바이오의약품 공정 개발에서 핵심 공정 변수(CPP)와 제어 가능한 공정 변수의 특성 분석은 매우 중요합니다. 많은 산업 분야와 마찬가지로, 공정 개발 및 특성 분석 연구는 실험실 규모에서 시작하여 최종 생산 시설 규모로 확대됩니다. JMP는 실험 설계(DOE)부터 공정 모델링에 이르기까지 이러한 연구를 지원하는 핵심 도구입니다.
온라인 센서 데이터는 공정 개발 및 특성 분석 연구에서 현재 충분히 활용되지 않고 있는 잠재적인 정보원입니다. 특히, 생산 규모별 미생물 대사 프로파일 비교는 대부분 탐색적인 수준에서 이루어지고 있습니다. 이러한 데이터에 대한 통계 분석은 차이점을 이해하고 더 나은 공정 제어 전략을 수립하는 데 도움이 될 수 있습니다.
이번 강연에서는 다음 내용을 살펴보겠습니다.
안녕하세요, 제 발표에 참여해 주셔서 감사합니다. 저는 앤-캐서린 포트만입니다. 론자(Lonza)의 미생물 공정 개발 부서에서 프로젝트 리더로 근무하고 있습니다. 오늘은 미생물 대사 프로파일을 활용하여 축소 모형 검증 및 공정 특성 분석 연구를 개선하는 방법에 대해 이야기하고자 합니다.
먼저 간단히 이 고지사항부터 말씀드리겠습니다. 전체 내용을 읽어드리지는 않겠지만, 오늘 여러분과 공유하는 모든 정보는 정확하다고 믿습니다. 기밀 유지상의 이유로 모든 데이터는 정규화 및 익명화 처리되었음을 특별히 말씀드립니다.
오늘 발표의 주요 내용은 다음과 같습니다. 먼저 Lonza를 소개하고, 생물공정 및 공정 특성 분석 연구에 대한 배경 지식을 제공하겠습니다. 이를 통해 JMP를 활용하는 다음 세 가지 예시를 더 잘 이해하실 수 있을 것입니다. 첫 번째 예시에서는 JMP 기능 데이터 탐색기(Functional Data Explorer)를 사용하여 서로 다른 규모의 배치 데이터를 비교하는 방법을 보여드리겠습니다. 두 번째 예시에서는 JMP를 표준적인 방식으로 사용하여 특정 매개변수의 허용 범위를 결정하는 방법을 설명합니다. 세 번째 예시에서는 기능 데이터 탐색기를 활용하여 제품 관련 불순물을 최소화하는 방법을 보여드리겠습니다. 마지막으로 발표를 마무리하고 여러분의 질문에 답변드리겠습니다.
먼저 제가 근무하는 회사에 대해 간략하게 소개해 드리겠습니다. 론자는 제약, 생명공학 및 영양 분야의 다국적 제조 회사입니다. 오른쪽에 보이는 사진은 제가 근무하는 스위스 비스프 공장입니다.
론자에 대한 몇 가지 수치를 살펴보겠습니다. 아마 이미 알고 계시겠지만, 론자는 100년이 넘는 역사를 가진 글로벌 기업으로 약 18,000명의 직원을 보유하고 있습니다. 전 세계 35개 이상의 사업장에서 혁신적인 의약품 제조를 지원하며 고객사를 돕고 있습니다. 비스프 사업장은 론자에서 가장 큰 규모의 사업장입니다.
비스프 공장의 미생물 생산 능력은 70리터에서 15,000리터까지 다양합니다. 론자에 새로운 공정이 도입되면 먼저 고객사로부터 공정 개발 부서로 이관됩니다. 제가 공정 개발 부서에서 근무하는 건물은 공장 중심부에 위치해 있으며, 주변에 모든 생산 시설이 있습니다. 덕분에 공정 개발 부서와 생산 규모 간의 원활한 협업이 가능했습니다. 공정 개발 부서에서는 목표 생산 규모로 확장할 때 발생할 수 있는 위험을 줄이기 위해 새로운 공정을 테스트하고 개선하는 작업을 진행합니다.
