| Lautsprecher |
Transkript |
| Tiffany |
Zunächst einmal vielen Dank, dass Sie heute dabei sind. Wir werden über die Charakterisierung verschiedener Bioprozesse sprechen... und uns dabei auf pDNA konzentrieren, um zu sehen, wie fraktional gewichtetes Bootstrapping wirklich |
| |
zu Ihren Prozessen hinzufügen. Phil wird mich in der zweiten Hälfte der Präsentation begleiten, um die JMP |
| |
Beispiel, sowie einige verschiedene Techniken zu geben. |
| |
verwendet werden. |
| |
Ich werde über die CMC-Strategie und Biotechnologie sprechen, darüber, wie wir ein Medikament auf den Markt bringen und wie wir neue Tools wie FWB nutzen können, um unsere Prozesse umzusetzen. |
| |
Fangen wir also an. Die Reise zur Kontrolle der chemischen Produktion. Es ist ein sehr langer Weg, und wir werden darüber sprechen. |
| |
Warum DOE, warum prädiktive Modellierung? Die Markteinführung eines Medikaments ist sehr komplex. Es geht nicht nur um die Experimente, sondern auch um die klinische Anwendung. |
| |
und alles zusammenpassen zu lassen. Wir werden uns auch mit systemischen Denkansätzen befassen. Und dann natürlich die Charakterisierung dieser Bioverarbeitung und dann die Fallstudie, die Phil |
| |
Diskutieren Sie. Wie sieht der CMC-Pfad aus? Dies ist ein allgemeines Beispiel und wir gehen von der Toxikologie aus. Es geht darum zu sehen, ob es keine Wirksamkeit hat. Funktioniert es? |
| |
in einem nicht-menschlichen Versuch. Bis hin zur kommerziellen Herstellung, und da steckt eine Menge drin, zum Beispiel die Prozessentwicklung. |
| |
Aber Sie müssen auch ein Zielproduktprofil haben. Was soll das Medikament, das Sie entwickeln, tatsächlich bewirken? Und es ist wichtig, das im Laufe der Entwicklung zu verstehen. Und dann natürlich die |
| |
Qualitätszielproduktprofil. Das heißt: Welche Aspekte sind notwendig, damit das Molekül wie vorgeschrieben funktioniert? |
| |
Und dann schauen wir uns die kritischen Qualitätsmerkmale an und durchlaufen dann den Prozess, also ist es...es ist eine...es ist eine Gruppe |
| |
Dies liegt daran, dass Sie Prozessentwicklung, Prozesscharakterisierung, Prozessqualifizierung und die BLA durchführen müssen. Jeder dieser Schritte erfordert eine enorme Menge an Arbeit. |
| |
Und wir möchten auch sicherstellen, dass Sie in den verschiedenen Phasen tatsächlich diese Daten erstellen |
| |
Gruppierungen. Denn wenn Sie zur Prozesscharakterisierung und -qualifizierung kommen, möchten Sie sicherstellen, dass Sie so viele Ihrer bisherigen Informationen wie möglich nutzen können, um tatsächlich zu verkürzen |
| |
Ihre Zeitpläne. Sie könnten sagen: „Tiffany, ich mache die Prozesscharakterisierung, den gesamten Prozess hindurch.“ Und ich würde sagen: „Absolut.“ Aber die Prozesscharakterisierung, die spezifisch für den CMC-Pfad ist, was wir aus regulatorischer Sicht brauchen. |
| |
Jeder hat wahrscheinlich schon von Impfstoffen, Zell- und Gentherapien gehört. Das ist derzeit ein sehr heißes Thema, und es ist auch |
| |
Wir bieten Patienten neue Behandlungsmöglichkeiten, die uns bisher nicht zur Verfügung standen. |
| |
In den beiden großen Gruppen der Zelltherapien und Gentherapien gibt es unterschiedliche Aspekte. Wir haben Immuntherapien und Stammzellentherapien. |
| |
Wir betreiben regenerative Medizin. Stellen Sie sich vor, Sie haben eine Rückenverletzung und können sich regenerieren. Es gibt enorme |
| |
