398736_ko-KR

liliconcom

바이오의약품의 새로운 개척: JMP에서 유전자/세포 치료를 위한 환자/기증자 가변성 모델링(2021-US-30MP-887)

수준: 중급

 

Andrew Karl, Adsurgo, LLC의 수석 경영 컨설턴트

Heath Rushing, 수석 컨설턴트, Adsurgo, LLC

 

바이오의약품 분야에서 가장 새롭고 혁신적이며 유망한 치료법은 유전자 치료법과 세포 치료법입니다. 유전자 치료법은 환자의 기존 유전자를 변형시키는 반면, 세포 치료법은 질병을 치료하기 위해 인간 세포를 환자에게 이식합니다. 이 세포는 환자 자신이나 건강한 (세포) 기증자로부터 나옵니다. 미국에서 승인된 최초의 치료법은 2017년 Kymriah였습니다. 그 이후로 환자 치료에 대한 이러한 새로운 접근 방식을 탐구하는 수많은 회사가 있었습니다. 규제 승인의 주요 장벽 중 하나는 환자의 요구(효능과 안전성 모두)를 일관되게 충족하는 프로세스를 개발하는 것입니다. 한 가지 분명한 과제는 변동성의 큰 부분을 설명할 수 있는(그리고 일반적으로 설명하는) 환자 대 환자 또는 기증자 대 기증자 변동성을 모델링하는 것입니다.

이 강연에서는 중요한 연구 질문에 답하기 위해 JMP에서 기증자 간 가변성을 모델링하는 다양한 방법에 중점을 둡니다. 즉, 중요한 프로세스 매개변수(환자/기증자와 무관) 결정, 입증된 허용 가능한 정상 작동 범위(PAR 및 NOR) 구성, 프로세스 추정 등이 있습니다. 능력. 고정 블록 효과로 공여자 모델링의 의미를 설명한 후 저자는 먼저 JMP의 모델링 및 시뮬레이션 기능을 제시한 다음 JMP Pro의 추가 기능을 제시하여 무작위 효과로 공여자 모델링의 이점을 제시합니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
히스 러싱	홍해를 달리는 모든 사람들.
	고삐.
로빈 고드프리	응.
	제가 좀 집착할 수도 있겠네요.
	안녕 잘 지내요?
히스 러싱	좋아 좋아, 앞으로도 그럴 테니까.
로빈 고드프리	잘됐네, 오.
히스 러싱	응, 응.
로빈 고드프리	아, 좋아, 아.
	내가 이 일을 제대로 하고 있는지 확인하려면 여기 체크리스트를 확인하세요.
	그럼 녹음하겠습니다 좋아요, 그럼 녹음이 제대로 될 거라는 걸 아시겠죠?
	나는.
	마이크가 조금 말을 해서 당신의 말을 들을 것입니다.
히스 러싱	안녕하세요 캐스트123입니다.
로빈 고드프리	퍼센트.
	반품.
로빈 고드프리	모든 것이 휴대폰과 모든 컴퓨터를 침묵시킵니다.
히스 러싱	네, Andrew Andrew도 이에 동참할 예정입니다.
	그게 한 가지라서 그것이 어떻게 작동했는지 잘 모르겠습니다. 확실히 스스로 포스터를 만들었으므로 올해 우리가 할 일은 그가 할 특정 지점이 있다는 것입니다.
	화면을 가져 가라.
로빈 고드프리	좋아요.
히스 러싱	그래서 우리는 나를 위해 그에게 갈 것입니다. 그러나 우리는 앞뒤로 전환하지 않습니다. 그렇지 않습니다.
	혼동하지 않으려면 무슨 말인지 아시겠죠?
로빈 고드프리	알겠습니다. 지난번에는 전원을 끄는 것을 잊어버렸습니다. 그들이 좋아한다는 것을 확신하고 녹음을 시작했기 때문입니다.
히스 러싱	플로리다.
	플로리다 플로리다는 해변에 바로 살고 있습니다.
로빈 고드프리	좋아 좋아.
히스 러싱	응, 응.
	란타 콜로라도이므로 9월에 다시 그곳에 가서 육지로 놀러 갈 예정입니다.
로빈 고드프리	오 좋아요.
	응.
히스 러싱	응.
로빈 고드프리	나는 지금 습도와 숨 막힐 듯한 더위에 지치지 않는 서늘한 곳에 있었습니다.
히스 러싱	당신이 노스캐롤라이나 해안 근처에 사는 곳이죠. 그렇죠.
로빈 고드프리	내륙으로 약 4마일 정도 새가 날아갑니다.
	좋아요.
로빈 고드프리	네, 저는 Cape Fear 강과 정말 가깝습니다.
	응.
로빈 고드프리	그럼 강이 있고 길 바로 아래에는 눈 하늘이라는 영화가 있는데 강에서 수로까지의 절단면과 같습니다.
	응, 이제 정말 많은 남자들과 가까워졌어.
	물이지만 해변으로의 접근이나 그와 유사한 것은 아닙니다.
	네, 연안 수로를 기억합니다. 하지만 바다는 조금 더 멀리 있습니다.
	그런데 오늘 아침에 해변으로 달려갔거든요. 그래서 여기서 살 때 좋은 점은 할 수 있다는 거예요.
	아침에 차가 많지 않으면 해변으로 갈 수 있고 비가 쏟아지고 우리는 아름다운 일출을 보았습니다.
	그러니 망막에 비가 내리지 마세요.
	그거 좋네요.
히스 러싱	네, 저는 제가 살고 있는 해변 부분에 살고 있습니다. 끝 부분이므로 국립 해안 방향으로 10마일이 떨어져 있습니다.
	10마일은 아무것도 아닙니다.
	그래서 거기에는 자전거가 있습니다.
	자전거 길.
	네, 그리고 약 3마일 정도는 자전거 도로가 있고 7마일 정도는 바까지 이어지는 자전거 도로입니다.
	멋진.
로빈 고드프리	펜실베니아.
히스 러싱	해변이 해변이겠죠?
로빈 고드프리	우리는 데스틴에 있었습니다.
	크리스마스 때.
	응.
로빈 고드프리	응, 38 전체에서 그 지역이 좋아.
히스 러싱	좋은 지역.
	오 예.
로빈 고드프리	좋아, 그럼 앤드류를 기다려야 해.
히스 러싱	괜찮으세요? 응, 아니, 아니, 아니, 아니, 아니, 우리는 그 사람을 꼭 기다릴 거예요.
로빈 고드프리	알았어, 응.
히스 러싱	알았어, 하자.
	나에게 메시지를 보내주세요. 잠시만 기다리세요.
	씨.
	방금 나에게 메시지를 보냈다면.
	제가 할 것은 슬라이드로 첫 번째 부분을 할 것입니다. 몇 개의 슬라이드를 통해 누군가 유전자 치료를 소개할 것입니다.
	그런 다음 나는 과학자들과 Andrew처럼 플레이할 것이라고 말할 것입니다. 방금 데이터 세트를 보냈는데 도움이 필요합니다. 그런 다음 그와 내가 대화를 나누고 그가 거기에서 가져갈 것입니다. 존과 함께요.
	나는 그것이 좋은 방법이라고 생각했습니다.
	그리고 실제로 우리는 다음과 같은 상호 작용을 알아냅니다.
	월요일
	아시다시피, 우리가 하려고 하는 일이 있었고 저는 그랬습니다. 하지만 우리는 이것을 알아내려고 했던 것과 상호 작용할 수 있는 방법이 필요합니다.
로빈 고드프리	신문에 나오는 남자로서 나와 Rob, 그리고 내 동료인 Ted와.
	영상이 다 웃기네요.
히스 러싱	우리는 항상 그렇게 하려고 노력했어요.
	나는 뜨거운 물을 지원하고 있지만 우리는 항상 거기에 무언가를 던지기 위해 노력합니다.
	재미있으니까요.
	특히 화면 오른쪽에 있는 경우 잠시 동안 대화를 나누세요.
	응, 얘기 좀 해볼래?
로빈 고드프리	우리는 시나리오를 좋아했습니다.
	사람들은 제조 환경처럼 흔들리는 생산 환경을 좋아합니다.
	예, 그래서 우리는 컨설턴트를 고용하여 애플리케이션을 만들기로 결정한 관리자의 시나리오를 좋아했습니다.
	그런 다음 컨설턴트는 떠나고 귀하가 알고 있는 씰이 적절하게 제조되었으며 실패하고 컨설턴트가 사라지고 코드가 작동하지 않는다는 것을 귀하에게 알리려고 노력하고 있습니다.
	그래서 그것은 그들이 JMP 경로를 택했다면 여러분에게 알릴 수 있었던 것과 같습니다. 그리고 여러분도 아시다시피 우리는 방금 4r의 재현성 견고성에 대해 빠르게 반응하는 것에 대해 이야기했습니다.
	우리는 세 가지 다른 시나리오를 만드는 데 집중했고 이를 데이터에 대한 도박이라고 부르기 때문에 이 전체를 도박 테마처럼 만들었습니다.
	걷고, 마지막에는 케니 로저스처럼 노래하고, 이 영상을 찍는 우리의 아웃테이크처럼 그게 전부이기 때문에 가장 좋은 부분입니다.
	아웃테이크는 항상 가장 재미있는 부분이므로 Rob은 마지막에 도박꾼인 Kenny Rogers와 같은 모든 아웃테이크를 수행했으며 그는 정말 재미있는 이러한 크레딧을 가지고 있으므로 일종의 라이브가 시작되었습니다.
	하지만 정말 재미있었습니다. 우리는 프로젝트 관리자나 엔지니어라는 다른 역할을 수행할 것입니다. 다양한 시나리오와 프로덕션, 환경을 다루는 것과 마찬가지로 그들이 그것을 수행할 수 있었던 방법도 있습니다. 더 나은.