많은 분들이 다양한 산업 분야에서 오셨고 미생물 생물공정에 익숙하지 않으실 것을 알고 있습니다. 따라서 다음 몇 장의 슬라이드에서 일반적인 미생물 생물공정과 그 특성을 파악하는 데 필요한 일반적인 단계에 대해 설명드리겠습니다.
생물공정은 상류 공정과 하류 공정으로 구성됩니다. 상류 공정에서는 목적 단백질(여기서는 주황색으로 표시됨)이 미생물 발효 과정을 통해 생산됩니다. 그런 다음 세포를 분해하고 분리 과정을 통해 세포 잔해를 제거합니다. 하류 공정에서는 다른 단백질을 제거하고 목적 단백질을 정제하여 최종적으로 매우 순수한 제품을 얻습니다.
발효는 목적 단백질을 생산하는 중요한 단계입니다. 생산량과 품질 모두 이 단계에 의해 결정됩니다. 발효 과정 중에 발생한 단백질 합성 과정의 오류는 되돌릴 수 없습니다. 따라서 온도, pH, 용존 산소량 등의 입력 변수를 정확하게 조절하고, 생성물의 농도(역가), 순도, 발효 중 생물반응기 내 세포량(바이오매스)과 같은 출력 변수를 면밀히 모니터링하는 것이 매우 중요합니다.
PC 연구(공정 특성 분석 연구)에서는 입력 변수가 출력 속성에 미치는 영향을 파악하고, 속성이 규격 범위 내에 있는 변수 범위를 정의하고자 합니다. 입력 변수와 출력 속성 간의 의존성을 이해하는 것은 생물공정을 이해하는 데 핵심적인 요소입니다.
공정 특성화(PC)란 무엇일까요? 공정 특성화는 공정 검증의 일부이며, 네 부분으로 구성됩니다. 첫 번째 부분은 위험 평가로, 추가 조사를 진행할 매개변수를 선정하는 단계입니다. 이 매개변수는 공정에 대한 지식, 과거 데이터, 그리고 위험 평가에 참여하는 사람들의 경험과 전문성을 바탕으로 선정합니다.
두 번째 단계는 축소 모형의 검증입니다. 모든 실험을 실제 규모에서 수행하는 것은 불가능하기 때문에 축소 모형이 필요합니다. 실제 규모에서 실험을 진행하면 비용이 너무 많이 들고 효율성도 떨어질 것입니다. 실험실 규모에서는 여러 개의 반응기를 병렬로 가동할 수 있어 효율적인 실험이 가능합니다. 하지만 실험실 규모의 장비는 제조 규모에서 사용하는 장비와 정확히 동일한 성능을 보여야 하며, 동일한 결과를 도출해야 합니다. 만약 그렇지 않다면, 두 규모 간의 차이를 평가하고 이러한 규모에 따른 차이를 더욱 자세히 분석하여 설명해야 합니다.
PC 연구의 다음 단계는 JMP를 사용하여 실험 설계를 준비하고 연구 횟수를 최적화하는 것입니다. 이후 실험실에서 실험을 수행하고, 이 실험 결과를 바탕으로 모든 데이터를 수집하여 JMP에서 데이터 테이블을 생성하고 분석합니다. 이를 통해 매개변수와 속성 간의 상호작용을 평가하고, 매개변수의 범위와 영향력을 정의합니다.
왜 공정 특성 분석이 필요할까요? 공정 특성 분석은 제조 과정에서 일관된 제품 품질과 재현 가능한 수율을 확보하기 위해 필요합니다. 약을 복용할 때, 우리는 항상 동일한 효과를 원합니다. 진통제를 복용한다면, 복용 후에는 통증이 완전히 사라지기를 바랍니다. 복용 직후에는 통증이 없지만, 이틀 후 같은 약을 다시 복용했을 때는 효과가 거의 없거나, 반대로 다음 날 복용했을 때는 효과가 너무 강한 것은 원하지 않습니다. 이처럼 약의 품질과 효능이 항상 일정해야 한다는 것이 매우 중요합니다. 이를 위해 우리는 공정 특성 분석과 공정 검증을 수행합니다.