Schwerpunkt auf dieser Gruppierung. Aber auch Gentherapien stehen im Vordergrund. Virale Vektoren. Verwenden wir bakterielle Vektoren? Wie erhalten wir die DNA |
| |
in das System, um eine Behandlung für die Patienten zu ermöglichen? Nun, Plasma-DNA ist einer dieser Aspekte und Phil hat eine erstaunliche Fallstudie, bei der sie eine Optimierung durchgeführt haben. |
| |
Sie könnten also sagen: „Was ist pDNA? Und warum ist sie wichtig, abgesehen davon, dass sie Teil des derzeit sehr interessanten Bereichs der Gentherapie ist?“ |
| |
Tatsache ist, dass es für ... in vorbeugenden Impfstoffen, Immunisierungsmitteln, für ... Zubereitung ... Zubereitung von Hyperimmunglobulin verwendet werden kann. |
| |
Krebsimpfstoffe, therapeutische Impfstoffe, Genersatz. Oder vielleicht haben Sie |
| |
Ein Kind mit einer seltenen Genmutation. Können wir das Problem beheben? All diese Dinge stehen im Zusammenhang mit der Gentherapie-Technologie, die sich ständig weiterentwickelt. |
| |
Je näher man der Kommerzialisierung kommt, desto strenger werden die Vorschriften, und auch die Datenmenge nimmt zu. |
| |
Stellen Sie sich vor, Gentherapien und Zelltherapien wären heute dort, wo wir vor über 20 Jahren mit der Zellkultur und monoklonalen Antikörpern waren. |
| |
Es ist eine erstaunliche Welt, in der wir jeden Tag neue Dinge lernen und sagen: "Oh, |
| |
Dies ist keine Plattform.“ Wir brauchen neue Geräte. Wir brauchen neue Arbeitsweisen. Wir müssen in der Lage sein, sehr, sehr kleine Datensätze zu analysieren, da bei Zelltherapien und Gentherapien die Patientenzahl typischerweise kleiner ist als bei anderen Indikationen. |
| |
Wie geht es weiter mit pDNA? Da der Markt für Zell- und Gentherapie weiter wächst, werden wir diesen Weg weiterverfolgen. |
| |
in die Kommerzialisierung. Wir müssen mit der FDA zusammenarbeiten, Hand in Hand, denn das sind Dinge, die wir noch nie zuvor getan haben. Wir verwenden Rohstoffe, die wir nicht verwenden, und andere |
| |
...andere Indikationen für Medikamente. Es gibt also noch viel zu tun. Es ist auch wichtig, Produkte wie die pDNA herstellen zu können, damit wir den Vektor in unsere entsprechenden |
| |
Es geht um Volumen, aber auch um Qualität. Wenn man also das beste Medikament der Welt hat, es aber nicht herstellen kann, dann fehlt das Medikament. Richtig? Man kann es den Patienten nicht liefern. |
| |
Wir müssen also sicherstellen, dass unser Verfahren gut charakterisiert ist. Und wie ich bereits erwähnt habe, sind viele dieser Indikationen sehr klein. Daher sind auch die klinischen Studien klein. |
| |
Gleichzeitig sind die Patienten oft sehr, sehr krank. Daher ist es von entscheidender Bedeutung, dass wir unsere Daten analysieren und sehr schnell auf ihre Bedürfnisse reagieren können. |
| |
Sowohl im klinischen Bereich als auch bei der Vermarktung. Wir wollen nicht in die Situation kommen, dass wir das Medikament nicht herstellen können, oder? Wir wollen es herstellen können. |
| |
Auch die Produktion ist ein sehr wichtiger Aspekt. Ich weiß nicht, ob Sie es in den Nachrichten bemerkt haben, es gab eine Menge |
| |
Ankündigungen von Erweiterungen. Natürlich werden die Kapazitäten für Impfstoffe erweitert, aber eine der großen Entwicklungen betrifft auch pDNA. Millionen, manchmal Milliarden Dollar werden dafür ausgegeben. |
| |
bei der Erweiterung dieser Produktionsstandorte. Und Sie könnten sagen: „Okay, Sie erweitern Ihre Produktionsstandorte.“ |
| |
