在生物製藥製程開發中，關鍵製程參數 (CPP) 和可控製程參數的表徵至關重要。與許多其他行業一樣，製程開發和表徵研究始於實驗室規模，隨後將生產流程放大到最終生產設施。 JMP 作為一款工具，在支援這些研究（從實驗設計到製程建模）方面發揮核心作用。
線上感測器數據是一種潛在的資訊來源，目前在製程開發和表徵研究中尚未充分利用。特別是，不同生產規模下微生物代謝譜的比較大多仍停留在探索階段。對這些數據進行統計分析有助於理解差異，並有助於制定更有效的製程控制策略。
大家好，感謝各位參加我的講座。我是 Anne-Catherine Portmann，Lonza 公司微生物製程開發部門的專案負責人。今天，我將和大家探討如何利用微生物代謝譜來改進縮小規模模型驗證和製程表徵研究。
首先我想簡單聲明一下。我不會全文朗讀，但我想強調的是，我相信今天與大家分享的所有資訊都是正確的。出於保密原因，我特別要說明，所有資料都經過了標準化和匿名化處理。
以下是我今天演講的議程。首先，我會介紹一下龍沙公司，並簡單介紹一些生物製程和製程表徵研究的背景知識。這將有助於理解接下來我將要講解的三個使用 JMP 的範例。在第一個範例中，我將展示如何應用 JMP Functional Data Explorer 來比較不同規模批次的資料。在第二個範例中，我將以非常標準的方式使用 JMP 來確定某個參數的已驗證可接受範圍。第三個範例將介紹如何利用 Functional Data Explorer 來最大限度地減少與產品相關的雜質。最後，我將總結本次演講並回答大家的問題。
首先，我想簡單介紹一下我所在的公司。龍沙是一家跨國製藥公司，業務涵蓋生物技術和營養領域。右邊這張照片是我位於瑞士維斯普的工廠，我在這裡工作。
讓我們來看一些關於龍沙的數據。您可能已經知道，龍沙是一家擁有約18,000名員工的全球性公司，擁有超過百年的悠久歷史。我們在全球設有35多個生產基地，為客戶生產創新藥物提供支援。維斯普是龍沙最大的生產基地。
在維斯普，微生物生產能力從70升到15,000公升不等。當一項新工藝引入龍沙時，首先會從客戶移交給製程開發部門。我所在的製程開發部門位於廠區的中心位置，所有生產環節都圍繞在我們周圍。這極大地促進了製程開發和生產規模之間的良好協作。在製程開發部門，我們正在測試和調整這項新工藝，以降低在目標生產規模下放大生產的風險。
我知道在座各位來自不同的產業，對微生物生物工藝並不熟悉。因此，接下來的幾張投影片，我將向大家介紹一個典型的微生物生物工藝，以及表徵該工藝的典型步驟。
生物製程由上游部分和下游部分組成。在上游部分，目標蛋白（圖中橘色部分）在微生物發酵過程中產生。然後，細胞被分解，細胞碎片在分離過程中被移除。在下游部分，我們去除其他蛋白質，並純化目標蛋白，直到得到高純度的最終產物。
發酵是產生目標蛋白質的重要步驟。產品的產量和品質都取決於此步驟。蛋白質鏈中的任何錯誤都無法在發酵過程中進行修正。因此，正確控制溫度、pH值、溶解氧等輸入參數，並密切監測輸出指標（例如產品滴度、產品純度或生物量，即發酵過程中生物反應器中的細胞數量）至關重要。
在過程表徵研究（PC研究）中，我們希望了解輸入參數對輸出屬性的影響，並確定屬性符合規範的參數範圍。理解輸入參數和輸出屬性之間的依賴關係是理解生物過程的關鍵。
什麼是過程表徵（簡稱PC）？過程表徵是過程驗證的一部分，它包含四個部分。第一部分是風險評估，即選擇需要進一步研究的參數。我們根據對過程的了解、歷史數據以及參與風險評估人員的經驗和專業知識來選擇該參數。
