇고, 0이 표시되면 회전이 모델에 들어가지 않았음을 의미합니다. 자, 이제 제가 할 것은 또 다른 추가 기능을 보여드리는 것입니다. |
| 이 중 일부를 닫고 화면을 깔끔하게 유지합니다. |
| Predictum에서 개발한 또 다른 추가 기능이 있습니다. 그리고 이것은 팩션 가중 부트스트래핑을 수행할 뿐만 아니라 모델 평균화도 개발합니다. 다시 말해서, |
| 방금 보여드린 것, 모델 평균화를 수행하려는 경우 사용할 수 있는 추가 기능은 일종의 독자적인 작업입니다. 좋아요. 손이 많이 가는 작업일 뿐입니다. |
| 그래서 저는 Predictum 추가 기능을 사용할 것입니다. 테이블을 만든 다음 실제로 매우 빠르게 추가 기능이 작동하는 방식을 설명하는 모델을 찾기 위해 표준 응답 표면 모델을 사용하겠습니다. |
| 우리는 pDNA를 예측하고 싶습니다. 그리고 우리는 gen reg를 사용할 것입니다. |
| 다시 한 번 설명을 위해 앞으로 전진 선택을 사용하겠습니다. |
| 다시 말하지만 실제로는 수천 번 반복하지만 10번만 하려고 합니다. |
| 이동을 클릭합니다. |
| 좋아요. |
| 필립 램지 | 다시 한 번 말하지만, 이것은 정말 죄송합니다. 세 가지 대화가 하나로 통합되었지만 모든 조각이 QbD 프레임워크에 함께 맞습니다. 그래서 모델이 있습니다. 이들은 평균 계수입니다. 다시한번 말씀드리지만 10개만 했습니다. 예측 공식을 데이터 테이블에 저장하겠습니다. |
| 그리고 화면을 최대한 깔끔하게 유지하려고 합니다. |
| 제 공식이 있습니다. 앱이 모든 평균화를 수행했으므로 사용자가 수행할 필요가 없습니다. |
| 그리고 공식이 있습니다. 그리고 당신이 모를 수 있는 약간의 트릭은 특히 이 공식을 다른 데이터 테이블에 배포하려는 경우 지저분한 공식입니다. 수식 편집기에는 단순화라는 정말 깔끔한 기능이 있습니다. |
| 보시다시피 방정식을 단순화하고 다른 데이터 세트에 훨씬 더 쉽게 배포할 수 있습니다. 자, 이것은 방법의 예시였습니다. |
| 이제 제가 하려는 것은 무슨 일이 일어났는지 보여주는 것입니다. |
| 우리가 전체 절차를 거쳤을 때. 이것은 데이터 테이블입니다. 여기서 DSD와 CCD 데이터 뱅크가 함께 결합된 것을 볼 수 있습니다. |
| 그리고 유효성 검사 데이터에 대한 내 모델의 성능에 집중하고 싶기 때문에 DSD 데이터를 제거하거나 제외하기 위해 행 상태 변수를 사용했습니다. 다시 모델은 DSD에만 적합합니다. |
| 여기 제 41학기가 있습니다. |
| 모델. 이것은 수천 번의 반복을 통해 모델을 평균화하여 수행된 증강 완전 2차 방정식입니다. 그리고 비교를 위해 같은 과정을 반복했습니다. |
| 훨씬 더 작은 21항 전체 2차 모형의 경우. 그렇다면 우리는 예측 측면에서 어떻게 했습니까? 이제 몇 가지 실제 예측 플롯을 보여드리겠습니다. |
| 따라서 이것이 진정한 유효성 검사 테스트임을 기억하고 강력하게 강조해야 합니다. CCD는 별도로 수행됩니다. E Coli 균주의 새로운 배치를 포함한 다양한 원료 배치. |
| 발효기 중 일부는 달랐고 완전히 다른 작동자였습니다. 그래서 생명 공학 분야에서 일하는 분들에게는 알다시피, 이것은 여러분이 얻게 될 예측 작업만큼이나 힘든 일입니다. |
| 그래서 다시 모델을 DSD에 맞추었고, 왼쪽이 41항 모델인 Augmented 모델이고 예측오차의 전체 표준편차는 약 67입니다. |
| 오른쪽에서 다시 성능 향상에 도움이 되는 모델 평균화를 사용했습니다. 21항 전체 2차 모델에 적합했으며 예측 오차가 약 70임을 알 수 있습니다. |
