Chao Richard Li è Senior Statistical Advisor presso Eli Lilly, dove fornisce supporto statistico e formazione per la produzione di sostanze anticorpali monoclonali. Con quasi 20 anni di esperienza nell'industria farmaceutica, inclusi ruoli precedenti con Merck, Sandoz e Allergan, Richard è un esperto in controllo statistico dei processi, qualificazione delle prestazioni dei processi, convalida continua dei processi, quality by design, progettazione di esperimenti, Lean e Six Sigma , trasferimento di prodotti e processi, tra le altre applicazioni ad ampio raggio della statistica industriale.
Con lo scoppio della pandemia di COVID-19 alla fine del 2019, Richard e i suoi colleghi hanno lavorato instancabilmente all'innovativa terapia con anticorpi monoclonali Bamlanivimab di Eli Lilly, la prima della sua classe ad essere autorizzata per l'uso di emergenza dalla Food and Drug Administration (FDA) statunitense. All'inizio del 2022, la terapia era stata utilizzata per trattare più di 700.000 pazienti COVID-19, prevenendo circa 35.000 ricoveri. "So che ogni azienda farmaceutica afferma di mettere il paziente al primo posto, ma avere veramente quella mentalità e dare priorità a quella passione è incredibilmente significativo", afferma Richard. "[In Eli Lilly] penso che la cultura, la mentalità, tutto messo insieme - mi sento fortunato."
Ho parlato con Richard del suo lavoro sulla produzione di sostanze farmacologiche anticorpali monoclonali, di come l'apprendimento del DOE abbia cambiato il corso della sua carriera e del perché la statistica sia diventata una passione per tutta la vita.
Mega: Capisco che il tuo interesse per le statistiche sia iniziato davvero con DAI . Parlami di questo.
Richard: Ero in un programma di dottorato presso l'Università del Tennessee in ingegneria chimica e la mia ricerca era incentrata sulla simulazione delle molecole, programmando per simulare il movimento molecolare a livello micro e cercando di prevedere il sistema a livello macro. A volte avevo anche bisogno di fare esperimenti per verificare se una simulazione avesse senso, se potesse davvero prevedere le condizioni del sistema in tempo reale. Ma, senza conoscenze statistiche, potevo sperimentare solo un fattore alla volta (OFAT) e generare molti dati! Fu allora che il mio consulente mi suggerì di frequentare alcuni corsi di statistica imparare a utilizzare il design degli esperimenti (DOE) invece.
Una volta che ho iniziato a imparare le statistiche, ho pensato: "Wow". Mi ha aperto la mente! Ho visto che se avessi riprogettato gli esperimenti che avevo fatto prima, avrei potuto risparmiare molto tempo producendo anche molte più informazioni. Quello è la mentalità DOE . Inoltre, mi sono reso conto che con gli stessi dati potevo guardare i dati da diverse angolazioni utilizzando strumenti statistici, come JMP, esplorare diverse ipotesi e ottenere molte, molte più informazioni. Ho detto al mio consulente che volevo prendere un'altra laurea in statistica! Perché la statistica e l'ingegneria chimica sono una combinazione di potere.
Mega: Posso percepire la tua passione per la statistica e sono sicuro che avere esperienza nel settore nel tuo background sia una risorsa non solo per comprendere le sfide scientifiche che vuoi risolvere, ma anche per comunicare le statistiche con gli scienziati.
Richard: Nel mio ruolo attuale presso Eli Lilly, sostengo la produzione di sostanze farmaceutiche monoclonali e ho lavorato a lungo sui nostri trattamenti anticorpali COVID-19. Abbiamo lavorato molto duramente durante l'intera pandemia: non potevamo restare a casa. Dovevamo [lavorare in modo intelligente ed efficiente] e puoi vedere che siamo orgogliosi di aver avuto un impatto.
In qualità di consulente statistico interno, quando parlo con ingegneri di processo o scienziati di laboratorio, spiego i problemi nel linguaggio dell'ingegneria o della scienza, non nel linguaggio della matematica. Sono stato da quella parte, quindi capisco [l'ingegneria/scienza] e voglio sempre tenere a mente la prospettiva ingegneristica/scientifica quando progetto esperimenti. Dico loro, ad esempio, che questa è la conclusione basata su questi presupposti, qui ci sono i limiti, eccetera. Una volta che inizi a costruire la connessione, DOE sembra davvero così potente.