이제 몇 가지 예를 보여드리겠습니다. 먼저 축소 모형 검증부터 시작하겠습니다. 말씀드렸듯이 축소 모형 검증은 PC 연구에서 매우 중요한 단계로, 실험이 실제 설비를 대표하는 환경에서 수행되도록 보장합니다. 발효조 또는 발효 반응기에는 여러 센서가 연결되어 실험 기간 동안 지속적으로 많은 데이터를 기록합니다. 이는 규모 간 차이를 비교하는 데 매우 유용한 방대한 정보입니다. 이러한 데이터를 활용하여 규모의 차이를 어떻게 분석하는지 보여드리겠습니다.
제가 여러 번 말씀드렸듯이, 실험실에서 장비를 사용하는 것이 훨씬 저렴합니다. 실험실 규모에서 높은 처리량을 가진 장비를 사용하면 제조 규모에서 모든 실험을 하는 것보다 훨씬 저렴하게 많은 실험을 수행할 수 있습니다. 축소 모델을 검증함으로써 규모에 따른 차이점도 파악할 수 있습니다.
지금까지는 오프라인 데이터를 주로 사용해 왔습니다. 저희가 사용하는 방식은 다음과 같습니다. 실험실 규모 데이터와 제조 규모 데이터를 사용하여 일원 분산 분석을 수행합니다. 분산 분석(ANOVA) 또는 평균 비교를 통해 실험실 규모의 두 배치 그룹이 비교 가능한지 여부를 판단합니다.
문제는 온라인 데이터의 경우, 이런 종류의 그래프로는 비교가 불가능하다는 것입니다. 데이터는 그래프의 오른쪽 부분처럼 보입니다. 어떤 사람들은 전문가의 시각으로 이 곡선을 비교하며 "비슷한 데이터네" 또는 "완전히 다르네"라고 판단합니다. 하지만 이런 접근 방식의 문제점은 비교하는 사람이 회사를 떠나거나 동료가 데이터를 보고 "아니, 차이점을 못 찾겠는데"라고 말할 수 있다는 것입니다. 실제로는 차이가 보이는데 말이죠. 이것은 데이터를 비교하는 좋은 통계적 방법이라고 할 수 없습니다.
JMP 기능 데이터 탐색기 덕분에 이 데이터를 적절한 방식으로 통계적으로 비교하고 클러스터링 여부까지 확인할 수 있습니다. 축소 모델을 검증하는 것은 PC 연구에서 얻은 범위를 제조 관리 전략으로 변환하는 데 핵심적인 요소입니다. 차이가 있는 경우, 그 차이를 역으로 변환할 수 있습니다. JMP 기능 데이터 탐색기의 작동 방식과 나중에 나올 예제에서 어떻게 사용하는지 간단히 보여드리겠습니다.
함수형 데이터 탐색기(Functional Data Explorer)는 연속형 데이터를 분석하는 데 매우 유용한 도구입니다. 작동 방식에 대해서는 자세히 설명하지 않겠습니다. 이미 많은 논의가 있었고 지금도 진행 중이기 때문입니다. 저는 제 분석에 유용한 핵심 부분에 집중하겠습니다. 첫 번째 단계는 데이터를 준비한 후 모델을 적합시키는 것입니다. 이 모델은 B-스플라인, P-스플라인, 푸리에 변환, 웨이블릿 변환 중에서 선택해야 합니다. 그런 다음 어떤 모델이 데이터에 가장 적합한지 확인합니다.
두 번째 단계로 함수형 주성분 분석을 진행합니다. 주성분 분석을 이미 경험해 보셨다면, 데이터 포인트 대신 함수형 데이터를 사용한다는 점을 제외하면 동일한 접근 방식입니다. 핵심은 함수 간의 상관관계를 없애기 위해 공간 설계를 변경하는 것입니다. 이렇게 하면 여기에 제시된 함수 형태들을 얻을 수 있습니다. 이러한 함수 형태들은 평균 함수에 따른 배치 간 변동성과 함수의 변동성을 설명합니다. 예를 들어, 여기에서 첫 번째 함수 형태는 배치 간 속성 추세 변동의 56%를 설명합니다.