	그랬다면 응.
히스 러싱	응, 응.
로빈 고드프리	그런 다음 데모를 훔쳐 보면 프로파일러를 사용하는 다양한 방법을 알 수 있으며 그것이 제가 말할 수 있는 전부입니다.
히스 러싱	우리는 슬라이드를 많이 하는 것을 좋아하지 않습니다.
	하지만 누가 우리와 합류했는지 살펴보겠습니다.
	우리와 함께할 시간을 보세요.
	안녕 안녕 앤드류.
앤드류 칼	안녕, 달려.
히스 러싱	너무 일찍 왔네요.
앤드류 칼	응, 4분 일찍 왔어, 좋아.
	응.
로빈 고드프리	그래서 그는 당신의 카메라와 같은 작은 사람입니다. 안녕하세요.
히스 러싱	안녕 내 이름.
로빈 고드프리	응, 좀 더 내려놓고 더 많이 볼 필요가 있을 것 같아.
	하고 있어요 형.
앤드류 칼	나는 그것을 원하지 않습니다.
히스 러싱	나도 아니고 나도 아니야 내 얼굴이 어떻다는 뜻인지.
로빈 고드프리	턱 바로 아래처럼 말이죠.
히스 러싱	나는 항상 어제처럼 당신도 먼지에 대해 알고 있으므로 매년 피부과 약속을 찾는 것처럼 가기로 결정했습니다.
	붉은 반점 그래 그래 내 말은 항상 그런 거야, 내가 쉬는 날이 있다는 생각조차 하지 않았는데, 그들이 얼마나 자주, 정말 그랬는지 알잖아.
	그것의 가장 큰 부분은 프레젠테이션과 관련하여 무엇이든 해야 할 경우를 대비한 것이었습니다. 그러면 정원에 가끔 가는 것을 알 수 있습니다.
로빈 고드프리	쓸데없는 큰 슬롯.
히스 러싱	응 꽤 많이.
	응, 응.
	응.
로빈 고드프리	좋아요, 그럼 카메라를 끄겠습니다.
	그리고 찾아야 해요.
	여기에서 나 자신을 잃어버리세요. 여기요.
히스 러싱	안녕하세요, 그래서 Andrew는 어느 시점에서 제가 할 과학자 역할을 할 거라 말하고 슬라이드의 첫 번째 부분을 말할 것입니다.
	안녕하세요, 저는 과학자 역할을 할 예정입니다. 통계학자 Andrew 역할을 맡을 예정입니다. 저는 실제로 과학자 데이터 역할을 맡을 것입니다.
	그런 다음 Andrew라고 말하고 좋아요, 그럼 시작하겠습니다. Andrew 방금 두 가지 응답 또는 누군가의 능력과 부산물에 대한 데이터 세트를 보냈습니다.
	이해하셨나요? 그런 다음 거기에서 나가시면 됩니다. 그러면 제가 그런 종류의 말을 할 때마다 계속해서 그들이 말하는 화면을 공유하기 시작할 수 있습니다.
앤드류 칼	알았어 응.
로빈 고드프리	Andrew가 여기에 있기를 원하시나요?
	당신이 말하는 동시에 그는 자신을 숨길 수 있다고 말합니다.
	그가 나타날 준비가 될 때까지.
히스 러싱	응, 우리 같은 시간에 있을 수 있어.
로빈 고드프리	좋아, 지금은 한쪽이 망가진 듀얼 스크린과 다른 쪽이 망가져 있는 것 같아.
히스 러싱	응 응 나.
	그러니까 시작할 때마다 우리 못생긴 머그만 볼 수 있게 그만둘 테니까 화면을 공유하고 이제 3개를 공유할 것 같은 말은 안 하는 데 집중하자는 거죠. 주제를 소개하기 위해 몇 가지 슬라이드를 작성하겠습니다.
	그런 다음 주제를 소개하는 데 그리 오랜 시간이 걸리지 않을 것입니다. 그런 다음 우리가 할 일은 소개를 하시나요? 아니면 자신을 소개하고 싶으신가요? 그 작업을 들었습니다.
로빈 고드프리	여러분.
	나는 당신이 발견의 권리를 갖고 있다면 당신처럼 간단한 소개를 하듯 그렇게 할 것입니다.
	좋아, 그들은 내가 하는 것을 원하지 않는 것이 아니라 내가 둘 다에 빠지는 것을 원하지 않는 것입니다.
	그래서 여러분은 새 이메일이 팝업되는 것처럼 컴퓨터에 모든 것을 숨겨 두었습니다.
히스 러싱	응.
	그건 틀렸어 난 그게 아니야.
	소리를 냈다.
로빈 고드프리	좋아요, 그래서 제가 직접 카메라를 끄고 음소거를 한 다음 여러분께 말씀드리겠습니다.
	시작하세요. 제가 방해하겠습니다. 다시 시작해야 한다면 제가 허락해 주세요.
히스 러싱	당신이 언제 출발할지 말하면 우리가 갈 거라고만 말하는 데 익숙하다는 걸 알아요. 내가 소개를 받을게요 앤드류 당신이 소개를 하고 있어요 끝나자마자 바로 말씀드릴게요.
	제가 할 일은 화면 공유를 시작하는 것입니다. 괜찮을 것 같네요.
로빈 고드프리	좋은 것 같아요 그렇군요.
	내가 가라고 말한 후 약 5초 정도 시간을 주세요.
	내 개들이 지켜보고 있어요.
	모두가 내 자신을 음소거하고 녹음을 시작하므로 지금 당장 나에게 가서 더 나쁜 짓을 시작할 것입니다. 5초 정도만 시간을 주십시오.
	좋아요.
히스 러싱	좋아요, 좋은 아침이에요. 그래서 오늘 아침 Andrew Karl과 저는 실제로 세포 및 유전자 치료법을 살펴보는 바이오제약 분야의 응용에 대해 강연할 예정입니다. 이는 치료제를 만드는 매우 독특한 방법입니다.
	내 배경에 대해 조금. 내가 몇 마디 말하고 Andrew가 그의 배경에 대해 몇 마디 말하게 하세요. 저는 군대에 복무하다가 대학 교수가 되어 응용통계와 DOE를 가르쳤습니다. 그러다가 바이오제약 분야에서 일하게 되었고, 소규모 생명공학 회사에서 일하게 되었습니다.
	줄여서 Applied Molecular Genetics 또는 Amgen이라고 불리는 회사는 제조 부문에서 일한 다음 R&D 부문에서 일했습니다.
	그 전에는 수년간 교육 관리자로 일한 후 SAS의 컨설턴트가 되었습니다.
	그리고 실제로 우리가 하는 일은 의료 기기 분야의 제약, 바이오제약에 집중하고 많은 교육과 컨설팅을 하면서 고유한 문제를 많이 해결하고 가치를 창출하는 것입니다. 회사. 앤드류, 몇 마디 하고 싶은데요?
앤드류 칼	네, 제 이름은 Andrew Karl이고 통계학 박사 학위를 받고 애리조나 주를 떠난 직후인 2012년에 Heath에서 일하기 시작했습니다.
	그리고 저는 그곳에서 Heath 및 Jim Wisnowski와 함께 온갖 흥미로운 일을 해왔고 최근에는 많은 제약 응용 분야에서
	제제 개발부터 공정 특성화까지 모든 것, 그리고 그 사이의 모든 것에 대해 오늘 Heath와 함께 여기 와서 우리의 응용 분야에 대해 이야기하게 되어 기쁩니다.
히스 러싱	좋습니다. 이제 바로 화면을 공유하겠습니다.
	그리고
	슬라이드가 몇개 있는데 하기 싫다...하기 싫다
	JMP 프리젠테이션의 슬라이드에 초점을 맞추겠습니다. 하지만 제가 하려는 것은 여러분에게 주제를 소개하는 것입니다. 요약되고 매우 독특한 응용 프로그램이며, 더 중요한 것은 매우 독특한 도전 과제입니다. 우리는 오늘 이야기를 하려고 합니다.
	아시다시피 흥미롭습니다. 우리는 이것을 했고 아마도 이 초록을 다시 썼을 것입니다.
	4월 초에 innovate ???에 쓴 글을 봤습니다. 너무 좋아 그래서
	아무도...아무도 우리가 기사를 복사했다고 생각하지 않는지 확인하고 싶습니다. 하지만 실제로 우리가 하고 있는 일은 모델링 방법을 알고 있다는 것입니다.
	아시다시피, 환자/기증자의 변동성은 바이오제약 분야의 매우 독특한 응용 분야에서 기증자/기증자 변동성을 어떻게 고려하느냐 하는 것입니다.
	그리고 우리는 유전자와 세포 치료에 관해 이야기할 것입니다. 그래서 우리가 할 첫 번째 일은 이것이 왜 새로운 개척지인지에 대해 이야기하는 것입니다.
	맞습니다. 유전자 치료법과 세포 치료법이 무엇인지에 대해 조금 이야기한 다음 이 둘의 차이점에 대해 자세히 알아보겠습니다.
	그리고 이것의 초점은 기증자 간 변동성을 어떻게 모델링하는가입니다. 그렇죠? 고정 효과, 무작위 효과로 취급합니까?
	그리고 우리가 관심을 가질 수 있는 매우 특별한 응용 프로그램은 무엇입니까? 첫째, 이것이 새로운 개척지라고 제가 말할 때마다 그것은 매우 혁신적이고 매우 유망합니다. 현재 10개 미만입니다.
	이러한 종류의 치료법, 유전자 및 세포 치료법이 시중에 나와 있습니다. 하지만...현재 파이프라인에 있는 것은 1,000개가 넘습니다.