| 사실, 많은 사람들이 전체 2차 유용한 2차 모델을 수행하지 않기 때문에 모델 평균화를 사용하지 않으면 성능이 훨씬 더 나빠질 것입니다. 좋아요. |
| 그래서 나는 모델을 가지고 있습니다. 어떻게 해야 하나요? 음, 우리의 목표는 일반적으로 최적화와 특성화입니다. 프로파일러를 열어 보겠습니다. 내가 실제로 당신을 위해 이것을 할 것입니다. |
| 그래서 프로파일러와 그래프 메뉴로 갑니다. 최고의 모델을 사용하겠습니다. 그리고 그것은 Predictum 추가 기능을 사용하는 것입니다. 그런데 이 추가 기능에 관심이 있다면 |
| 베타 테스트를 하고 Predictum에 연락하고 Wayne@predictum.com으로 이메일을 보내면 그가 기꺼이 당신과 대화할 것이라고 확신합니다. 그래서 나는... |
| 모델에 가서 바람직함을 사용하여 |
| 생산량을 극대화하는 설정을 찾을 뿐입니다. 그런데, |
| 이것은 그들이 역사적으로 얻은 생산량에 비해 크게 개선된 것이며 우리가 보아야 할 설정을 제공합니다. |
| 이는 다소 직관적이지 않았지만 일반적으로 복잡한 시스템의 경우입니다. |
| 사물은 생각만큼 직관적이지 않습니다. 그리고 특히 CMC 경로에서 후기 단계 개발을 수행하는 경우 정말 중요한 것입니다. |
| 즉, 그들은 어떤 입력이 중요한 입력의 중요성을 평가하기를 원합니다. |
| 변수 중요도를 평가합니다. 다시 말하지만 모든 기술적인 세부 사항에 대해서는 다루지 않겠습니다. |
| 따라서 반응의 변동 측면에서 이송 속도가 가장 중요하다는 것을 알 수 있습니다. 그것은 사람들에게 반드시 직관적인 것은 아닙니다. 두 번째는 용존산소 퍼센트입니다. |
| 그래서 그것은 당신에게 무엇을 말합니까? 첫째, 이러한 변수를 더 잘 제어하는 것이 좋습니다. |
| 많은 변화. 이제 이 특별한 경우에는 품질 속성에 중요한 요소가 없습니다. 사용 가능한 것이 없었습니다. |
| 그래서 우리가 가지고 있는 것은 비즈니스 속성에 매우 중요하며 pDNA 생산입니다. 하지만 디자인 공간을 완전히 특성화하기 위해 JMP에서 할 수 있는 일이 더 있습니다. 내가 한 모든 것은 최적화 였지만 그것은 특성화가 아닙니다. 프로파일러에는 또 다른 멋진 도구가 있습니다. 좋아요. |
| 시뮬레이터라고 합니다. 그리고 이것은 필요한 만큼 사용되지 않습니다. 그래서 제가 한 것은 입력에 대한 분포를 정의한 것입니다. |
| 즉, 입력이 다양할 것으로 기대합니다. 이것은 FDA가 알고 싶어하는 것과 같은 것입니다. 입력으로 프로세스의 성능에 어떤 일이 발생합니까? 특히 일단 규모를 확장하면 완벽하게 제어되는 프로세스는 없습니다. |
| 그건 그렇고, 내가 생각하는 동안, 이러한 더 복잡한 모델, 이러한 증강 완전 2차 모델, |
| 경험상 전체 2차 모델보다 더 잘 확장된다고 말할 수 있습니다. 이것이 더 복잡한 모델에 적합해야 하는 또 다른 이유입니다. |
| 따라서 시뮬레이터에는 시뮬레이션 실험이라는 멋진 도구가 있습니다. 그리고 그것이 하는 일은 우리가 공간을 채우는 디자인이라고 부르는 일을 합니다. 전체 디자인 영역에 포인트를 분배합니다. 그래서 저는 256회를 하고 싶다고 말할 것입니다. |
| 그리고 5000번의 시뮬레이션을 할 것입니다. 각 지점에서 평균 표준 편차와 전체 결함을 계산합니다. 오른쪽. |
| 그래서 이것은 실제로 꽤 빨리 진행됩니다. 출력이 어떻게 생겼는지 보여드리겠습니다. 그리고 다시, 나는 이미 이것을했습니다. |
| 시간 관계상 다른 데이터 테이블을 열겠습니다. |
| 다른 하나를 최소화하십시오. |