第二部分是縮小規模模型的驗證。我們需要縮小規模模型，因為我們無法在實際規模下進行所有實驗來研究這些參數。這樣做成本太高，而且實驗效率也不會很高。在實驗室規模下，我們可以並行運行多個反應器，這有助於在實驗室中有效地進行實驗。然而，實驗室規模的儀器必須與生產規模下的儀器性能完全相同，並給出相同的結果。如果結果不一致，我們需要評估這兩個規模之間的差異，更詳細地了解這些與規模相關的差異，並能夠解釋這些差異。
在PC研究的下一步中，我們將使用JMP軟體設計實驗方案，以優化研究數量，然後在實驗室進行實驗。我們將收集實驗輸出的所有數據，並在JMP中產生數據表，分析數據以評估參數和屬性之間的相互作用，並確定參數範圍及其影響。
為什麼要進行製程表徵？製程表徵的目的是確保我們在生產過程中獲得穩定的產品品質和可重複的產量。就像我們服用藥物一樣，我們都希望每次都能獲得相同的效果。例如，服用止痛藥後，我們希望疼痛完全消失。我們不希望第一次服用後疼痛消失，但兩天後再次服用同樣的藥物時，卻幾乎無效。而第二天服用時，藥效又過強。這正是我們希望藥物始終保持相同品質和療效的例子。為了實現這一點，我們需要進行製程表徵和製程驗證。
現在，我將展示一些例子。首先是縮小模型的驗證。正如我之前提到的，縮小模型的驗證是製程研究中非常關鍵的一步，它確保實驗是在代表性的儀器上進行的。在發酵槽或發酵反應器中，我們連接了許多感測器，它們在實驗過程中持續記錄大量數據。這是一個龐大的資訊來源，非常適合用於比較不同規模之間的差異。接下來，我將向大家展示我們如何利用這些數據來探索這些規模差異。
正如我多次提到的，在實驗室中使用儀器確實更經濟。我們可以在實驗室規模上使用高通量設備，這樣就能以比在生產規模上進行所有實驗更低的成本完成大量實驗。透過驗證縮小規模的模型，我們還能確定規模相關的差異。
到目前為止，我們主要使用的是離線資料。具體操作如下：我們分別收集實驗室規模和生產規模的數據，並進行單因子變異數分析。我們使用變異數分析（ANOVA）或平均值比較來確定這兩組實驗室規模的批次資料是否具有可比性。
問題在於，當我們使用線上數據時，無法用這種圖表進行比較。數據看起來就像圖表的右側部分。有些人憑藉專業眼光比較這些曲線，然後說，好的，這些數據具有可比性，或者這些數據完全不同。這種方法的弊端在於，比較數據的人可能會離職，或者一些同事查看數據後會說：“哦，不，我看不出有什麼區別”，而你卻能看出區別。這並非一種有效的統計數據比較方法。
借助 JMP Functional Data Explorer，我們可以以適當的方式對這些資料進行統計比較，甚至可以確定是否存在聚類。對縮減模型進行定性是將 PC 研究中的範圍轉化為生產控制策略的關鍵。如果存在差異，我們可以將該差異轉換回去。我將快速示範 JMP Functional Data Explorer 的工作原理，以及我們如何將其應用於稍後的範例。
函數式資料瀏覽器（Functional Data Explorer）是非常優秀的連續資料分析工具。我不會詳細解釋它的工作原理，因為關於它的工作原理已經有很多講解，而且目前也有很多相關的討論。我將重點介紹對我的分析最有用的部分。首先，當我們擁有數據時，需要擬合一個模型。這個模型需要在B樣條、P樣條、傅立葉變換或小波轉換中選擇一個。然後，我們需要檢查哪個模型更適合我們的數據。
第二步，我們進行函數型主成分分析。如果您之前使用過主成分分析，那麼這種方法與之類似，只是處理的是函數資料而非資料點。其核心思想是改變空間結構，使函數之間失去相關性，從而得到我們在這裡看到的函數形狀。這些函數形狀可以解釋批次間的變異性以及基於平均值函數的變異性。例如，這裡第一個形狀的函數可以解釋批次間屬性趨勢56%的變異。