	그리고 여러분이 보게 될 것은 이러한 유전자 및 세포 치료법에 대한 것입니다. 거기에는 몇 가지 매우 독특한 과제가 있다는 것입니다. 좋습니다. 이것은 치료를 위한 매우 혁신적인 방법입니다.
	질병, 특히 희귀 질병에는 매우 독특한 문제가 있습니다. 물론 하나는 우리가 어떻게 작동하는지, 효능이 있는지 어떻게 확인하는가입니다. 그리고 그것이 안전한지 어떻게 확인할 수 있나요?
	좋아요, 다른 하나는 실제로 우리가 다루게 될 것인데, 기증자 간 변동성을 어떻게 다루는 걸까요?
	환자 간 변동성을 의미하기 때문에 기증자 간 변동성에 초점을 맞추고 싶습니다.
	그럼 유전자치료와 세포치료에 대해 이야기해보겠습니다. 그렇다면... 유전자 치료란 무엇입니까? 잘,
	많은 분들이 아시다시피 암과 같은 많은 질병은 실제로 결함이 있는 유전자를 가지고 태어났거나 시간이 지남에 따라 어떤 종류의 유전자가 변이되어 발생한다는 사실을 알고 있습니다.
	따라서 이를 치료하는 매우 독특한 방법이 있습니다. 그 중 하나는 바로 유전자 치료입니다. 유전자 치료에서 우리가 하는 일이 무엇인지 아시나요? 이제 우리는 하나의 유전자를 교체한다고 말합니다.
	다른 건강한 사람과 함께, 그러나 실제로는 우리가 실제로 일종의 유전 물질을 전달하고 있거나, 추가하거나 추가하거나 수정하거나 일부 유전자를 실제로 끄는 것일 수 있습니다. 이는 두 가지 방법으로 수행할 수 있으므로 다음과 같은 환자에게 적합합니다.
	특정 질병이 있는 것입니다. 우리가 할 수 있는 것 중 하나는 주입할 수 있다는 것입니다(그리고 전달이라는 용어를 사용하겠습니다).
	그 건강한 유전자, 좋아요, 그 유전 물질이...그 건강한 유전 물질이 환자에게 들어가도록 말이죠.
	우리가 할 수 있는 또 다른 일은 일종의 혈액이나 골수를 채취하는 것입니다.
	환자로부터 우리는...그 유전 물질을 삽입한 다음 다시 환자에게 전달할 수 있습니다. 생체 내나 시험관 내에서 수행할 수 있습니다. 이제 내가 말할 때마다 우리는...
	일종의 건강한 유전자를 환자나 골수에 주입하려면 어떤 전달 방법이 필요합니다. 좋아요, 우리는 그것을 차량이라고 부르겠습니다.
	우리는 종종 이렇게 말합니다. 이것은 유전 물질을 환자에게 전달하는 수단입니다. 이제 우리는 그것을
	벡터, 알았어. 우리는 그것을 벡터라고 부르겠습니다. 그것이 바로...그것은 매우 독특한 기술을 가지고 있습니다. 벡터가 바이러스인 경우가 많습니다.
	바이러스는 그 유전 물질을 세포에 삽입할 수 있습니다. 그렇다면 독특한 과제는 무엇입니까? 글쎄요, 하나는, 그게 효과가 있나요? 두 번째는 안전할까요?
	우리가 종종 10억 달러짜리 문제라고 부르는 것은 내가 이 유전 물질을 신체에 주입하는 경우입니다.
	환자로 바꾸면 거부할까요? 그들은 그것을 거부할 것인가, 아니면 신체가 무슨 일이 일어나고 있다고 생각합니까?
	그리고 아시다시피, 이 세포들을 실제로 죽이기 시작할 것입니다. 그렇죠. 또 다른 정말 독특한 과제는 각 환자가 별개의 병기라는 것입니다.
	오른쪽. 그러니 제조, 개발, 물류에 대해 생각해보세요. 유전자치료, 이제 세포치료와 어떻게 다릅니까? 그래서
	겹치는 부분이 많지만 세포 치료 측면에서 여러분이 하는 일은 세포를 삽입하는 것입니다. 물론 유전 물질이 반드시 필요한 것은 아닙니다. 이제 이 세포들은 유전적 변형을 일으켰을 수도 있습니다
	물질적이지만 실제 세포를 채취하여 환자에게 삽입하여 이러한 질병을 치료하는 것입니다. 따라서 지금 이 세포는 환자 자신에게서 나올 수도 있고,
	그렇죠, 아니면 그들이 할 수 있는 것은 기증자에게서 나올 수 있다는 것입니다. 골수 이식을 생각해보세요. 그런 일을 할 때마다 건강한 기증자로부터 무언가를 꺼내서 그것을 삽입하는 것입니다.
	환자가 된 거죠. 그렇죠. 이제 이것들은 모두 시험관 내에서 이루어졌다는 것을 이해하세요. 실제로 이러한 건강한 세포를 환자에게 주입하는 것입니다.
	그리고 그럴 때마다 당신은 무엇을 하려고 합니까? 당신은 어떤 종류의 누락된 셀이라도 교체하려고 하거나 실제로 교체하려고 합니다.
	병든 사람들아, 알았어. 마찬가지로, 우리가 이전에 이야기했던 것과 동일한 고유한 과제를 알고 있다는 것입니다.
	또 다른 점은 이 두 가지 모두에 대한 또 다른 장벽은 이것이 매우 소규모 제조이므로 대규모로 수행할 수 없다는 것입니다.
	이제 여러분은 조금 나중에 알게 되실 것입니다. 또는 알다시피, 과제 중 하나는 이것을 대규모로 어떻게 수행할 것인가 하는 것입니다. 우리는 어때서...
	실험실뿐만 아니라 더 큰 규모로 이를 수행할 수 있다는 것입니다.
	맞습니다, 제가 전에 말했듯이, 실제로 이것에 대한 장벽 중 하나는 효능과 안전성입니다. 이것이 주요 과제 중 하나입니다.
	또 다른 큰 과제는 이것입니다. 여러분이 보고 계시다면... 이것은 다른 환자나 다른 기증자를 대상으로 수행되어야 합니다. 당신은 어떻게 계산합니까?
	기증자 간 변동성에 대해? 제가 한 시간 전에 수업을 듣고 있었는데 누군가가 똑같은 말을 하고 있었습니다.
	아시다시피, 우리는 세포 치료에서 기증자 간 다양성을 고려해야 하며, 그것이 우리 과정에서 볼 수 있는 다양성의 대부분을 설명합니다.
	오른쪽. 그리고 그것에 대해 생각해보십시오. 글쎄요, 그걸 어떻게 설명하나요?
	매우 자주, 당신이 할 일은 '안녕, 히스, 나는 공정 특성화 연구를 하고 있는데 아마도 기증자 한 명에 대해 이 작업을 해야 할 것입니다. 그렇죠?'라고 말할 것입니다. 그럼 그게 가능할 수도 있겠네요....
	어떻게...그것이 가능할 수도 있지만 조금 나중에 보게 될 것은 상업적 제조 공정을 진행할 때마다 어떻게 설명해야 하는지에 대한 것입니다.
	기증자 간 가변성을 갖고 다른 기증자에 대해 내 프로세스를 더욱 강력하게 만들려고 노력할 것입니까?
	그래서 대부분의 경우 우리는 이것을 하고 싶지 않습니다. 대부분의 경우 그것은 실현 가능하지 않으며 설사 가능하더라도 우리는 그것을 하고 싶지 않습니다.
	그래서 우리가 할 일은 다수의 기증자를 확보하는 것입니다. 그래서 지금 당장... 그래서 가장 큰 질문은...오늘 우리가 대답하려고 하는 것은... 기부자 간 변동성을 설명할 수 있는 다른 방법이 무엇인지입니다. ?
	그리고 즉시, 실험 계획을 알고 있는 여러분 중 누구라도 염두에 두어야 할 것은 계속 진행하고 이를 차단하자는 것입니다.
	그리고 다음 질문은 무엇입니까...고정 블록이어야 할까요, 아니면 무작위 블록이어야 할까요?입니다.
	그리고 그런 것의 효과는 무엇입니까? 그럼 과학자가 이것을 사용해야 하는 다양한 응용 프로그램에 대해 이야기해 봅시다. 그리고 우리가 할 일은
	난 놀 거야...나는 과학자 역할을 할 거야, 그렇지. Andrew는 과학자를 돕는 통계학자 역할을 할 예정입니다. 그래서 그 사람은 Andrew라는 이름을 사용하고 저는 과학자 역할을 하려고 합니다.
	그건 도움이 필요해요, 그렇죠. 그래서 나는 Brady라는 이름을 사용하겠습니다. 그러면, 알다시피, 도움이 필요한 과학자 브래디는 어떻게 될까요...
	도움이 필요하세요? 그 중 하나는 추론 및 프로세스 특성화 연구이고, 또한 Brady는 프로세스 능력을 추정해야 할 것입니다. 이제 이것은 매우 중요합니다. 왜냐하면
	프로세스 검증 및 상업적 제조에 들어가기 전에 우리 프로세스가 얼마나 능력이 있는지 이해해야 합니다. 그래서 우리는 전통적인 방식에 대해 이야기하겠습니다.
	우리는 여러분에게 정상 작동 범위라는 것을 소개할 것이며 실제로 여러분이 하고 있는 일은 여러분이 고려하고 있는 것입니다.
	항상 설정점에 있을 수는 없고 설정점에 따라 달라질 수 있다는 것입니다. 나도 뭔가를 해보고 보여줄게...
	프로세스를 평가하거나 입증된 허용 범위라고 하는 프로세스 능력을 평가하는 또 다른 방법을 보여줍니다. 만약 여러분이 질문을 한다면, 모든 것이 설정된 지점에 있다면 어떨까요?
