| 揚聲器 |
抄本 |
| 克里斯特爾·克羅尼格 |
大家好，感謝大家參加這次演講。我叫克里斯特爾‧克羅尼格，是英國劍橋大學雷迪博士中心的科學家。我 |
| |
我協助了這個專案的數據分析。我的同事Andrea Sekulovic也參與了這項研究，她在荷蘭的Dr Reddy's公司工作，是一位配方科學家。 |
| |
所以今天我將和大家討論如何優化研磨過程以配合創新者的藥品品質屬性。 |
| |
因此，演講的第一部分將與大家討論流程開發、專案目標以及研究涉及的內容。 |
| |
以及我們考慮了哪些建模選項，然後在第二部分，我將研究我們在 JMP 中為這項研究開發的工作流程。 |
| |
好的，這項研究的目的實際上是了解銑削製程參數之間的關係 |
| |
以及我們正在生產的藥品的任何品質屬性，也就是我們的反應。因此，我們希望獲得一個預測模型，以便我們能夠將其用於擴大規模，並優化此製程所需的條件。 |
| |
因此，作為研究的一部分，我們必須檢查幾種反應，它們是粒度屬性。 |
| |
因此，我們研究了微米和跨度，並透過研究創新產品，我們也知道了哪個...需要什麼範圍才能確保我們的產品符合規格並與創新產品相似。 |
| |
因此，響應曲線會根據研磨時間和研磨製程參數而變化，以找到我們需要優化這些參數的最佳條件，確保我們的產品在設計範圍內符合規格要求。 |
| |
研磨速度、流量、尺寸，我們還有負載參數、賦形劑百分比、API 濃度，當然還有研磨時間。 |
| |
因此流程開發是… |
| |
我們從生產一些初始批次開始。我們沒有直接進行實驗設計。我們 |
| |
我們研究了最初幾批生產過程中需要收集的數據，並研究了各種建模方案。然後團隊 |
| |
荷蘭的一家公司決定進行 I 型最佳化設計，因此他們研究了三個參數和時間，並進行了一些初步建模， |
| |
在最初的資料集之後，我們決定增加三個額外的參數。所以我們記錄了這個設計，增加了10個額外的實驗。最終我們得到的數據集 |
| |
優化過程中所考察的批次有38個，包含六個參數和時間，這就是我們在本研究中優化所使用的數據。之後，我們又做了一些確認批次，以檢查 |
| |
新的設定將產生符合要求的產品。 |
| |
好的，那麼我們考慮了哪些建模選項 |
| |
對於這個項目來說？所以團隊的預設選項實際上是在選定的時間點對回應進行建模。 |
| |
在標準軟體中很容易做到這一點，當然缺點是無法預測結果 |
| |
在其他時間點，最佳值可能位於特定時間點之間。因此，對隨時間變化的曲線進行建模，可以更好地理解製程參數如何影響隨時間變化的響應曲線。 |
| |
這樣你就更有可能達到最佳效果。當然，要做到這一點，你需要更高階的建模能力。 |
| |
因此，我們查看了 JMP 中提供的首次擬合曲線。 |
| |
對於我們的初始資料集來說，這個函數效果很好，所以這是 Biexponential 4 函數之一， |
| |
當您了解對某些回應進行建模時，我們使用的方法似乎可以很好地擬合我們最初製作的大多數批次，並且右側有一個例子，說明這種類型的曲線如何很好地擬合我們的數據。 |
| |
我們遇到的一個問題是，它並不適用於所有批次，例如，在某些情況下，我們沒有足夠的時間點。左側沒有足夠的時間點 |
| |
看看……擬合那個模型。例如，對於這個特定的模型，你至少需要五個。在右邊，我們有一種方式，我們有足夠的時間點，但那種特定類型的曲線與這個特定的模型不太吻合。 |
| |
因此，對於我們擁有的更大的數據集，使用它很困難，因此，出於這個原因，我們沒有繼續採用這種方法。 |
| |
我們也研究了功能數據探索器。 |
| |
所以您可以在這裡看到，查看這個平台上的 10 個不同批次，您可以在左側看到它們以及配置文件的擬合方式... |
| |
隨著時間的推移，因此這裡不存在缺少數據點的問題。 |
| |
這樣就能很好看出不同批次之間的差異。例如， |
| |
在右側圖表的綠色部分，你可以看到快速批次位於空間的這一部分，而慢速批次出現在空間的不同部分，這突出了差異 |
| |
當您查看左側的圖表時，這些配置之間的差異可能不是那麼明顯。 |
| |
因此，使用函數資料探索器可以得到 |
| |
它將隨時間變化的概況分解成不同的主成分，所以我們在這裡看到的 FPC 值， |
| |
這就是你在工作流程的下一部分要用到的。這個功能在 JMP Pro 中可用；我忘了說了。首先，在我向你展示它在 JMP 中的樣子之前，我想先帶你了解一下 |
| |
工作流程是什麼樣的，我們想做什麼。所以我們從……抱歉……開始 |
| |
時間表上有關鍵的品質屬性、回應，我們有時間點，然後對於每個時間點， |
| |