또 다른 그래프로는 스코어 플롯이 있습니다. 스코어 플롯에서는 비교하고자 하는 구성요소를 선택할 수 있습니다. 이 경우 다섯 가지 구성요소 중에서 선택할 수 있습니다. 이 다섯 가지 형상 함수 구성요소를 X축과 Y축에 나타낼 수 있습니다. 데이터에 따라 X축과 Y축을 따라 그룹화할지 여부를 결정할 수 있는데, 이 경우에는 첫 번째 구성요소 또는 두 번째 구성요소를 기준으로 그룹화할 수 있습니다.
여기서, 이들을 살펴보면 주성분 1을 따라 X축의 왼쪽 부분과 오른쪽 부분에 각각 하나씩, 두 그룹이 높은 확률로 분포되어 있음을 알 수 있습니다. 이를 확실히 확인하려면 관리도를 사용할 수도 있습니다. 관리도를 사용하면 기능적 주성분에 대한 관리도를 생성하고, 그 위에 각기 다른 척도를 추가합니다. 그러면 각 척도 간에 생성된 평균값을 살펴보고 척도 간의 차이를 평가하여 평균값이 실제로 동일한지 확인할 수 있습니다.
Functional Data Explorer를 사용하면 유사한 배치들을 그룹화하고 척도 평균을 비교할 수 있습니다. 이는 이러한 속성 데이터를 비교하는 데 필요한 바로 그 기능입니다.
예시를 하나 살펴보겠습니다. 이 데이터는 실제 데이터이지만, 기밀 유지상의 이유로 본 발표 자료에서는 데이터를 익명화하고 정규화했습니다. 이 예시에서는 두 개의 실험실 규모, 즉 보라색과 파란색으로 표시된 실험실 규모 1과 2를 특정 속성(시간 경과에 따른 초기 변화)에 대한 제조 규모와 비교하고자 합니다.
우리는 이 두 가지 규모 중 어느 것이 이 제조 규모의 축소 모델에 더 적합한지 알고 싶습니다. 기능 데이터 탐색기를 실행하면 몇 가지 결과가 나옵니다. 이 기능 주성분의 고유값을 살펴보면 첫 번째 주성분이 배치 간 변동성의 78% 이상을 설명하고 있음을 알 수 있습니다. 두 번째 주성분은 9% 이상을 설명하므로 나머지 분석은 이 두 주성분에 집중하겠습니다.
스코어 플롯을 살펴보겠습니다. 스코어 플롯에서 배치 간 변동성의 대부분을 설명하는 기능적 구성 요소 1의 X축을 따라 두 개의 클러스터가 명확하게 나타납니다. 왼쪽 클러스터는 실험실 규모 데이터만 포함하고, 오른쪽 클러스터는 실험실 규모 2 데이터와 제조 규모 데이터를 모두 포함합니다(파란색 점과 녹색 점). 이상치도 일부 존재합니다. 구성 요소 2의 경우에는 두 그룹을 명확하게 구분하기 어렵습니다.
이러한 그룹을 확인하기 위해 관리도를 살펴봅니다. 여기서 배치 간 평균값을 나타내는 녹색 선이 파란색 점과 녹색 점으로 표시된 부분과 매우 유사한 것을 확인할 수 있습니다. 즉, 실험실 규모 2와 제조 규모 간의 관계가 유사합니다. 실험실 규모 1은 평균값이 상당히 달랐기 때문에 최적의 규모가 아니었습니다. Functional Data Explorer는 실험실 규모 2를 해당 속성에 대해 더 대표적인 축소 모델로 식별했습니다. 중요한 것은 이것이 해당 속성에 대한 것이라는 점입니다. 다른 속성의 경우 다른 축소 모델이 적합할 수 있습니다. 분석에서 검토하기로 결정한 모든 속성에 대해 이를 확인해야 합니다.
축소 모델을 정의했으므로 이제 PC 연구 분석의 다음 단계를 살펴보겠습니다. 이 단계에서는 실험을 설계하고 수행하며, 매개변수와 속성 간의 상호작용, 매개변수 범위 및 영향 분석을 통해 데이터를 분석하고자 합니다. 이 두 단계에서는 Functional Data Explorer 대신 JMP를 사용하여 표준적인 DoE(실험 설계) 접근 방식을 적용합니다.