	하지만 하나의 변수는 달라질 수 있습니다. 그렇죠? 귀하의 프로세스 능력은 무엇입니까? 마지막으로 우리는 큰 과제 중 하나가 대규모 제조에 관해 이야기했습니다. 소규모 제조업과 대규모 제조업을 어떻게 비교하나요? 그래서
	앤드류, 저는 아까 말했듯이 도움이 필요한 과학자 브래디 역을 맡을 거예요. 그리고 제가 여러분에게 드리고 싶은 것은 여러분의 이메일을 열고 제가 보낸 데이터 세트를 확인하는 것입니다.
	그리고 제가...제가 당신에게 보낸 데이터 세트에 대해 얘기 좀 해도 될까요, 앤드류? 응, 바로 그거야, 그거야, 응 딱 맞아. 그래서 앤드류, 이것이 내가 한 일입니다. 내 프로세스는 ...
	최적의 설계와 공정 특성화를 수행하고 시간, 온도, pH를 변경했습니다. 그리고 저는 세포 생존율을 측정했고
	제품 별. Andrew, JMP 데이터 테이블의 열 속성에서 이미 이 작업을 수행했다는 것을 알 수 있을 것입니다. 왜냐하면 이 작업은 귀하가 저에게 가르쳐 주었기 때문입니다.
	하지만 세포 생존 가능성을 살펴보면 그에 대한 사양이 있습니다. 그리고...자세한 내용은...70에서 90 사이입니다. 지금
	앤드류, 우리는 일반적으로 세포 생존력을 최대화하고 싶지만 사람들에게 양면적인 프로세스 능력을 보여주고 싶습니다. 그래서 제가 세포 생존력이 양면적인 처리 능력을 발휘할 것이라고 말한 것입니다. 청중 중 누군가는 이렇게 말할 것입니다.
	세포 생존력을 극대화하고 싶지 않으신가요? 여기서 우리가 원하는 것은 그들에게 양면적인 것을 보여주는 것입니다.
	좋아요, 그리고 우리도 a...그래, 자, 그럼... ???를 가지겠습니다. 이는 우리가 35 미만으로 유지하려는 제품별입니다. 지금은 제품별로 올려 놓았습니다만, 생각해 보면
	유전자 및 세포 치료 분야에서 이것은 엔독신과 같은 것일 수 있습니다. 우리는 내독성 비율이나 일종의 내독소를 최소화하고 싶습니다. 알겠습니다. 좋아요, 이제 예, 맞습니다. 그게... 그게 바로 거기에 설정된 데이터입니다, 앤드류, 알았습니다.
앤드류 칼	고마워요, 브래디. 또한 여기에서 모델 스크립트의 첫 번째...첫 번째 패스를 보낸 것을 봤습니다.
	그리고 저는 그것을 보고 있었는데... 당신은... 당신이 디자인한 다음 세 가지 요소에 대한 RSM에 대한 연구를 실행했습니다. 시간, 온도, pH가 있습니다.
	그리고 여기서 제가 알아차린 것은 정말 많은 소음이 보인다는 것입니다. 이러한 요인과 귀하의 반응 사이에는 큰 연관성이 없습니다. 그리고 실제로 제가 이 기능을 켜면
	분산 분석 테이블,
	아무것도 없다는 것을 알 수 있습니다...여기에는 신호가 많지 않으므로 예측할 수 있는 것도 많지 않으며 중요하지 않은 효과를 제거하여 역방향 선택으로 모델을 줄이려고 해도
	난 그냥 아무것도 볼 수 없습니다. 그래서 제가 묻고 싶었던 한 가지는 이것을 실행할 때 이 세 가지 요소와 함께 달라질 수 있는 다른 것이 있는지입니다....
히스 러싱	아냐 아냐 아냐 난 모든 걸 통제했어
	내 과정. 이제 나는 당신에게 그 사실을 말하고 싶습니다 ...
	우리는 이것을 다른 기증자에게 실행해야 했기 때문에 할 수 없었습니다... 한 기증자에게 24가지 실험을 모두 실행할 수는 없었습니다. 그래서 제가 해야 했던 일은 다른 기증자에게 실행해야 한다는 것이었습니다. 다른 기증자를 대상으로 하는 경우 실제로 문제가 될까요?
앤드류 칼	이제 알겠습니다. 숨겨진 열입니다. 숨기겠습니다.
히스 러싱	그래, 난 그냥...그랬어...정말 내가 한 일은 앤드류, 그 기증자는 우리 목적을 위해 녹음한 것뿐인데 어떻게 처리해야 할지 잘 몰랐어요.
앤드류 칼	좋습니다. 이것에 대해 간단히 살펴보겠습니다.
	그리고 이를 모델에 포함시켜 보겠습니다.
	...으로
	차단 효과로. 우와.
히스 러싱	그래서 조금 달라 보이는데요.
앤드류 칼	예, 그리고 이것을 모델 대화에 넣기 위해 여기서 한 모든 것은 여기에 구성 모델 효과 아래에 기증자를 추가했기 때문에 여기에 추가 효과로 추가되고 이제 우리는 기증자가 세포 생존에 중요하다는 것을 알 수 있습니다. 이제 제품별로 살펴보겠습니다.
	그리고 제품별로도 기증자가 정말 중요해요. 그리고 그것이 중요할 뿐만 아니라, 우리가 그것을 포함하고 그 가변성을 설명할 때,
	이제 우리는 몇 가지 중요한 효과가 있음을 알 수 있습니다. 여기서 부산물에 대한 적어도 하나는 pH입니다. 그리고 여기에 몇 가지...몇 가지 중요한 효과가 있습니다.
	세포 생존력. 이제 아시나요? 이것을 만들 때 맞춤 디자인에 포함시켰나요? 거기에 기증자 요소를 포함시켰나요?
히스 러싱	저는 그랬습니다. 우리가 이 일을 처음 시작했을 때 저는 정말 이해하지 못했습니다. 우리는 그것을 디자인에 포함시키지 않았습니다.
	여러분이 이것을 기억하실지 모르겠지만, 그것은 몇 달 전의 일입니다. 제 생각에는 제가 그 얘기를 전에 꺼낸 것 같습니다.
	그리고 당신은 실제로 저를 도와주었습니다. 그래서 당신이 한 일은, 예, 저기 있습니다, 저기 있습니다.
	이것이 바로 우리가 오래 전에 했던 일입니다. 나는 이것에 대한 분석을 수행하는 방법을 정말로 이해하지 못했지만 다음과 같습니다.
	우리가 그것을 미리 디자인하고 싶다는 것이 합리적입니다. 당신이 나에게 그런 말을 했던 기억이 나네요. 당신은 방금 이렇게 말했습니다.
	이봐요, 또 무엇이 달라질 수 있나요? 그리고 저는 당연히 기부자 간 변동성이 있을 것이라고 말했고 당신은 먼저 그것을 설계하자고 말했습니다. 우리가 끝내자면...
	디자인에서 이를 고려했는지 확인하기 위해 디자인은 기증자 수와 기증자당 실행 횟수에 따라 결정될 수 있기 때문입니다.
앤드류 칼	좋아요, 그렇게 해주셔서 정말 다행이에요. 왜냐하면 그렇게 하면
	여기 모델에 내장된 이러한 요소, 이 RSM 및 이 기증자의 세 가지 요소 사이에 별칭 또는 혼동이 있습니다. 예를 들어,
	기증자 중 한 명에게는 높은 pH를 모두 실행하고 다른 기증자에게는 낮은 pH를 모두 실행하지 않을 것입니다. 이러한 요소는 전체적으로 균형을 이룰 것입니다. 정말 훌륭하네요.
	여기에 몇 가지 다른 질문이 있습니다. 그러면 이 기증자들은 귀하의 과정을 진행하면서 이 4명의 개인만을 기증자로 사용할 것입니까, 아니면 다른 기증자가 여기에 오도록 하시겠습니까?
히스 러싱	맙소사, 아니. 저는, 아시다시피...그래서 우리가 앞으로 나아가고 이것을 가져올 때...이 치료법을 환자들에게
	음, 건강한 기증자가 엄청나게 많이 나올 거라는 거죠. 그렇죠. 내 말은...그들을 건강한 기증자라고 부르겠습니다. 왜냐하면 당연히 우리는 이 세포를 환자에게 삽입할 것이기 때문입니다.
	그러니까 그건 단지, 아시다시피, 제가 세포 은행에서 선택한 4개에 불과합니다. 그리고 제 생각에는 당신이 이전에 언제 그렇게 하라고 말씀하셨던 것 같습니다.
	우리가 이 일을 처음 시작했을 때...오래 전 일이라고 하셨는데, 아시다시피, 기증자가 여러 명이라면 우리는 그렇게 하지 않도록 해야 한다고 말씀하셨습니다. 가지고 있지 않다
	아시다시피, 많은 수의 기증자가 있지만, 당신이 알고 있다고 말했지요. 당신이 했던 기증자를 무작위로 선택하는 뭔가를 해보세요. 그래서 우리가 한 일은 무작위로 일부 기증자를 선택하고 4명의 기증자를 확보한 것입니다.
	하지만 당신 말이 맞아요. 앞으로 우리는 단지 네 명의 기증자를 갖게 될 것이 아니며, 나는 그 네 명에 대해서만 결론을 내리고 싶지 않습니다. 나는 우리가 가질 수 있는 모든 기증자에 대해 결론을 내릴 수 있기를 원합니다, Andrew.
앤드류 칼	좋아요. 여기서 우리가 고려하고 싶은 한 가지는 이것을 볼 때, 이것이 제가 방금 보여드린 것입니다. 아시다시피, 이것은...
	이것은 축소된 모델입니다.