Das ist großartig. Aber jetzt muss ich in der Lage sein, die Technologie in die Produktionsstätte zu transferieren. Ich muss sicherstellen, dass mein Prozess robust ist...robust und nicht nur |
| |
übertragen und skaliert werden kann, aber ich muss sicherstellen, dass ich die statistische Aussagekraft habe, |
| |
Ich weiß, dass mein Prozess unter Kontrolle ist. Ich habe vielleicht eine Variabilität von 2 %. Aber ich habe immer eine Variabilität von 2 % und habe sie beispielsweise charakterisiert. |
| |
Und da immer mehr Kapazitäten online gehen und wir auch Engpässe haben, stellt sich die Frage: Wo bringe ich mein Produkt hin? Dies muss berücksichtigt werden, also muss ich früher für die Fertigung entwerfen. |
| |
Und Sie könnten mehrere Produkte in Ihrer Pipeline haben. Stellen Sie also sicher, dass Sie lernen und in der Lage sind, diese Informationen zu erfassen und zu sagen: „Lassen Sie mich dazu ein paar prädiktive Modelle erstellen. Es ist vielleicht nicht das exakt gleiche Produkt, aber es hat ähnliche Eigenschaften.“ |
| |
Damit ist der Weg zur Kommerzialisierung sehr integriert, genau wie die CMC-Strategie den klinischen Aspekt berücksichtigt, |
| |
alles kommt zusammen, um ein Molekül durchzubewegen. Wir haben auch |
| |
über den Systemaspekt nachzudenken. Warum? Denn wenn wir im Upstream-Bereich etwas tun, können wir die Produktivität steigern, |
| |
200%, sagen wir, dann sagen wir: "Ja, ich habe meinen Meilenstein erreicht. Ich kann an meinen Patienten liefern." Aber wenn mein Downstream oder mein Zell |
| |
Wenn die Rückgewinnung das Produkt nicht wirklich zurückgewinnen kann, sei es beispielsweise ein Zell- oder Proteintherapeutikum, dann haben wir kein Produkt. Die ganze Arbeit ist sozusagen umsonst. Die Systeme |
| |
Ansatz, bei dem Sie sicherstellen, dass Sie alle unterschiedlichen Gruppen aus dem Geschäft, der Lieferkette, der Qualitätskontrolle und der Entdeckung einbeziehen. Jeder bringt sein Wissen ein, um es am Ende dem Patienten zu vermitteln, was von entscheidender Bedeutung ist. |
| |
Ich übergebe jetzt an Phil. Ich hätte gerne ausführlicher darüber gesprochen, wie wir Medikamente entwickelt haben, aber lass uns mal sehen, wie wir unsere Daten analysieren können. Also, Phil, ich übergebe jetzt an dich. |
| Philip Ramsey |
Okay, also danke, Tiffany, für diese Diskussion |
| |
um die Bühne für eine Fallstudie zu bereiten. Ich werde die meiste Zeit in JMP verbringen und einige der wichtigsten Tools demonstrieren, die es in JMP gibt. Sie wissen vielleicht nicht einmal, dass es sie gibt. |
| |
die für die Prozessentwicklung tatsächlich sehr wichtig sind, insbesondere im Kontext des CMC-Pfads, der chemischen Fertigungskontrolle und der Qualität durch Design. |
| |
Und zwei wichtige Merkmale der Prozessentwicklung, und zwar im Allgemeinen, |
| |
ist ein Prozess, bei dem Sie nicht nur einen Prozess entwerfen, sondern ihn auch charakterisieren müssen. Genauer gesagt, müssen Sie den gesamten Betriebsbereich charakterisieren. |
| |
Und natürlich wollen wir optimieren, um eine höchst wünschenswerte Produktion zu erzielen. Worüber wir oft nicht genug sprechen, ist, dass es bei diesen Aktivitäten im Wesentlichen um Vorhersagen geht. |
| |
Wir müssen leistungsstarke Vorhersagemodelle entwickeln, die es uns ermöglichen, zukünftige Leistungen vorherzusagen. Das ist ein sehr wichtiger Aspekt, insbesondere in der späten Entwicklungsphase, für die Zulassungsbehörden. Man muss nachweisen, |