| 이것이 시뮬레이션 연구의 결과입니다. |
| 자세한 내용은 다루지 않겠지만 모델을 기본에 맞추고, 모델을 표준 편차에 맞추고, 모델을 전체 결함률에 맞춥니다. |
| 그리고 일부 영역의 결함률은 낮고 일부는 상대적으로 높으며 시뮬레이션 데이터와 함께 일반적으로 사용되는 가우시안 프로세스 모델이라고 합니다. 그래서 우리는 이것들로 무엇을 할 수 있습니까? |
| 모델과 이러한 시뮬레이션 결과로? 다시 말하지만 특성화가 중요합니다. 간단한 아이디어를 드리겠습니다. |
| 여기 3차원 산점도가 있습니다. 공급 속도와 DO 백분율을 보고 있습니다. 정말 중요하기 때문입니다. 그리고 플롯된 포인트는 결함률에 따라 가중치가 부여됩니다. 더 크게 |
| 구형은 더 높은 결함률을 의미합니다. 그래서 주위를 둘러보면. 우리가 확실히 운영하고 싶지 않은 일부 지역이 있음을 알 수 있습니다. |
| 그래서 우리는 디자인 공간을 특성화하고 운영하기에 더 안전한 지역을 찾고 있습니다. 그리고 물론, 나는 이것을 할 수 있습니다 |
| 다른 변수를 선택하면 어떤 경우든 피하고 싶은 다른 지역만 표시됩니다. 그리고 우리는 이것으로 더 많은 것을 할 수 있지만 그것이 요점이라고 생각합니다. 우리도 할 수 있는 곳 |
| 계속해서 프로파일러를 다시 사용하고 다시 최적화하겠습니다. |
| 그러나 나는 그것을 다른 방식으로 할 것입니다. 이 방법으로 평균 pDNA를 최대화하고 싶습니다. |
| 그리고 저는 이중 응답을 하고 싶습니다. 그리고 전반적인 불량률을 최소화하고 싶습니다. |
| 다시 한 번 바람직함을 사용하겠습니다. |
| 이것은 몇 분 정도 걸립니다. 이것들은 우리가 최적화하고 있는 매우 복잡한 모델입니다. |
| 그리고 알림이 와서 말합니다. |
| 높은 이송 속도, 높은 DO, |
| 중성 pH 및 유도에 가깝습니다. 그런데 인덕션, 인덕션 OD 600이 뭔지 알고 싶다면 그게 바로 미생물량의 척도 |
| 일단 특정 질량에 도달하면(아무도 그것이 무엇인지 확신하지 못하므로 실험을 수행합니다) 물질의 온도를 높입니다. 그리고 이것은 실제로 |
| E를 강요합니다. 대장균은 pDNA나 플라스미드를 펌핑하기 시작하고 이를 수행하도록 설계되었습니다. 그래서 우리는 그것을 유도 온도라고 부릅니다. 좋아요. 음, 설정에서 주목하세요, |
| 우리는 낮은 결함률을 보장하지만 전반적인 최적화 응답은 높지 않았습니다. 하지만 기억하세요. 우리는 또한 결함 생성 가능성이 적은 프로세스를 갖게 될 것입니다. |
| 자, 그럼 이 시점에서 |
| 그냥 빨리 끝으로 가겠습니다. |
| 슬라이드. 이 슬라이드에 모든 것이 있습니다. 모두 업로드 되었습니다 |
| 에게 |
| JMP 커뮤니티. 마지막에는 요약본이 있으며 기본적으로 보여드리는 것은 프로세스 및 제품 개발입니다. |
| CMC 경로(및 그 일부는 설계에 의한 품질)를 사용하려면 전체적인 또는 통합된 접근 방식이 필요합니다. 많은 시스템 사고가 필요합니다. |
| 프로세스 설계 및 개발은 본질적으로 예측 문제이며 머신 러닝 및 딥 러닝의 영역입니다. 그것은 당신이 생각하는 것이 아닙니다. 평소와 다름없는 건물 |
| 특히 예측을 위한 통계 모델. 부분 가중 부트스트래핑 자동 검증 및 모델 평균화 |
| 매우 효과적이고 정확한 예측 모델을 생성할 수 있습니다. 그리고 저는 또한 코넬과 몽고메리의 보다 복잡한 증강 모델이 실제로 매우 중요하다는 점을 강조하고 싶습니다. |
| 그것들은 실제로 더 잘 확장되고 더 나은 특성화를 제공합니다. 이상으로 감사의 인사를 전하며 발표를 마치겠습니다. |