Mega: Come si bilancia il duplice imperativo di supportare gli esperti di dominio e allo stesso tempo consentire loro di eseguire le proprie analisi statistiche?
Richard : Nella maggior parte dei casi, dipende davvero dal design. Cerco di non solo generare un DOE e analizzarlo per loro; Cerco di aiutarli a sviluppare alcune conoscenze di base in statistica. Tutto quello che devono capire è il progetto di base, forse un po' di teoria, e come funziona il DOE. Quindi possono implementarlo e spingersi un po 'oltre. Una volta che si sentono a proprio agio nell'adottare DOE, abbiamo una conversazione [più approfondita] [sulla progettazione e l'analisi], fanno una presentazione per spiegarlo al loro team e [iniziano a vedere i risultati]. È potente.
Abbiamo un sacco di persone molto intelligenti qui alla Eli Lilly, quindi continuo a sottolineare: “Conosci il tuo processo, conosci meglio i tuoi dati. Una volta che conosci un po 'di statistiche e sai come usarle JMP , sentirai che stai [offrendo ancora più valore]. Non è solo un bene per l'azienda, ma anche per la tua carriera".
Mega: In altre parole, aumenta la scienza e ciò che sono in grado di realizzare. Hai menzionato l'apprendimento dell'uso di JMP in combinazione con le statistiche sull'apprendimento. È di progettazione?
Richard: Mettiamola in questo modo: ogni volta che qualcuno viene da me dicendo: "Questi sono i miei dati, questo è il file Excel, e questo è il problema", lo prendo, traccio i dati in JMP e li mostro. Vedono immediatamente i modelli, le correlazioni, i valori anomali e tutto ciò che dicono è "Wow".
La maggior parte dei miei clienti lo farà passa subito a JMP . Ecco perché ora abbiamo una comunità JMP [all'interno dell'organizzazione globale Eli Lilly]. E ho un gruppo di utenti JMP che si riunisce a livello locale. Collaboro anche con JMP per tenere discorsi all'azienda, per istruire i nostri ingegneri e scienziati e [esplorare] come cambiare la cultura!
Guardare una visualizzazione è anche il punto in cui entra in gioco la competenza ingegneristica. Noi costruiamo Dashboard JMP perché gli ingegneri vogliono sempre vedere certe cose: il funzionamento di questa unità, a monte, a valle. Hanno un progetto in mente e vogliono vedere rapidamente le informazioni chiave sul processo. Posso aiutarli a progettare un dashboard JMP con tutte le informazioni sui processi in tempo reale che desiderano visualizzare. In questo modo, ogni giorno, possono tenere una riunione di processo e cercare di vedere [come stanno andando le cose].
In precedenza, dovevano utilizzare Excel e semplicemente non era efficiente. Ora, con un solo dashboard, possono vedere tutto in un unico posto come un pannello di controllo. Se vogliono vedere reattori su scala commerciale, basta un clic e boom, ottengono immediatamente tutti i risultati di cui hanno bisogno. Oppure supponi di essere interessato a un segnale relativo a una fase del processo e di voler sapere in che modo il segnale è associato al ciclo. È così facile diagnosticare sullo stesso processo. È enorme!
Abbiamo quattro siti di produzione API presso Eli Lilly e condividiamo le migliori pratiche statistiche in tutti i siti. Faccio una discreta quantità di benchmarking statistico della pratica in modo da poter standardizzare il più possibile per ottenere buone pratiche.
Mega: In altre parole, stai dicendo che fa risparmiare tempo, ma riguarda anche la riproducibilità e la standardizzazione.
Richard: Esattamente. È facile trasferire [best practice]. A volte ci sarà un incontro globale tra i siti API e un gruppo dirà: "Wow. Ragazzi, avete sviluppato quella sceneggiatura, vogliamo usarla anche noi". Abbiamo molte somiglianze di dati nel monoclonale [produzione di sostanze], quindi è molto più efficiente utilizzare uno script sviluppato da [colleghi in un sito diverso] piuttosto che sviluppare il nostro [da zero]. Tutto ciò di cui hai bisogno è una modifica minima per applicarlo al tuo processo.
Tutti e quattro i siti di produzione API di Eli Lilly utilizzano JMP. Ecco perché abbiamo così tante discussioni attraverso la nostra rete per condividere benchmarking [best practice], formazione - tutto ciò che promuove statistiche e casi d'uso per JMP . Rispetto ad altri software, JMP ha quella potente combinazione di, da un lato, essere così facile da usare, ma dall'altro, potrebbe andare più in profondità se necessario.