我們得到的另一種圖表是得分圖。在得分圖中，我們可以選擇要比較的成分。在本例中，我們可以選擇五個成分。這五個成分分別是五個形狀函數，我們可以將它們繪製在 X 軸和 Y 軸上。在這裡，我們可以根據數據，觀察它們是否沿著 X 軸和 Y 軸進行分組，在本例中，即沿著第一個或第二個成分進行分組。
透過觀察，我們已經可以發現，沿著主成分 1，很可能存在兩組，一組位於 X 軸的左側，另一組位於右側。為了驗證這一點，我們還可以使用控制圖。利用控制圖，我們產生一個針對主成分函數的控制圖。然後在頂部添加不同的尺度。我們可以觀察不同尺度下產生的平均值，評估尺度差異，並判斷平均值是否真的相同。
功能資料瀏覽器可讓我們對可比較批次進行聚類，並比較尺度平均值。這正是我們所需要的，可以用來比較這些屬性的資料。
我們來看一個例子。這些數據是真實的，但出於保密原因，我們已對本次演示中的數據進行了匿名化和標準化處理。在這個例子中，我們想比較兩個實驗室的測量結果（紫色和藍色的分別為實驗室1和實驗室2），以及針對特定屬性（即啟動時間）的生產測量結果。
我們想知道這兩個規模中哪一個更適合作為該製造規模的縮小模型。我們運行了功能數據瀏覽器，並得到了一些結果。如果我們查看該功能主成分的特徵值，會發現第一個主成分已經可以解釋批次間超過 78% 的變異性。第二個主成分的解釋力超過 9%，因此我們將把剩餘的分析重點放在這兩個主成分上。
我們來看看得分圖。在得分圖中，我們可以直接看到，在解釋批次間大部分變異的功能組件 1 的 X 軸方向上，存在兩個聚類：左側聚類僅包含實驗室規模的數據，右側聚類包含實驗室規模 2 的數據以及生產規模的數據，分別以藍色和綠色點表示。圖中存在一些異常值。在組件 2 上，我們無法真正定義兩個組。
為了確認這些分組，我們查看了控製圖。圖中可以看到，代表批次間均值的綠線在藍點和綠點之間非常接近，這表示實驗室規模 2 和生產規模的平均值相近。實驗室規模 1 的平均值則截然不同，因此該規模對我們來說並非最佳選擇。功能資料瀏覽器 (Functional Data Explorer) 已將實驗室規模 2 識別為該屬性更具代表性的縮小規模模型。需要說明的是，這僅適用於該屬性。對於其他屬性，可能需要使用不同的縮小規模模型。我們需要對所有已決定在分析中探索的屬性進行驗證。
現在我們已經定義了縮減模型，接下來我們將進行PC研究分析的下一部分。在這一步驟中，我們將設計實驗並執行實驗，同時檢視參數與屬性之間的交互作用，以及參數範圍和影響判定的資料分析。這兩步驟我們不使用Functional Data Explorer，而是使用JMP，並採用非常標準的實驗設計（DoE）方法。
我們為什麼要使用實驗設計（DOE）？ DOE 使我們能夠比較參數和屬性，並觀察它們之間的相關性。事實上，在實驗設計中，我們可以辨識出各種不同的交互作用：主效應、二次效應和交互效應。我們還可以優化屬性。例如，我們可以最大化滴度、最小化某些雜質或最大化某些純度（即某些質量屬性）。我們可以達到特定的目標。我們有很多選擇，這些選擇確實能幫助我們。在最終的報告中，我們也可以看到參數對屬性的影響。借助 P 值，我們可以判斷這些影響是否顯著。
為了設計合適的模型，我們可以使用 JMP 的「實驗設計 (DoE)」選單，並選擇所需的設計。如果對如何操作有任何疑問，我們始終可以使用便利的「簡易實驗設計」選項，它能幫助我們逐步完成模型設計。在本例中，我們使用經典的響應曲面中心複合設計。在這種情況下，我們有一個中心點，它對應到我們的設定點。假設我們的設定點為 35 度。