| |
dass man ein Produkt zuverlässig herstellen kann. Ein Schlüsselartikel zu diesem Thema der Prozesscharakterisierung und -vorhersage war die berühmte Arbeit von George Box und seinem |
| |
Kohorte Wilson, der Ingenieur war. |
| |
Und darin sprachen sie über die Anfänge einer Reaktionsoberfläche, wie man sie heute nennt. |
| |
Und der Schlüssel dazu war ihre Arbeit mit dem sogenannten vollquadratischen Modell. Was ist das? Das ist ein Modell, das die Haupteffekte enthält. |
| |
alle wechselseitigen Wechselwirkungen und quadratischen Effekte. Und dies ist wahrscheinlich immer noch der Goldstandard für die Erstellung von Prozessmodellen, insbesondere für die Produktion. |
| |
Was viele vielleicht nicht wissen: Sie eignen sich gut für die Optimierung. Sie sind gute Näherungen zweiter Ordnung an diese unbekannten Antwortfunktionen. Weniger bekannt ist jedoch, dass sie über den gesamten Entwurfsbereich hinweg oft nur eine schlechte Näherung an die Antwortfläche darstellen. |
| |
Und 1996 veröffentlichten der verstorbene John Cornell und, wie viele Leute natürlich wissen, Doug Montgomery eine Arbeit, die wirklich unterschätzt wird. |
| |
Und dann wurde in diesem Artikel die Tatsache angesprochen, dass das vollständige quadratische Modell oft nicht ausreicht, um einen Designraum zu charakterisieren. Betrachten Sie es aus der Sicht eines Wissenschaftlers und überlegen Sie, wie dynamisch diese biochemischen |
| |
Prozesse sind oft nichtlinear. Mit anderen Worten: Es gibt eine große Nichtlinearität, die zu Antwortflächen mit ausgeprägter zusammengesetzter Krümmung in verschiedenen Bereichen führt. |
| |
Und das vollständig quadratische Modell kann damit einfach nicht umgehen. Sie schlugen daher vor, dieses Design zu erweitern und Dinge wie quadratisch durch linear, linear durch quadratisch und sogar |
| |
Quadratisch-quadratische Wechselwirkungen. Es hat sich gezeigt, dass diese Modelle Entwurfsbereiche besser approximieren als vollständig quadratische Modelle. Ich werde Ihnen das gleich demonstrieren. |
| |
Doch es gab für sie ein Problem. Erstens gefiel dieser Ansatz den traditionellen Statistikern nicht; das ändert sich heutzutage dramatisch. |
| |
Aber es gibt viele dieser Begriffe, die zu einem Modell hinzugefügt werden können, so dass selbst ein großes zentrales zusammengesetztes Design |
| |
wird übersättigt. Was bedeutet das? Es gibt mehr Unbekannte p als Beobachtungen und Anpassungen an die Modelle. Es stellt sich heraus, dass dies heutzutage im Zeitalter des maschinellen Lernens und neuer Techniken für prädiktive Modellierung kein wirkliches Problem mehr darstellt. |
| |
Wir werden also das sogenannte fraktional gewichtete Bootstrapping verwenden. Dies ist in JMP Pro möglich. |
| |
Und etwas namens Modellmittelung, um Modelle zum Vorhersagen von Reaktionsoberflächen zu erstellen, und ich werde tatsächlich diese großen erweiterten Modelle verwenden. |
| |
Wenn Sie also versuchen, diese prädiktiven Modelle zu erstellen, beispielsweise für Quality by Design, müssen Sie einige Dinge beachten. Erstens: |
| |
1996 schrieb einer der Pioniere des maschinellen Lernens, der verstorbene Leo Brieman, eine Arbeit, die wiederum nicht annähernd die nötige Anerkennung findet. Er wies darauf hin, |
| |
dass alle diese Modellbildungsalgorithmen, die wir zur Vorhersage verwenden (und dazu gehören Vorwärtsauswahl, alle möglichen Modelle, beste Teilmengen, Lasso) |