Riceviamo anche un eccellente supporto da JMP [per vedere come possiamo applicare le funzionalità appena rilasciate, tra le altre cose]. Ad esempio, in occasione di un recente JMP Day, @jiancao ci ha mostrato il Esploratore di dati funzionali e @ChrisKirchberg ci ha mostrato il Grafico di controllo multivariato guidato dal modello . Mi hanno appena aperto la mente! Non mi ero reso conto che una soluzione basata su modello fosse già disponibile nell'ultima versione di JMP Pro. Poiché JMP si è evoluto così tanto e ha sviluppato [nuove funzionalità], è diventato praticamente il software dominante che stiamo utilizzando ora.
Mega: Uno dei vantaggi nascosti di JMP è quanto JMP Development innovi il software tra le nuove release. Ascoltano gli utenti e dire: “Di cosa hai bisogno? Come possiamo svilupparlo?"
Richard: JMP cerca davvero di ascoltare e comprendere la voce del cliente. È così che lo apprezzo. Un'altra cosa che apprezzo molto di JMP è che non devi essere bravo in tutto finché sai che la risorsa esiste.
Io uso JMPPro molto e mi diverto molto a usare la modellazione e le simulazioni per aiutare a costruire la nostra comprensione del processo. Dirò anche che mi piace molto come JMP sia molto intuitivo con i suoi grafici. Quando ho iniziato la mia carriera in Merck, il mio mentore mi diceva: "Una volta che avrai i dati, cosa farai prima? Un modello o una simulazione? No. Devi iniziare tracciando i dati.
[Quando ottieni i dati, le prime tre cose che devi fare: tracciare i dati, tracciare i dati e tracciare i dati! Guardando i dati da diverse angolazioni e cercando di trovare i modelli. Usa la tua conoscenza del processo per ottenere una visione iniziale. Questo è il 70 o l'80% delle informazioni proprio lì!
Mega: A proposito di imparare cose nuove, che consiglio daresti agli studenti o agli scienziati all'inizio della carriera?
Richard: Non importa se il tuo background è in ingegneria chimica, biologia o arte, qualunque cosa. Se ne hai la possibilità, per favore, segui alcuni corsi di analisi dei dati. Non deve essere un corso di statistica, solo uno in cui imparerai l'analisi dei dati che può essere applicata a qualsiasi disciplina scientifica o ingegneristica. Non si tratta solo di matematica... Riguarda il pensiero sistematicamente logico.
Una volta che gli studenti avranno una mentalità analitica e inizieranno a utilizzare i dati, ciò avrà un profondo impatto sulla loro vita professionale, forse anche sulla loro vita in generale. Saranno in grado di usare quel pensiero critico, quella logica, per prendere decisioni migliori.
Mega: Le capacità di pensiero statistico incidono sulle tue decisioni di assunzione? Quando prendi in considerazione i candidati all'inizio della carriera, vuoi che, ad esempio, entrino con la conoscenza del DOE?
Richard: Sì, questo è un vantaggio enorme! In Eli Lilly, abbiamo un gruppo di statistiche sulla produzione e ogni volta che pensiamo di aggiungere un nuovo membro, esaminiamo sempre i curriculum. È praticamente richiesto che i candidati abbiano sia un background statistico che ingegneristico/scientifico.
Mega: Stai assistendo a una tendenza verso una maggiore alfabetizzazione dei dati tra i neolaureati che entrano in azienda?
Richard: Non è una tendenza. Direi che è in piena espansione! L'analisi è ovunque. I dati sono ovunque. In un certo senso, tutti dovrebbero essere, in una certa misura, data scientist. Finché hai la mentalità e la tua esperienza, andrai lontano. Conoscere la programmazione, d'altra parte, non ti rende necessariamente un ingegnere migliore! La competenza è essenziale!
Quindi, mentre direi che per la prossima generazione, la programmazione sarà davvero importante, vorrei anche sottolineare la mentalità analitica dei dati rispetto alla programmazione. Non è necessario essere in grado di programmare per eseguire analisi. Lascia che JMP lo faccia.
Costruisci l'eccellenza analitica nella tua organizzazione. Scopri come: jmp.com/advocate
* Dichiarazione di non responsabilità: le opinioni, i pensieri e le opinioni espresse nel testo appartengono esclusivamente all'autore e non necessariamente al datore di lavoro, organizzazione, comitato o altro gruppo o individuo dell'autore.