是的，關鍵的品質屬性，以及我們將用來產生批次的製程參數。 |
| |
因此，您可以獲得該數據並使用 FDE 來獲取模型，這意味著您可以將您的 CQA（您的回應）表示為時間和那些功能主成分 FBC 的函數。 |
| |
因此，最終輸出結果會是一張總計表。每個批次都有 CPP 和 FPC（功能主成分），然後就可以應用標準建模了。 |
| |
然後獲得預測模型，將這些 FPC 表達為過程參數的函數。 |
| |
然後最後一步是將該模型匯入到原始表中，這樣你就可以將你的回應表達為時間和過程參數的函數， |
| |
然後您可以使用它來找到最佳條件並使用這些模型進行確認批次。 |
| |
所以，我要說的是，對於建模，我將在 JMP 中向你展示這一點，我們使用此模型驗證策略進行設計實驗，這是我所介紹的 |
| |
三年前在探索高峰會上。我不會詳細說，但如果你想查的話，可以參考一下。 |
| |
好的，我現在將帶您了解 JMP 中的工作流程，然後我將切換到 JMP，這樣…只需找到我的 |
| |
JMP 日誌。 |
| |
好的，將其移到這裡。 |
| |
好的，我們先從 |
| |
原始資料表，所以我們有生產批次數，總共 38 批。每批都有 |
| |
多個時間點。例如，這裡的第一批，我們有10個不同的時間點。有六列是製程參數。 |
| |
然後我們對每個問題都有兩種回應 |
| |
數據點。首先要展示的是查看資料表，並視覺化資料集，看看它是什麼樣子的。我這裡有一個使用 Graph Builder 的腳本，它可以快速概覽 |
| |
數據是什麼樣子的。例如，你有一個回應 |
| |
這裡的研磨時間在底部，您可以直接看到輪廓非常不同，根據批次的不同，有些比其他的更陡峭，有些非常淺，還有一些是在較長或較短的時間內收集的。 |
| |
現在，我們將更詳細地研究一下概況，並看看我們 |
| |
之前在投影片中討論過。 |
| |
因此，第一個是使用擬合曲線，這是在分析平台下、專門的建模下。 |
| |
所以如果我選擇擬合曲線。 |
| |
我要用 X 和其中一個響應來選擇研磨時間，然後選擇批次。我要為每個批次都執行此操作。點選“確定”。然後，我就能得到每個批次的曲線圖，也就是隨時間變化的反應。 |
| |
然後我要 |
| |
使用 JMP 已經儲存的模型之一，這就是雙指數 4P，我 |
| |
之前討論過，所以我就不細說它們的區別了，你們知道不同的模型，但我知道這是我們之前研究過的資料模型之一。比如說，對於這批資料來說，它的擬合效果還行，但對於某些資料點來說，擬合效果並不理想。 |
| |
對於這個，沒有足夠的時間點，所以你不， |
| |
你知道，你不能真正使用它，但對於一些批次， |
| |
例如這個，擬合得非常好，所以你有四個係數，你知道，估計值，它們具有統計意義。 |
| |
那麼，您要做的就是導出所有資料並獲取匯總表，就像我們將為功能資料資源管理器執行的操作一樣，但是...因此，我不會在此演示中使用擬合曲線，但可以使用相同的方法。 |
| |
因此，讓我們轉到函數資料探索器，它也是 JMP Pro 中的專門建模。 |
| |
我將選擇我的回應和我的銑削時間，我的 ID 也是我的批號。 |
| |
因此，我不會再詳細解釋，考慮到我們時間有限， |
| |
這種類型的資料應該用什麼模型？我知道 B 樣條函數非常適合我的資料集，所以我打算用這個。 |
| |
正如您所看到的，JMP 為我們資料表中的每個批次都擬合了一個模型，看起來擬合效果相當好。 |
| |
因此，如果我進一步往下看，您會發現它將設定檔分解為不同的部分。 |
| |
你可以在圖表上看到批次是否符合規格。對於這個特定的反應，FPC1（此處頂部）實際上解釋了數據中 96% 的變異，這相當不錯，所以在這種情況下，我們不需要 |
| |
看看 FPC2 和 FPC3。在這種情況下，我們可能只需要保留第一個。例如，對於我們在這個資料集中擁有的其他回應，情況並非如此，但在這裡我將 FPC 的數量限制為一個。 |
| |
然後我要 |
| |
匯出我的摘要數據，因此當我按一下儲存摘要時，會出現一個新表 |
| |
在 JMP 中。您可以看到，有 38 行，每個批次一行，其中包含批次號碼、FPC 值以及一些預測公式。 |
| |
所以我現在要關閉這個表，並使用我之前準備的那個表，它有 |
| |
我想要查看資料集中所有回應的 FPC。 |
| |
我先這樣操作，然後切換回我的日誌。好的，我們現在進入第二步，我準備好了一張總表，裡面有我每個FPC回覆的欄位。 |
| |
所以我要做的第一件事就是用這個 |
| |
驗證 |
| |
DOE 的技術，我會建立額外的行，用於驗證報告。投影片裡有參考資料，如果你想進一步了解這項技術，可以參考一下。接下來我們 |