然後我們稱之為操作範圍。這個範圍包含了探頭的精確度以及發酵過程中可能出現的微小波動。例如，讀數不會是一條直線，而是會略微波動，這是由於探頭的精度、添加的營養物質以及發酵槽的溫度控制等因素造成的。已知在這個操作範圍內，所有數據都將符合規格要求。
現在，我們想知道，如果在過程中出現某種情況，導致短時間內溫度與設定值出現微小差異（例如溫度升高或降低），或者在整個過程中溫度都與設定值存在差異，那麼在這種溫度變化期間，我們的產品或品質是否仍然符合規格？ JMP DoE 不僅幫助我們優化實驗室實驗次數，也幫助我們理解參數和屬性之間的相互作用。
現在，我們正在實驗室進行實驗，並將所有數據收集到 JMP 的數據表中，然後我們想要建立一個模型。資料收集完成後，我們遵循整潔資料原則，即每行代表一個實驗，每列代表一個參數或屬性。這是使用 JMP 的標準方法。之後，我們可以使用不同的選項來擬合模型。例如，我們可以將不同的參數放入響應曲面模型中。在這裡，我們可以使用 Y 來添加我們想要探索的屬性。我們可以選擇不同的方法，例如，標準的最小平方法或逐步迴歸法等等。
運行此模型後，我們將獲得一份報告。在報告中，我們通常會向下捲動以查看預測分析器中的結果，以了解參數和屬性之間的交互作用。但是，為了做到這一點，並確保我們選擇了合適的模型，至關重要的是要專注於模型的評估。這是第一步。這就是為什麼 JMP 會在報告中提供大量輸出的原因。我們必須真正理解評估結果。例如，報告中包含失擬指標、學生化殘差、適合度總和等等。我強烈建議您深入研究這些數據，真正理解其含義，並為您的數據選擇最佳模型。 JMP 會進行適當的分析並驗證擬合模型的質量，從而確保可靠的預測分析研究和藥物產品。
正如我之前提到的，屬性和參數之間的關係體現在預測分析器中。我們有一個位於中間的設定點。通常情況下，它會到達預測曲線的頂部。這就是工作範圍，也就是資料在該屬性範圍內的位置。在屬性範圍的邊緣和預測分析器曲線的交點處，存在一個更大的範圍。這意味著這些是極端點，但數據仍然在規範範圍內。這就是我們希望透過預測分析器研究找到的已驗證的可接受範圍。預測分析器研究也會給出影響值，這取決於預測分析器曲線的形狀。曲線越寬，影響越小；曲線越窄，影響越大。屬性規範只有在已驗證的參數可接受範圍內才能滿足。現在，我將向您展示一個應用程式範例。
在這個發酵過程的PC研究資料範例中，我們採用逐步迴歸法，並考慮所有可能的模型選項，建構了一個響應曲面模型。我們的模型評估滿足了相當多的標準，但卻始終無法達到適合度。我們遇到了擬合優度不足的問題，模型在該範圍內擬合效果不佳。我們一直在思考原因。我們與許多專家進行了內部討論，並深入分析了數據。最後發現，我們可能遇到了響應曲面模型無法捕捉到的平台期效應，因為它是二次模型。我們需要在參數中加入一個三次多項式。我們照做了，並重新運行了分析。
當時，我們滿足了所有標準。這裡，第一個模型在這裡，第二個模型在那裡。可以看到，最後改變的參數是第一個參數，預測曲線也略有不同。實際上，最後出現了一個平台期。
此時，我們找到了一個符合所有規範的正確模型。我們能夠定義經過驗證的可接受範圍及其影響。正如您在前兩個參數中看到的，影響高於第三個參數。現在，我們已將此應用於生產中，並在生產層面使用這些範圍進行一些運行測試。