	우리는 역방향 선택을 통해 미미한 효과를 제거했습니다. 기증자를 고정 효과로 포함하는 대신 무작위 효과로 포함하는 것이 우리가 할 수 있는 또 다른 방법입니다. 그리고 우리가 그렇게 하고 싶은 이유
	...여기서 그래프 빌더를 불러와 보여드리겠습니다. 여기 세포 생존율과 부산물이 있습니다. 따라서 세포 생존율은 왼쪽에 있습니다.
	그리고 각 색상은 서로 다른 기증자이며 이는 실험 결과에서 나온 것입니다. 이제 고정 효과 모델이 사용됩니다...추정만 가능합니다.
	하나의 분산 구성요소가 오류 또는 잔차 분산 구성요소이고 이것이 각각의 개별 분포 내에서 볼 수 있는 것입니다.
	그런 다음 그것이 일정하다고 가정하고 동일할 것이므로 추정치를 도출하기 위해 이들을 함께 모을 것입니다.
	고정 효과를 사용하기 위해 각 분포의 평균을 사용하여 세포 생존율에 평균 변화가 있고 부산물에 평균 변화가 있다고 말할 것입니다.
	그러나 여기서 고려되지 않은 것은 우리가 여기서 볼 수 있는 분포 간의 변동성이 무엇인지입니다. 예를 들어 녹색은 기증자 3의 왼쪽 끝까지 세포 생존 가능성을 나타냅니다.
	그리고 이 보라색이 오른쪽 끝까지 쭉 가네요. 그래서 당신이 얻는 기증자에 따라 이러한 가변성이 있습니다. 그래서 만약 당신이 노력하고 있다면
	신뢰 구간을 구축하거나 모수 추정치에 대한 표준 오류를 얻으려고 합니다.
	추가 변동성의 원인을 고려하지 않으면 누락된 정보가 있습니다. 이것이 바로 사용의 장점입니다...이것을 무작위 효과로 취급하는 것입니다.
	기증자가 4명이므로 여기서는 이것이 가능합니다. 기증자가 두 명뿐이라면 할 수 있는 일이 아닙니다.
	세 번째는 여러분이 할 수 있는 일의 경계에 있습니다. 실제로 여러분이 하고 있는 일은 기증자 전체의 수에 대한 추가 변형 구성 요소를 추정하는 것이기 때문입니다. 따라서 이 경우 이제 추가 변형 구성요소가 있습니다.
	기본적으로 표본 크기는 4개이므로 여기서는 실현 가능한 것이 있습니다. 그것이 어떤 모습일지 살펴보겠습니다.
히스 러싱	앤드류, 질문 하나 해도 될까요? 그 얘기를 한 번 더 말씀해 주시겠어요? 그랬던 것 같은데...정말 마음에 드네요....
앤드류 칼	응, 응.
히스 러싱	이에 대해 간단히 질문 하나만 해도 될까요? 당신이 할 때마다... 당신이 이것을 할 때마다, 그리고 저는 기증자 간 변동성을 고려하지 않았습니다. 그것은...무슨 일을 하게 될까요? 내 말은, 그것들을 모두 모아서 하나의 큰 배포판처럼 만드는 것과 같을까요?
앤드류 칼	글쎄, 우리는 이것에 대해 더 잘 볼 수 있을 것입니다. 대답해 보겠습니다.
	우리가 겪어가는 동안
	모니터 보고서는 둘 다이지만
	그것이 할 일은 앞으로의 예측을 위한 것입니다.
	고정 효과 모델은 (여기서 십자선을 켜겠습니다) 고정 효과 모델은 다음과 같이 말할 것입니다. 음, 이 4명의 기증자는 평균
	80. 그리고 그것이 할 일은 이것의 너비가 무엇이든 사용할 것입니다. 표준을 계산할 수 있다고 가정
	이들 중 하나에 대한 편차는 개별적으로 발생하며 약 80을 중심으로 하는 기증자 내 변동성을 사용하여만 볼 수 있는 변이의 양으로 분포를 갖게 됩니다.
	무작위 효과 모델이 할 일은...추가 세포 생존 가능성 결과를 예측할 때, 말하자면,
	우리는 내부에서 표본을 추출할 뿐만 아니라 여기에 이러한 가변성 영역이 있는지 뿐만 아니라 인구와 비슷한 기증자를 무작위로 선택할 것입니다...
	이 네 사람과 같은 인구에서 왔습니다. 따라서 평균은 실제로 80이 아닐 수도 있습니다. 평균은 여기 아래 75에 가까울 수도 있습니다.
	여기에서는 82에 더 가깝고 추가 변동성의 원인이 구축될 곳입니다.
	반드시 평균에 대한 추정은 아니지만 변형은 신뢰 구간과 예측 구간에 대해 추정하므로 추가 변동성을 반영하기 위해 범위가 더 넓어질 것입니다.
	그렇지 않으면... 예측과 그 간격이 얼마나 넓은지에 대해 과신하게 될 것입니다.
히스 러싱	저는 놀라움을 좋아하지 않아서 꽤 도움이 됐어요.
앤드류 칼	네, 그렇다면 한번 살펴보시면 좋을 것 같습니다.
	그럼 이것들을 가져오겠습니다.
	여기 왼쪽에서 우리는 이미 이것을 살펴보았습니다. 여기에 포함된 기증자가 고정 효과이고 오른쪽에는 기증자가 있습니다.
	무작위 효과. 이제 이것을 맞추기 위해 제가 한 유일한 일은 일부 모델 대화를 상기시키기 위해 여기서 하고 있는 모든 것은 이것을 무작위 효과로 변경하는 것입니다.
	그런 다음 이것을 실행합니다.
	좋아요, 이것이 제가 여기 오른쪽에 있는 것입니다.
	그래서 강조할 몇 가지 사항이 있습니다. 따라서 우선 기증자가 더 이상 효과 요약에 나열되지 않으며 모수 추정치에도 표시되지 않는다는 것을 알 수 있습니다. 이는 이제 모델에 다르게 구축되었기 때문입니다. 더 이상 고정된 효과가 아닙니다.
	여러분이 보게 될 또 다른 몇 가지 사실은 예측에 의해 실제와 큰 차이가 있다는 것입니다. 따라서 이것은 실제로 고정 효과 모델에 더 좋아 보입니다.
	언뜻 보기에 무작위 효과 모델보다 더 나은 결과를 얻었고, 조인트 프로파일러까지 스크롤하면
	우리는 이 수직 축이 둘 사이에서 동일하다는 것을 알 수 있으며, 훨씬 더 넓은 신뢰 구간을 볼 수 있습니다.
	무작위 효과 모델을 사용하면 약간 이상할 수 있습니다. 하지만 왜 그런 경우인지 알아보려면 조금 더 깊이 파고들어 볼 필요가 있습니다.
	그 예로 여기 아래에 있는 제품별 예측 표현식을 살펴보겠습니다. 그리고 제품별로 이 두 가지의 모수 추정치를 살펴보면,
	우리는 ...
	따라서 pH는 우리의 유일한 중요한 효과이며 두 모델 모두에서 중요한 효과이며 고정 효과 모델의 공여체입니다. 예측 표현식에서...
	무작위의 경우...고정 효과 모델의 경우 예측 표현은 기증자가 누구인지에 따라 달라집니다. 따라서 예측 표현식을 작성하려면 pH 정보를 포함시킨 다음
	우리는 또한 어떤 기증자에 대한 정보도 가지고 있습니다. 우리는 여기서 기증자를 관리하고 있습니다. 그러면 else=> 0이 표시됩니다. 그건 일종의
	휴리스틱 솔루션. 고정 효과 모델에 실제로 내장되어 있지는 않지만 새로운 기증자라면 0이라고 가정할 뿐입니다. 기증자의 효과는 없습니다.
	그리고 새로운 기증자에 대한 일반화는 실제로 고정 효과 모델에 내장되어 있지 않습니다. 보시다시피 무작위 효과 모델에 조금 더 내장되어 있습니다. 이 경우에는 일종의...
	운 좋게도 고정 효과 모델과 무작위 효과 모델 사이의 절편과 기울기에 대한 모수 추정치가 여기에서 동일하다는 것을 알 수 있었습니다. 그런 일이 항상 일어나는 것은 아닙니다.
	주로 여기서는 사용자 정의 디자인의 직교 디자인에 가까워지는 기능입니다.
	하지만 여기에는 플러스 기증자에 대한 정보가 없습니다.
	무작위 효과 모델의 오른쪽에 있는 것은 한계 모델이라고 불리는 혼합 모델입니다. 즉, 기부자에 대한 평균 반응을 제공합니다.
	반면 이 고정 효과 모델의 왼쪽에는 이들 각각에 대해 조건을 적용하는 조건부 모델이 있습니다.
	기증자. 따라서 혼합 모델에 대한 예측 프로파일러에서 조건부 예측을 선택하면 실제로 볼 수 있습니다.
	이제 우리는...
	이는 이제 왼쪽에 보이는 것과 상대적으로 유사하며, 도움이 되는 것은 종속성을 볼 수 있다는 것입니다.
	지금 기증자에요. 이것이 바로...이것이 각 기증자의 반응 표면입니다.
	이는 고정 효과 모델에 대한 예측 프로파일러에 숨겨져 있어 다소 혼란스러울 수도 있습니다.
	숨겨진 이유는 그것이 차단 요소이고 예측 프로파일러에 자동으로 표시되지 않기 때문입니다. 하지만 재설정 요소 그리드를 사용하여 이를 켤 수 있습니다.
	우리는 기증자들에게 보여줄 수 있고, 이제 우리는 이 반응이 이 기증자들에 따라 어떻게 달라지는지 볼 수 있습니다. 이제 우리의 추론이 기증자들을 넘어 일반화되기를 원한다면
	이것이 혼합 모델의 이점이 들어오는 곳입니다. 이제 우리는 개별 기부자에게 의존하는 대신 기부자에 대한 평균을 계산하기 때문입니다. 그리고 마지막으로 보여드리고 싶은 것은
	다시 돌려주세요, 브래디, 왜 이것이 그 사람에게 훨씬 더 나빠 보이는지 설명할 수 없습니다.