실험설계(DOE)를 사용하는 이유는 무엇일까요? DOE를 통해 매개변수와 속성을 비교하고 그 상관관계를 파악할 수 있습니다. 실험설계에서는 주효과, 이차효과, 상호작용효과 등 다양한 상호작용을 확인할 수 있습니다. 또한 속성을 최적화할 수도 있습니다. 예를 들어, 역가를 최대화하거나, 불순물을 최소화하거나, 순도나 품질 속성을 최대화할 수 있습니다. 특정 목표를 달성할 수 있는 다양한 방법이 있습니다. 최종 보고서에는 매개변수가 속성에 미치는 영향도 포함되어 있으며, P값을 통해 통계적으로 유의미한지 여부를 판단할 수 있습니다.
적절한 모델을 설계하기 위해 JMP 메뉴의 DoE(실험 설계) 기능을 활용하여 원하는 설계를 선택할 수 있습니다. 설계 방법을 잘 모르겠다면, 간편하고 단계별로 모델을 설계할 수 있도록 도와주는 DoE 옵션을 언제든지 이용할 수 있습니다. 본 예시에서는 중심 합성 설계를 적용한 고전적인 반응 표면 모델을 사용합니다. 이 모델에서는 설정값에 해당하는 중심점을 갖습니다. 예를 들어 설정값을 35도로 설정했다고 가정해 보겠습니다.
다음으로 작동 범위라는 것이 있습니다. 이 범위는 프로브의 정확도뿐만 아니라 발효 과정에서 발생할 수 있는 미세한 변동까지 포함합니다. 예를 들어, 35라는 수치는 직선이 아닙니다. 프로브의 정확도, 첨가하는 영양분, 발효조의 온도 유지 방식 등으로 인해 아주 작은 진동이 발생합니다. 하지만 이 작동 범위 내에서는 규격에 부합하는 것으로 알려져 있습니다.
이제 우리는 공정 중에 어떤 일이 발생하여 짧은 시간 동안 설정 온도보다 높거나 낮아지는 경우, 즉 온도 변화가 발생하는 상황에서 제품 품질이 사양을 충족하는지 여부를 알고 싶습니다. JMP DoE는 실험실에서 수행하는 실험 횟수를 최적화할 뿐만 아니라 매개변수와 속성 간의 상호 작용을 이해하는 데 도움을 줍니다.
현재 우리는 실험실에서 실험을 진행하고 있으며, 모든 데이터를 JMP의 데이터 테이블에 수집하여 모델을 구축하려고 합니다. 모든 데이터가 테이블에 입력되면, 각 실험마다 한 행, 각 매개변수 또는 속성마다 한 열씩 데이터를 정리하는 원칙을 따릅니다. 이는 JMP를 사용하는 매우 표준적인 방법입니다. 그런 다음 다양한 옵션을 사용하여 모델을 적합시킬 수 있습니다. 예를 들어, 반응 표면 모델에 다양한 매개변수를 추가할 수 있습니다. 여기서 Y는 탐색하고자 하는 속성을 나타냅니다. 또한 표준 최소 제곱법이나 단계적 회귀 분석법 등 다양한 모델 적합 방식을 선택할 수 있습니다.
모델을 실행하면 보고서가 생성됩니다. 보고서에서 스크롤을 내려 예측 프로파일러의 결과를 확인하고 매개변수와 속성 간의 상호 작용을 살펴보는 경향이 있습니다. 하지만 그렇게 하기 전에, 그리고 올바른 모델을 선택했는지 확인하기 위해서는 모델 평가에 집중하는 것이 매우 중요합니다. 이것이 첫 번째 단계입니다. JMP가 보고서에 많은 정보를 제공하는 이유도 바로 이 때문입니다. 우리는 이 평가 결과를 제대로 이해해야 합니다. 예를 들어 적합도 부족, 표준화 잔차, 적합도 요약 등이 있습니다. 이러한 데이터를 자세히 살펴보고 그 의미를 정확히 이해하여 데이터에 가장 적합한 모델을 찾는 것이 좋습니다. JMP는 적절한 분석을 수행하고 적합 모델의 품질을 검증하여 신뢰할 수 있는 PC 연구와 의약품 개발을 보장합니다.