| |
為我的一個 FPC 擬合一個模型。 |
| |
我們要檢查我的一些製程參數的功能。 |
| |
然後點擊運行。 |
| |
我將使用最小 AICc 停止規則。點選“執行”。 |
| |
JMP 發現了幾個重要的製程參數及其交互作用。你可以看到 R 平方和 R 平方調整 |
| |
看起來不錯，而且你還可以透過使用這些…添加額外的 R 平方驗證，這也表明它看起來不錯，而且模型沒有過擬合。所以我要點擊“創建模型” |
| |
和 |
| |
然後 |
| |
我有一個模型，從中我可以看到銑削速度和尺寸很重要，一些交互項也很重要，所以接下來我需要做的是保存預測公式。 |
| |
而且我還可以保存腳本，以便以後再次執行該操作時將其保存到我的資料表中。 |
| |
我要關閉這個視窗了。你需要做這個練習，根據資料表中的每個FPC值來擬合模型。 |
| |
我們需要做的最後一件事是使用我們的預測公式，這是我剛剛為 FPC1 保存的公式。 |
| |
這是之前FDE的預測公式。我右鍵點擊，它看起來是這樣的。這樣我就得到了每個批次的FPC1。 |
| |
然後我得到了一些額外的列，它們是時間函數。所以我現在要做的是，不用 FPC1（實際值），而是用我的預測公式， |
| |
它現在是我的製程參數的函數。只需將其替換到公式中即可。點選“應用”。 |
| |
好的，再次強調，您需要對生成的任何模型執行此操作，然後將其保存在資料表中。 |
| |
所以我要結束這個，我們繼續日誌的下一步。 |
| |
好的，接下來你需要做的就是將我們剛剛儲存的公式匯入到原始表中，這樣我們就能看到回應是如何隨時間和流程參數變化的。我要開啟時間資料表，然後開啟包含模型的總計表。 |
| |
所以我要選擇那些有模型的列，並將它們複製到 |
| |
我原來的桌子，現在我把它弄丟了。 |
| |
就是這樣。我現在要點擊「貼上列」。 |
| |
我只是想再檢查一下它是否複製了我的公式。 |
| |
例如，如果我去那裡，我的公式肯定被複製了。所以我現在得到的是 |
| |
此模型預測響應與時間和製程參數的關係。因此，我不再保存它，而是使用最終的表格，其中包含我進行最佳化所需的所有模型。 |
| |
這是最後一步。 |
| |
我現在又有了製程參數、研磨時間、兩個響應以及預測公式，這些都來自總計表。我現在要使用這兩列資料以及分析器。 |
| |
我還需要查看因子等級，所以團隊希望將 API 濃度、賦形劑和大小設定為他們想要找到最佳條件的特定設定。如果您鎖定這些設置，請點選「確定」。 |
| |
然後您可以使用可取性函數來設定規範限制，我已經這樣做了。 |
| |
然後最大化願望，然後這些就會 |
| |
使用 JMP 找到最佳條件，以提供符合我們設定要求的產品。這是我們使用的一種技術。 |
| |
所以我現在要退出 JMP 並回到投影片，只是為了向你們展示這個工作流程的結果。 |
| |
我要切換回螢幕。好的。我們荷蘭團隊做的38批產品中，只有4批只有一個時間點。 |
| |
至少在一個時間點，這兩個結果都在設定的範圍內。但你可以在右邊的表格中看到，對於所有四種情況的跨度響應，這非常接近 |
| |
規格上限，團隊真正感興趣的是找到能夠產生產品的條件，其中特定響應在範圍內 |
| |
同時保持其他響應也在目標範圍內。 |
| |
是的，我們得到了很棒的結果。所選條件的模型預測跨度為 1.63。這批數據的實際結果是 1.78，這是最低的。 |
| |
所有批次的產量跨度都達到了這個水準。所以團隊對這個結果非常滿意。儘管模型略微低估了產量，但這仍然是一個相當不錯的結果。你可以在這個螢幕上看到 |
| |
該批次顯示為綠色，並位於所有其他批次的左側。 |
| |
這就是為什麼我們能夠取得如此好的結果。我想，正是因為使用了略微不同的參數組合，才使得我們能夠得到這樣的結果。 |
| |
所以，我的結論是，JMP Pro 中的函數資料探索器在這個應用中表現非常出色。它產生了良好的預測模型，並獲得了迄今為止最好的結果。 |
| |
儘管最初很有希望，但我們無法很好地利用擬合曲線方法 |
| |
我們在研究開始時就看到了結果，我們不能將其用於整個資料集，但是 |
| |
儘管如此，團隊仍然堅信分析隨時間變化的曲線以及這種方法的價值。當然，你也可以將其應用於其他類型的數據，例如配方、體外釋放或 API 開發中的反應轉換。 |
| |
演講到此結束，感謝荷蘭的同事們參與了多批次的研磨， |
| |
感謝本次演講的共同作者安德里亞，感謝她出色的團隊合作。我們雙方互動良好，最終取得了一些不錯的成果。感謝大家的聆聽，希望大家喜歡這次演講，也希望大家享受接下來的探索之旅。 |