	실제로 고정 효과 모델에 대해 예측했습니까? 이는 기부자들을 통제하는 이점이 있기 때문입니다.
	여기서 이러한 예측 표현식을 사용합니다. 그래서 그로부터 소음이 제거된 반면, 이것은 기증자를 통제하지 않고 제가 예측한 실제 결과를 제공합니다. JMP Pro가 있다면 다음을 살펴보세요.
	같은 모델.
	표준 최소 제곱 대신 혼합 모델로 전환하면 두 가지 플롯이 모두 제공됩니다.
	표준 최소제곱. 하지만 그 뒤에서, 당신이 그것을 통제한다면
	무작위 효과...무작위 효과 예측을 통해 우리는 기본적으로 적합...고정 효과 모델과 동일한 것을 얻습니다. 따라서 고정 효과 모델이 더 낫다는 것이 아니라 단지 이 둘 사이의 조건부 모델과 한계 모델을 보여주는 것뿐입니다.
히스 러싱	좋아요.
	그럼 두 가지를 살펴보겠습니다. 첫째, 고정 블록의 재설정 요소 그리드를 보여주셔서 감사합니다. 판단하거나 아무것도하지 마세요. 하지만 난 그냥...난 그냥
	그냥 과학자일 뿐이에요. 저는 JMP...JMP 전문가가 아니기 때문에 그것이 거기에 있는지조차 몰랐습니다. 정말 대단합니다.
	두 번째는 제가 이 접근 방식을 정말 좋아한다는 것입니다. 나는 이것을 무작위로 사용하는 것을 정말로 좋아합니다 ??? 효과가 있다고 생각합니다. 특히 다음에 정말 해야 할 일은...실제로 제가 다음에 해야 할 일은 프로세스 능력을 평가해야 한다는 것입니다.
	그리고 사실 제가 알고 싶은 것은...
	이 두 가지 모두에 관한 것입니다. 그렇습니다. 우리는 그들에 대한 사양을 가지고 있습니다.
	제가 앞으로 나아갈 때 제조 시설을 제공해야 하고 제 시설은 프로세스 능력 측면에서 우리가 기대하는 것입니다. 사양에서 몇 퍼센트나 벗어나는지, CPK 같은 것 말이죠. 그 일을 도와주실 수 있나요?
앤드류 칼	예, 그리고 여기에 이미 로드되어 있는 열 속성으로 사양 제한에 대한 사양을 입력하는 것이 좋습니다. 이제 우리는 그것을 얻었습니다 ...
	그 정보, 이제 앞으로 우리는... 이 과정을 반복하면서 더 많은 기증자를 얻게 되고, 다양한 요인 설정에 따라 새로운 관찰 결과 중 몇 퍼센트가 될지 지켜볼 것입니다. 해당 사양 제한을 벗어나나요?
	따라서 우리는 예측 프로파일러로 가서 여기에서 시뮬레이터를 사용하여 우리를 도와줄 것입니다. 그리고
	제가 언급하고 싶었던 것... 아까 말씀드렸어야 했는데, 이러한 추가... 신뢰 구간의 추가 너비는 기증자를 통제하기 때문에 여기서 더 작다는 사실에서 비롯됩니다.
	그런데 이 추가적인 변동성은 어디서 오는 걸까요?
	그리고 그것은 여기 이 REML 테이블에서 나오므로 이제 우리는 앞서 언급한 두 가지 분산 구성 요소를 얻습니다. 따라서 여기서는 잔차 분산이라고 하는 오류 분산을 얻습니다.
	그리고 우리는 또한 기증자 간 변동성인 분산도 얻습니다. 그리고 부산물에 대한 이 경우 변동성의 93%가 기증자 간 변동입니다. 그게 들리나요?
히스 러싱	응, 응. 그리고 실제로 제가 전에 말했듯이... 그 전에도 저는 이런 대화를 나눴습니다.
	제가 방금 말했듯이, 당신이 저에게 물을 때마다 우리가 차단해야 하는 다른 것을 사용할 건가요?라고 말했고 저는 이렇게 말했습니다. 제 생각에 우리는...많은 기부자를 보게 될 것입니다. 기증자 변동성, 그래서 그것은 전혀 놀랍지 않습니다.
앤드류 칼	좋아요, 여기서 제가 지적하려는 한 가지는 이것이 고정 효과 모델에 약간 숨겨져 있다는 것입니다. 그러나 여기에서 오류 변동성을 보려면 ANOVA 테이블을 보면 됩니다.
	그리고 평균 제곱 오차를 보면 이것이 오류 변동성, 잔차 변동성이므로 부산물의 경우 .8477입니다.
	여기에서 혼합 모델의 제품별 제품을 살펴보면 .847이 표시됩니다. 그리고 그것들은 그렇지 않습니다. 두 모델 모두의 잔여 변동성이 있기 때문에 그것들이 가까운 이유는 다음과 같습니다.
	기본적으로 두 모델 모두에서 동일한 수량을 추정합니다. 하지만...이 모델, 즉 혼합 모델은 기증자에 대한 추가 분산 구성요소를 제공하며 이는 이 프로세스 특성에 도움이 될 것입니다...
	당신이 요구하는 능력 분석. 그럼 아래로 내려가서 살펴보겠습니다. 그렇다면 어떻게...우리가 그 시대에 무엇을 할 수 있을까요?
	고정 효과 모델?
	글쎄요, 다시 말하지만, 우리는...당신이 다른 기증자를 얻게 될 것이고, 그래서 당신의 가치가 바뀔 수 있다는 것을 알고 있습니다. 따라서 시뮬레이터를 켜면 실제로 여기서 유일한 옵션은
	그리고 기증자가 한 명 이상...몇 명 이상인 경우에도 끔찍한 근사치는 아니지만 이것을 살펴보겠습니다. 따라서 무작위 노이즈 추가 기능을 켜고 여기에서 이를 살펴보겠습니다.
	이 값은 MSE의 제곱근에서 나온 것이므로 이것이 분산이고 이 .8477의 제곱근이 오류 변동성의 표준 편차가 됩니다.
	따라서 REML 테이블에서는 기본적으로 켜져 있지 않지만 마우스 오른쪽 버튼을 클릭하고 열 제곱근 분산 구성 요소를 켜면 이제 여기서 볼 수 있습니다.
히스 러싱	또 다른 트릭. 감사합니다.
앤드류 칼	응.
	.92도 마찬가지입니다...이 .92가 나오는 이유는 이미 모델에서 감지된 오류 가변성을 포함하는 것입니다.
	하지만 지금 시뮬레이션을 하면
	이제 우리는 이 좁은 범위를 얻었지만 이것은 기부자 1, 기부자 2에 대해 시뮬레이션되었으며 평균이 어떻게 위로 이동하여 평균이 위로 이동하는지 확인할 수 있습니다.
	기증자 4를 위해. 여기보다 작은 기부자 3으로 이동하면 아래로 이동하겠습니다.
	따라서 거기에 근접하기 위해 할 수 있는 한 가지는 기증자를 무작위로 설정할 수 있으며 이는 사용 가능한 기증자에 대한 일종의 부트스트랩입니다. 이제 표준편차가 2 대 3까지 올라가는 것을 볼 수 있습니다.
	여기서는 기증자 무작위 효과가 있는 혼합 모델을 살펴보겠습니다. 따라서 잔차 변동성뿐만 아니라 총 변동성이 있습니다.
	기증자를 포함한 가변성도 마찬가지입니다. 그것은 약 3.5입니다. 하지만 그렇게 하면 인위적으로 울퉁불퉁한 시뮬레이션 분포를 얻게 되며 이는 여기에 4명의 기증자만 있는 인공물입니다. 그래서
	최선의 접근 방식은 아니지만 고정 효과 모델을 사용하여 수행할 수 있는 최선의 방법입니다.
	그리고 너무 자세히 설명하지 않고 제가 지적하고 싶은 또 하나의 사실은 귀하의 기증자 추정치입니다.
	고정 효과 모델의 예측은 혼합 모델의 무작위 효과 예측과 매우 유사합니다. 차이점은 혼합 모델의 이러한 분산 비율이 이 분산 비율에 따라 적절하게 축소된다는 것입니다. 그것은
	이러한 추정치의 속성이 줄어들면 좀 더 나은 예측, 기부자 변동성에 대한 좀 더 나은 추정치를 얻을 수 있습니다.
	당신의 기증자 효과. 그래서 나는 그것에 대해 너무 많이 다루지는 않을 것입니다. 그러나 나는 그것들이 꽤 유사하다는 것을 지적하고 싶습니다. 그러나 당신이 직접 볼 필요가 있는 경우를 대비해 약간의 차이가 있습니다.
	하지만 이제 여기서 무작위 기증자 효과를 사용하여 모델에서 이를 수행할 수 있는 방법은 시뮬레이터를 켤 수 있다는 것입니다.
히스 러싱	좋아요.
앤드류 칼	올바른 방법을 보여드리기 전에 주의할 점은 여기에서 조건부 예측을 켜고 노이즈를 추가하려고 하면
	그리고 이제 노이즈는 다음과 같이 설정되었습니다. 여기 고정 모델에서 본 것과 꽤 유사합니다. 하지만 이는 현재 잔여 변동성을 포함하여 현재에만 해당됩니다.
	하지만 이 조건부 프로파일러를 사용하여 이 작업을 수행하려고 하면...