속성과 매개변수 간의 관계는 앞서 말씀드린 것처럼 예측 프로파일러에 나타나 있습니다. 중간에 설정점이 있는데, 일반적으로 이 예측 곡선의 최상단에 위치합니다. 작동 범위는 데이터가 해당 속성 범위 내에 있는 영역입니다. 속성 범위의 가장자리와 예측 프로파일러 곡선의 교차점에는 더 넓은 범위가 있습니다. 즉, 이 영역은 사양 내에 있으면서도 한계를 벗어나지 않는 극단적인 지점입니다. 이것이 바로 PC 연구를 통해 찾고자 하는 검증된 허용 범위입니다. PC 연구는 또한 영향도 제공하는데, 이는 예측 프로파일러 곡선의 형태에 따라 달라집니다. 곡선이 더 넓어질수록 영향은 작아지고, 설정점까지의 곡선이 좁아질수록 영향은 커집니다. 속성 사양은 검증된 매개변수 허용 범위 내에서만 충족됩니다. 이제 이를 활용하는 예시를 보여드리겠습니다.
발효 과정에서 얻은 PC 연구 데이터를 예로 들어, 단계적 접근 방식과 가능한 모든 모델 옵션을 사용하여 반응 표면 모델을 생성했습니다. 모델 평가에서 많은 기준을 충족했지만, 적합성 부족 문제가 발생했습니다. 모델이 데이터에 잘 맞지 않는 이유였습니다. 우리는 그 이유를 알아내기 위해 내부 전문가들과 논의하고 데이터를 심층적으로 분석했습니다. 그 결과, 반응 표면 모델이 2차 모델이기 때문에 포착하지 못하는 평탄화 효과가 존재했음을 발견했습니다. 매개변수에 3차 다항식을 추가해야 했습니다. 그렇게 하고 분석을 다시 수행했습니다.
여기서는 모든 기준을 충족했습니다. 이 경우, 첫 번째 모델은 여기에, 두 번째 모델은 저기에 있습니다. 마지막에 변경된 매개변수는 첫 번째 매개변수였고, 예측 프로파일러에서 곡선이 약간 다르게 나타나는 것을 볼 수 있습니다. 실제로 마지막 부분에서 평탄화 현상이 나타났습니다.
이 시점에서 우리는 모든 사양을 충족하는 정확한 모델을 찾았습니다. 검증된 허용 범위와 그 영향을 정의할 수 있었습니다. 보시다시피, 처음 두 매개변수에서 영향이 세 번째 매개변수보다 더 컸습니다. 이 범위는 현재 생산에 적용되어 있으며, 생산 단계에서 이러한 범위로 일부 테스트를 진행하고 있습니다.
발효가 끝나면 분석 방법 크로마토그램에서 제품 관련 불순물이 피크 후 어깨 부분으로 검출될 수 있습니다. 이는 후속 공정에서 제거하기가 매우 복잡한 문제입니다. 기능 데이터 탐색기(Functional Data Explorer)를 사용하여 이러한 제품 관련 불순물을 최소화하는 방법을 보여드리겠습니다.
보시는 것처럼 크로마토그램이 여기에 있습니다. 우리가 예상했던 것은 여기서 위로 올라가는 곡선이 오른쪽에서도 같은 모양으로 아래로 내려가는 것이었습니다. 하지만 아래로 내려가는 부분이 울퉁불퉁합니다. 이는 제품의 이 부분에 불순물이 있다는 것을 의미합니다. 즉, 제품 자체에서 발생하는 불순물인데, 이는 후속 공정에서 제거하기 어렵습니다. 이러한 불순물을 제거하지 못하거나 제거할 방법을 찾지 못하면 문제가 더욱 심각해질 수 있으며, 최종적으로 제품의 품질 규격을 충족하지 못할 수도 있습니다.
이제 그래프에 불순물이 섞여 있는 것을 볼 수 있습니다. JMP 기능 데이터 탐색기를 사용하면 그래프의 형태를 더 잘 이해할 수 있습니다. 앞서 설명드린 것처럼 실험 설계(DoE)를 통해 여러 매개변수를 테스트하고, 이러한 매개변수 정보를 활용하여 불순물을 설명하고 줄이는 방법을 알아보고자 합니다.