發酵結束後，分析方法層析圖中會出現峰後肩峰，顯示存在一些與產品相關的雜質。這些雜質在下游製程中很難去除。接下來，我將向您展示我們如何利用功能性資料瀏覽器（Functional Data Explorer）來最大程度地減少這些與產品相關的雜質。
正如您在這裡看到的色譜圖。我們原本預期的是，曲線上升的部分在右邊會以相同的形狀下降。但實際上，下降部分卻很不平整。這意味著產品的這一部分含有雜質，也就是產品相關的雜質，這些雜質很難在下游製程中去除。如果我們不去除這些雜質，或者找不到去除它們的方法，問題可能會更加嚴重，最終產品的品質可能達不到規格要求。
我們現在得到的曲線中出現了一些雜質。我們知道，借助 JMP 功能資料瀏覽器，我們可以更好地理解曲線形狀。正如您之前所看到的，我們透過實驗設計 (DoE) 來測試不同的參數，並希望了解這些參數是如何產生的，以及如何利用這些資訊來解釋雜質的出現，並盡可能減少它們。
對我們來說，問題在於功能性資料瀏覽器 (Functional Data Explorer) 提供的一些主成分分析結果並非實際參數，我們無法在實驗室中將其調整為特定的、真實的參數。這不像溫度可以隨意改變幾度。但在 JMP 功能資料瀏覽器中，我們有一個非常有用的選項，可以將功能主成分資料轉換為實際參數。這就是功能性實驗設計 (DoE)。在功能資料瀏覽器中建立模型時，只需在第一步中新增您執行的 DoE 分析即可。這樣，JMP 就能在分析器中將 FPC 轉換回實際參數。然後我們就可以進行轉換。我們希望透過這種方法能夠去除或減少雜質。
以下是我們具體操作的範例。我們有一個肩峰。這裡，我放大了峰值的一部分以便更清楚地觀察。峰後肩峰的數值為 0.11，這個數值相當高。這是我們在所有參數都設定好數值後得到的。然後，我們透過在功能性 DoE 分析器中調整每個參數來優化它。我們發現，透過降低第一個參數並增加接下來的兩個參數，我們可以將這些雜質的含量減少一半。
這對我們來說確實是一個非常棒的結果，因為去除DSP部分中的這些雜質非常困難，如果我們能在流程早期透過優化一些參數來做到這一點，就能節省大量的時間和金錢。這對我們和我們的客戶來說都是一個非常有利的解決方案。這是一個非常好的結果，但我們還需要在實驗室進行測試。測試尚未完成。我們還需要評估這樣做是否會產生其他問題，例如過度降低其他參數或屬性（而我們不希望降低這些參數或屬性），或增加其他方面。
在本次示範中，您可能已經意識到統計學對於支援製程表徵的重要性。今天，我將向您介紹如何借助 JMP 改進製程表徵，並實現製程從小規模到生產規模的轉移。
作為本次演講的要點，您可以記住以下四個面向。首先，製程表徵能夠確保大規模生產過程中產品品質的穩定性和產量的可重複性。其次，借助 JMP 的功能性 DE，我們可以對連續資料進行聚類，從而檢測規模差異。第三，JMP 能夠識別最佳擬合模型，即使是 PC 研究數據等複雜數據也是如此。最後，JMP 的功能性 DoE 可以將 FPC 轉換為操作參數，從而幫助理解和優化製程。
在此，我要衷心感謝所有幫助我準備這場演講的同事們。特別感謝Sven，是他提出了這次演講的主題；也要感謝Claire和Ludovic，他們分享了他們的統計學知識；感謝Jonas在演講準備過程中提供的支持；感謝Romain與我分享了一些數據；感謝所有同事的貢獻和思考。最後，我要特別感謝Florian，在過去的幾年裡，他一直為我們部門解答各種JMP相關問題，無論問題多麼複雜或多麼愚蠢。
感謝您的關注，希望這些資訊對您有所幫助。如果您有任何疑問，歡迎隨時提問。如果您身在曼徹斯特，還有其他問題，我們也可以繼續探討。謝謝。