	그래서 나는...기증자 3으로 변경하고, 기증자를 변경했는지 확인합니다. 이것은 위아래로 이동하지 않으므로...거기서 동일한 효과를 시도하지 마십시오. 여기에는 조건부 예측과 시뮬레이터와 관련하여 뭔가가 진행되고 있습니다. 그래서
	조건부 예측을 시뮬레이션하지 마세요. 우리는 다음에서 시뮬레이션하고 싶습니다.
	해당 옵션은 기본적으로 꺼져 있습니다.
	하지만 이제 더 넓은 신뢰 구간에 비해 여기에는 좁은 분포가 있다는 것을 알 수 있습니다.
	그 이유는 이 기본 표준 편차가 우리가 사용하려는 올바른 표준 편차가 아니기 때문입니다. 우리는 여기 REML 테이블을 사용하고 싶습니다...그리고 우리는 기증자 내의 가변성을 원하는 것이 아니라 전체 가변성을 원합니다.
	따라서 전체 변동성 표준편차는 3.53입니다.
히스 러싱	좋아요.
앤드류 칼	제품별로는 해당 REML 테이블을 사용하여 이를 변경하려고 합니다.
	그리고 아까 제가 컨트롤을 못해서 방송을 하게 됐는데 이걸 추가하겠습니다.
	다시 제곱근 분산 성분; 여기야, 3.16.
	이제 그렇게 하고 시뮬레이션하면 알 수 있습니다.
	나는 이 더 넓은 분포를 얻습니다.
	응, 그럴 거야
	동일한 모집단의 추가 기증자를 통해 앞으로 보게 될 상황을 더 잘 반영하고 결함률에 대한 더 나은 추정치를 제공합니다.
	이제 이것을 여기 보이는 울퉁불퉁한 분포, 인위적으로 울퉁불퉁한 분포와 비교할 수 있습니다.
	고정 모델에서. 이제 1,000명의 기부자가 있다면 당연히 예산이 없을 것입니다. 하지만 그렇게 했다면 이러한 분포는 서로 비슷할 것이며 표준 편차가 그리 크게 다르지 않다는 것을 알 수 있습니다. 둘 다 3.1과 3.5에 가까워지고 있습니다.
히스 러싱	네, 제 생각에는... 무작위 효과 모델이 우리가 실제로 기대했던 것 같아요.
	네, 그게 바로 우리가 기대하는 바입니다. 특히 기부자가 많은 경우에는 더욱 그렇습니다. 알았어, 알았어.
앤드류 칼	그리고 이제 당신이 이것들을 가지고 있다는 것을 알았습니다...이것들은 모두 고쳐졌습니다. 공정 능력 분석을 위해 그렇게 하시겠습니까?
	보시다시피, 기증자로부터의 변동성과 오류 변동성만 얻은 다음 이를 수정했습니까?
히스 러싱	아시다시피, 그것이 전통적으로 우리가 하는 방식입니다. 우리는 그것을 해왔습니다. 하지만 제가 다루고 싶은 두 가지 사항이 있습니다.
	하나는 정상 작동 범위라고 하는데 이에 대한 예가 있는지 살펴보겠습니다. 하지만 실제로 정상적인 작동 범위는 다음과 같습니다.
	시간 같은 것을 본다면 그렇죠? 시간은 우리가 고칠 수 있는 것입니다. 5.5에서 수정하고 싶다고 가정해 보겠습니다. 5.5를 입력하고 진행되면 5.5시간부터 진행된 다음 중지됩니다.
	하지만 온도와 pH는 그런 것이 아닙니다. 온도를 0으로 설정하면
	약 27.45 또는 일부 설정 지점에서 수행할 작업은 ???와 같은 주변에 자연적인 변동성을 갖게 될 것입니다. 능력,
	아니면 그냥 바이오제약이죠. 그렇다면 온도는 고정되지 않을 것입니다. 그러면 프로세스 능력 측면에서 이를 설명할 수 있을까요?
	정상 작동 범위
	???
앤드류 칼	좋습니다. 역사적으로 얼마나 다양한지 아시나요? 무엇이 표준이 될 수 있나요? 왜냐하면 JMP에서 우리가 할 수 있는 것은 이것을 고정된 무작위로 설정할 수 있다는 것입니다.
	그리고 우리는 괜찮다고 말할 수 있습니다.
	27.45.
	그리고 여러분에게 어떤 아이디어가 있고 pH에 대해서도 그렇게 할 수 있습니다. 그리고 그것이 무엇인지 안다면...합리적인 종류의 표준 편차가 무엇인지, 이것이 얼마나 다양한지 알 수 있습니다.
히스 러싱	네, 그렇죠. 그렇죠. 저는 과거에 수행한 몇 가지 작업에 대한 데이터 분석을 수행했는데, 아시다시피, 그런 것을 보면 분포처럼 보인다고 말하고 싶습니다. 95 % 그 시간의.
	어디 보자, 맙소사, 플러스 마이너스 1 사이에 있어야 하므로 표준 편차는 0.5가 될 것입니다.
	임시 직원을 위해. 좋아요, 그리고 pH는... pH를 6.54로 설정하면 그 사이가 될 것이고, 6.5를 보내면 비슷할지도 모르겠네요...
	알잖아,
	표준편차는 .1이겠죠. 알겠습니다.
	그리고 내 생각에 우리의 설정 포인트는...
	제 생각에는 온도에 대한 설정값이 어땠나요? 그게 온도 27.45와 6.54였나요?
	6.5, 내 생각에는 6.5인 것 같다.
히스 루징	어디 보자 ...
히스 러싱	20...그렇습니다 6.5. 6.5이고 온도는 27.5입니다. 그것이 바로 그것이다. 우리는 거기에 갈. 응, 응, 응, 응. 그게 바로 내가 말하는 거야, 앤드류. 이를 정상 작동 범위라고 하며 프로세스 능력 추정 측면에서 이를 설명하고 싶습니다.
앤드류 칼	자, 이제 해당 설정을 활성화했으므로 기증자에 대한 총 가변성과 오류 가변성이 있습니다.
	이제...시뮬레이트하면 추가 변동성을 얻을 수 있습니다.
	이는 요소의 변동성에 의해 발생하며 결함률에 반영된 것을 볼 수 있습니다.
	그리고 또한,
히스 러싱	여기서도 지적하고 싶은 것은,
앤드류 칼	또한 실행하는 데 시간이 오래 걸리지 않으므로 실행 횟수를 늘릴 수도 있습니다.
	더 나은 견적을 얻으려면. 여기에서 시뮬레이션을 통해 보다 매끄러운 분포를 얻는 방법을 확인할 수도 있습니다.
	그런 다음 이러한 값을 테이블로 시뮬레이션할 수 있습니다. 이제 각 시뮬레이션에 대해 다른 행을 얻고 해당 시뮬레이터 설정에서 예측된 세포 생존 가능성과 제품별을 볼 수 있으며 다음을 사용하여 추가 분석을 수행할 수 있습니다. 이것,
히스 러싱	예, 그렇다면 당신은 다음과 같은 것을 얻게 될 것입니다
	CPK 맞죠? 내 말은, 그렇게 했다면 그런 식으로 일종의 추정 CPK를 얻을 수 있다는 거죠?
앤드류 칼	네, 네 같이 하면 됩니다.
히스 러싱	알았어, 대단해. 자, 첫 번째는 정상 작동 범위를 계산하는 방법입니다. 그런데 한 가지가 더 있습니다 ??? 내가 다루고 싶은 프로세스 능력. 알잖아, 그럴 필요는 없어
	그러나 우리는 검증된 허용 범위를 살펴보고 싶습니다. 그리고 이것이 입증된 허용 범위입니다.
	내가 설정한 온도와 pH를 말하고 변화를 허용하지 않으면 다음과 같이 말합니다.
	하지만 낮은 설정과 높은 설정 사이에 시간이 다를 수 있도록 허용하며, 이 정도일 수도 있고 이 정도일 수도 있습니다.
	높은 설정, 내가 기대하는 바는 무엇입니까? 내 프로세스 능력은 어떻습니까? 그리고 실제로 우리가 하고 있는 일은 이 중 두 개가 설정값이고 그 중 하나가 변하는 경우 허용 가능한 프로세스 능력을 알고 있다는 것을 증명하려고 노력하는 것입니다. 그렇다면 이 문제를 어떻게 해결할까요?
앤드류 칼	좋아요, 시간과...온도와 pH가 설정점에 있다고 말씀하셨죠.
히스 러싱	맞습니다.
앤드류 칼	그리고 시간이 지나면 달라질 수 있습니다.
	그래서 우리가 할 일은 Normal이라고 말하는 대신에 이것을 균일하게 설정하는 것입니다.
	그리고 이것은 현재 실험의 낮은 설정과 높은 설정인 1.9에서 9.1입니다.
	필요에 따라 변경할 수도 있지만 그게...
	내가 들은 게 맞나요? 뭔데...
히스 러싱	그게 그거였어...그게 바로 그거였어...
	그것이 바로 그것이다. 그래서 만약 내가... 내가 그런 짓을 했다면... 그리고 정말, 정말...
	이 경우에는 이를 변경할 수도 있나요? 실험에서 말한 대로라고 말할 수 있을까요? 하지만 입증된 허용 가능한 범위가 2에서 9 사이인지 알고 싶습니다. 제 말은... 어떤 식으로든 변경할 수 있나요?
	응, 그럴 수 있어. 알았어 나도 그건 모르겠어
	예, 따라서 이를 변경하고 시뮬레이션할 수도 있습니다. 이를 입증된 허용 범위라고 합니다. 알겠습니다.
	우리는 그 두 가지를 고치고 있습니다. 그래서 우리가 할 일은, 이것을 보여주셔서 감사합니다. 하지만, 얘야, 나는 이것을 스스로 시도해 볼 것이고, 내가 할 일은 이것들 각각에 대해 그렇게 할 것입니다. 그렇죠, 나는 그렇게 할 것입니다 시간을 위해 그렇게 할 것이고 온도를 위해 그렇게 할 것입니다.
	pH에 대한 것입니다. 그리고 우리가 수용 가능한 프로세스 능력을 갖추고 있는지 확인하기 위해서입니다.