저희에게 문제는 JMP 기능 데이터 탐색기에서 제공하는 주성분 분석 결과가 실제 매개변수가 아니라는 점이었습니다. 실험실에서 몇 도 정도만 변경할 수 있는 온도와 같은 실제 매개변수가 아니었습니다. 하지만 JMP 기능 데이터 탐색기에는 매우 유용한 기능이 있는데, 바로 기능 주성분 분석 결과를 실제 매개변수로 변환해 주는 기능입니다. 이 기능을 사용하면 기능 실험 설계(DoE) 결과를 추가할 수 있습니다. 기능 데이터 탐색기에서 모델을 구축할 때 DoE 분석을 먼저 추가하면 JMP가 기능 주성분을 프로파일러에서 사용할 수 있는 실제 매개변수로 다시 변환해 줍니다. 이를 통해 불순물을 제거하거나 줄일 수 있을 것으로 기대했습니다.
구체적인 구현 방법을 예시로 보여드리겠습니다. 이 그래프에서 어깨 부분을 볼 수 있습니다. 더 자세히 보기 위해 피크 부분을 확대해 보았습니다. 피크 이후에 0.11이라는 높은 수치가 나타납니다. 이는 모든 매개변수에 설정값을 부여했을 때의 값입니다. 그런 다음, 기능적 실험 설계(DoE) 프로파일러에서 각 매개변수를 조정하여 최적화했습니다. 그 결과, 첫 번째 매개변수를 줄이고 다음 두 매개변수를 늘렸을 때 불순물의 양이 절반으로 줄어드는 것을 확인했습니다.
이는 저희에게 정말 좋은 결과입니다. DSP 부분에서 이러한 불순물을 제거하는 것이 매우 어렵기 때문에, 공정 초기에 몇 가지 매개변수를 최적화하여 제거할 수 있다면 시간과 비용을 크게 절약할 수 있습니다. 이는 저희와 고객 모두에게 매우 유익한 해결책입니다. 하지만 이 결과는 아직 실험실에서 검증해야 합니다. 아직 완료된 것은 아닙니다. 또한, 다른 매개변수나 속성을 지나치게 저하시키거나, 원치 않는 부분을 과도하게 증가시키는 등의 다른 문제가 발생하지는 않는지 평가해야 합니다.
이번 발표를 통해 여러분은 공정 특성화를 뒷받침하는 데 통계가 얼마나 중요한지 깨달으셨을 것입니다. 오늘 저는 JMP를 활용하여 소규모 공정에서 대량 생산 규모로의 공정 특성화 및 공정 이전을 어떻게 개선할 수 있는지에 대해 발표하겠습니다.
제 발표의 핵심 요점은 다음과 같습니다. 첫째, 공정 특성화는 대규모 생산 과정에서 일정한 제품 품질과 재현 가능한 수율을 보장합니다. 둘째, JMP의 기능적 DE를 사용하면 연속 데이터를 클러스터링하여 규모의 차이를 감지할 수 있습니다. 셋째, JMP는 PC 연구 데이터와 같은 복잡한 데이터에서도 최적의 모델을 찾을 수 있는 옵션을 제공합니다. 마지막으로, JMP의 기능적 DoE는 FPC를 공정 이해 및 최적화를 지원하는 운영 매개변수로 변환합니다.
이 자리를 빌어 이 발표를 준비하는 데 도움을 주신 모든 동료분들께 진심으로 감사드립니다. 특히 이 발표 주제를 제안해 준 스벤에게 깊은 감사를 드리고, 통계 지식을 아낌없이 나눠준 클레어와 루도빅에게도 감사드립니다. 발표 준비를 도와준 요나스, 데이터를 공유해 준 로맹, 그리고 의견과 생각을 나눠주신 모든 동료분들께도 감사드립니다. 마지막으로, 지난 몇 년간 JMP 관련 질문이라면 복잡한 것부터 아주 사소한 것까지 모든 질문에 답해주시며 우리 부서를 아낌없이 지원해 주신 플로리안에게 진심으로 감사드립니다.
관심 가져주셔서 감사합니다. 유익한 시간이었기를 바라며, 궁금한 점이 있으시면 언제든지 질문해 주세요. 맨체스터에서 추가적인 논의가 필요하시면 언제든 편하게 연락 주세요. 감사합니다.