앤드류 칼	좋습니다. 좋은 점은 여기서 하는 일이 정말 쉽다는 것입니다.
히스 러싱	한 가지만 더 보여주시겠어요? 그냥, 네, 바로 거기서 하세요. 25에서 30 사이, 유니폼은 25에서 30 사이, 25에서 30 사이입니다. 좋아요, 그것을 테이블로 시뮬레이션할 수 있나요?
	표를 만들고 그냥 보세요...저는...그냥 세포 생존율 분포와 제품별만 보세요.
	아 맞다. 이는 해당 프로세스 기능을 제공합니다. 나는 그것을 좋아한다.
앤드류 칼	왜냐하면 당신은 당신이 저장한 일에 투입되기 때문입니다.
	이는 해당 사양 제한에 대한 열 속성입니다.
히스 러싱	그건... 참 쉽죠. 알았어 알았어, 고마워. 내 생각엔...내가 당신에게 물어보고 싶었던 유일한 것은...그리고 당신에게 또 다른 데이터 세트를 보냈다는 것입니다.
	우리가 보고 있는 곳,
	아시다시피, 소규모와 대규모의 비교 가능성을 비교하는 거죠. 그리고 실제로 우리가 비교 가능성을 통해 하려는 것은 무엇입니까?
	즉, 소규모 실행도 있고, 대규모 실행도 있고, CQA(?)의 경우 정확히 동일하지는 않지만 범위 내에 있음을 보여주고 싶습니다. 아시다시피, 일종의...
	어떤 종류의 한계, 그렇죠, 어떤 종류의 실질적인 의미가 있고, 이것을 비교가능성과 동등하다고 부릅니다. 나는 당신이 그것이 무엇인지 알고 있다는 것을 알고 있습니다. 하지만 기증자 간 변동성을 어떻게 설명할 수 있습니까?
앤드류 칼	응, 응, 그리고 그걸 봤어. 그리고 나도 그렇게 봤는데...
	우선, 이전 데이터 세트에서 살펴본 것처럼 해당 기증자 정보를 포함하지 않으면 어떤 일이 발생하는지 살펴보겠습니다.
	좋아요, 그러면 세포 생존 가능성에 대해 기준 2인 EAC 등가물을 사용하고 있다고 말씀하셨는데요.
	그리고 우리가 여기서 보는 것은
	최대 P-값은...우리는 귀무가설을 기각하지 않습니다. 이는 이 경우 동등성을 탐지하지 못한다는 것을 의미합니다.
	이는 실제로 동등한 프로세스라고 생각하는 우리의 기대와 일치하지 않습니다.
	그래서 무슨 일이 일어나고 있는지는... 기부자들의 소음 속에서 정보가 사라지고 있다는 것입니다.
	그리고 마치....
히스 러싱	볼 때마다...한 번만 위로 스크롤하세요.
	두 번째, 잠깐만... 알겠습니다. 내가 볼. 나는 그래프에서 나에게 차이를 보여주는 점을 봅니다.
	마이너스 .49
	그래프를 보면, 그게 그렇게 크지는 않지만 정말, 정말 넓어 보이는데요.
	좋아요.
앤드류 칼	이는 신뢰 구간의 너비에 대한 추정치에 추가 변동성이 발생하기 때문입니다.
	왜냐하면 차단은 추정치에서 변동성을 없애기 때문입니다.
	계정...
히스 러싱	좋아요.
앤드류 칼	이것이 바로 여기서 일어나는 일입니다. 따라서 두 경우 모두 대규모 규모와 소규모 규모 간의 동등성을 감지하지 못합니다.
	세포 생존 가능성이나 부산물에 대한 것입니다. 여기에서 이 보고서에 많은 내용이 포함되어 있음을 알 수 있습니다. 이것을 설정하는 것은 꽤 많은 작업이 소요됩니다. 여기서 한 가지를 더 보여드린 후에 그 내용을 보여드리겠습니다. 지금 보여주고 싶은 것은 기증자 효과를 무작위 효과로 포함했다는 것입니다.
	그리고 이제 당신은 볼 수 있습니다
	우리는 작은 P 값을 거부합니다. 이는 실제로 세포 생존 가능성에 대한 EAC 2와 현재 최대 P 값에 대해 동등성을 결론짓고 있다는 것을 의미합니다.
히스 러싱	세.
앤드류 칼	3인용 EAC의 경우
	제품별. 그리고 우리가 이것을 설정하는 방법은 당신이 가야 한다는 것을 알기 때문에 이것을 보여 드리겠습니다. 잠시 후에 다른 회의로 이동해야 합니다.
	규모가 있고 지금은 세포 생존 가능성에 대해서만 다루겠습니다. 이것이 기증자 효과 없이 테스트를 설정하는 방법이지만, 기증자를 추가하면 이제 무작위 효과로 저장할 수 있습니다.
	모델을 실행합니다.
	그리고 추정, 다중 비교로 이동합니다.
	모두 쌍으로. 학생 T. 좋아요, 그리고 여기서부터는
	동등성 테스트.
	네, EAC 2를 사용하세요.
히스 러싱	응.
	그런 다음 신뢰 구간부터 두 P 값까지 보여줍니다.
	신뢰구간에서도 보여줍니다.
	내 좋은 친구, 크리스? 그의 박사 과정에서 간격을 연구했기 때문에 그와 나는 그것을 정말 좋아합니다 ...
	사랑의 간격. 그는 우리가 스키를 탈 때 항상 그것에 대해 이야기하지만, 그것은 95% 하한 및 상한 신뢰 구간을 말하는 것이며, 그것도 그것과 비교할 것입니다.
	응, 그게 다야.
앤드류 칼	으으음 그리고.
	우리를 위한 나의 마지막 요점은 무엇이라고 말할 수 있습니까? 좋습니다. 앞서 우리는 기증자가 아닌 기증자에게 고정 효과와 무작위 효과의 이점에 대해 이야기했습니다.
	비교 가능성이 아니라 동등성 테스트가 아니라 매개변수에 대한 테스트일 뿐입니다. 저는 JMP Pro를 사용하여 검정력 분석을 작성했습니다. 왜냐하면 JMP Pro에서 혼합 모형을 구축하면
	혼합 성격에는 저장이라는 멋진 기능이 있는데, 열은 시뮬레이션 공식을 저장합니다. 이제 이...
	여기로 들어가면 혼합 모델을 매우 쉽게 시뮬레이션할 수 있습니다. 설정을 확인하고 변경할 수 있습니다.
	그래서 저는 그렇게 했습니다. 그래서 혼합 모델에서 시뮬레이션한 후 기증자를 고정 효과 또는 무작위 효과로 처리하고, 적어도 제가 실행한 경우에는 어느 것이 더 나은지 알아보기 위해 검정력 분석을 실행했습니다. 여기 상자에서 볼 수 있듯이 더 높은 전력을 얻고 있었습니다. 나에게는 다음과 같은 힘이 있었다.
	동일한 테스트에서 무작위 기증자 효과의 경우 .62이고...
	고정 효과를 위해. 그리고 둘 다 이에 대한 명목상의 오류율을 유지하고 있었기 때문에 제가 조사하기 시작한 것이었지만 동등성 테스트 내에서도 기증자 효과를 무작위로 처리하는 것이 이점이 있을 수 있는 것처럼 보입니다.
히스 러싱	응, 내 생각엔 앤드류, 우리가 앞으로 나아갈 때,
	아시다시피, 우리는 항상 세포 치료 분야에 있기 때문에 기증자 대 기증자 효과를 항상 가질 것이라고 생각합니다. 가장 확실하게 이것은 우리가 그것을 무작위 블록 효과로 보는 것이 타당하다는 것을 확신시켰습니다.
	따라서 여러분 모두 프로세스 능력과 비교 가능성, 즉 매우 중요한 두 가지를 살펴보는 응용 프로그램을 재미있게 활용하셨기를 바랍니다.
	제약 및 바이오제약 분야에 종사하는 과학자와 엔지니어를 위한 것입니다. 내 생각에 우리가 이야기한 매우 구체적인 응용 프로그램은 매우 중요합니다.
	우리가 현재 유전자 및 세포 치료법이라고 불리는 치료법을 개발하고 있는 혁신적인 방법입니다.
	추론 프로세스 기능과 호환성을 모두 처리할 수 있는 방법 등을 보여줌으로써 몇 가지 가치를 제공했습니다. 그리고 우리는 컨퍼런스에서 이 내용을 다시 발표하고 귀하가 가질 수 있는 질문에 답변할 수 있기를 기대합니다.
앤드류 칼	고마워요, 브래디, 고마워요. 당신의 성을 알지 못했습니다, 브래디. 그게 뭐였지?
	브래디 브래디.
	브래디.
히스 러싱	좋아요, 제 이름은 Brady이고 성은 Brady예요. 그렇죠.
앤드류 칼	좋아요.
히스 러싱	좋아요 예 예 예 당신에게 예 예 예.
앤드류 칼	고마워요, 앤드류. 감사합니다. 네, 모두들 우리와 함께해주셔서 감사합니다.

브레이크아웃암사슴품질과 신뢰성답변: 바이오의약품의 새로운 개척: JMP에서 유전자/세포 치료를 위한 환자/기증자 가변성 모델링(2021-US-30MP-887)

훌륭한 프레젠테이션. 빠르게 성장하는 산업이자 매우 중요한 산업인 세포 및 유전자 치료의 몇 가지 과제를 이해하는 데 정말 유용합니다.

물론 클라이언트에 대해 더 믿을만한 이름을 생각해낼 수도 있었습니다.