| |
sind von Natur aus instabil. Was bedeutet das? Instabil bedeutet, dass kleine Störungen in den Daten zu stark abweichenden Modellen führen können. |
| |
Er hat sich darum bemüht, dies zu verdeutlichen und hat eine Strategie vorgeschlagen: „Wenn man auf irgendeine Weise simulieren könnte, |
| |
„Wenn wir durch die Modellanpassung die Daten bei jedem Simulationslauf irgendwie stören würden, könnten wir eine große Zahl von Modellen anpassen und sie dann mitteln.“ Und er zeigte, dass dies Potenzial hat. |
| |
Damals standen ihm dafür nicht viele Werkzeuge zur Verfügung. Aber heute zeige ich Ihnen, wie Briemans Idee in JMP Pro funktioniert. Wir haben viele Tools und zeigen Ihnen, dass sie wirklich gut ist. |
| |
So oder so ist dies mittlerweile im maschinellen Lernen und Deep Learning allgemein anerkannte Idee der Ensemble-Modellierung und Modell-Mittelung. |
| |
Übrigens möchte ich kurz darauf hinweisen, dass John Sall vor Jahren in der schrittweisen Plattform von JMP eine Form der Modellmittelung eingeführt hat. Es ist ein verstecktes Juwel in JMP. Es funktioniert gut und ist in beiden JMP-Versionen verfügbar, aber ich werde eine umfassendere Lösung anbieten. |
| |
Das ist in JMP Pro möglich. Diese Lösung wird als fraktional gewichtetes Bootstrapping mit automatischer Validierung bezeichnet. Ich werde erklären, was das bedeutet. |
| |
Beim Erstellen von Vorhersagemodellen stehen wir vor einer Herausforderung. Wir benötigen ein Trainingsset, das zum Modell passt, und dann einen zusätzlichen |
| |
oder Validierungsdatensatz, um das Modell zu testen und seine Vorhersagesicherheit zu prüfen. Dem DOE stehen diese zusätzlichen Versuche schlicht nicht zur Verfügung. Brieman war in diesem Punkt tatsächlich ratlos. |
| |
Es gibt keine Möglichkeit, einen Validierungsfehler zu erzeugen. Nun, im Jahr 2017 bei Discovery Frankfurt, Chris Gotwalt, Leiter der statistischen Forschung bei JMP, und ich |
| |
präsentierte einen Vortrag über das, was wir als fraktional gewichtetes Bootstrapping und automatische Validierung bezeichneten. Was bedeutet automatische Validierung? Es bedeutet, dass dies nicht erscheinen wird |
| |
Intuitiv werden wir den Trainingsdatensatz auch als Validierungsdatensatz verwenden. Sie sagen: „Das ist doch verrückt. Es sind dieselben Daten.“ |
| |
Aber es gibt eine geheime Zutat für diese Technik, die sie zum Erfolg macht. Wir nehmen die Originaldaten, kopieren sie und nennen sie den Auto-Validierungssatz. |
| |
und dann weisen wir den Beobachtungen auf besondere Weise zufällige Gewichte zu und führen die Gewichtung durch |
| |
So erreichen wir eine Antikorrelation zwischen dem Trainingsdatensatz und dem Autovalidierungsdatensatz. Ich werde Ihnen das gleich veranschaulichen. |
| |
Okay. Übrigens haben wir meinen Doktoranden Trent Lempkis betreut, der diese Methode im letzten Jahr in umfassenden Simulationen ausführlich untersucht hat. |
| |
Und wir werden ein Papier veröffentlichen, das zeigt, dass diese Methode tatsächlich bessere Ergebnisse liefert als klassische Ansätze zum Erstellen von Vorhersagemodellen auf der Grundlage von DOE. |
| |
Ich werde hier also einfach weitermachen und über die Fallstudie sprechen. Und das ist, was Tiffany erwähnt hat |
| |
pDNA. Es ist ein wirklich heißes Thema und die pDNA-Herstellung gilt als großer Wachstumsbereich, und die Biotech-Welt erwartet ein starkes Wachstum, vielleicht sogar 40 %. |
| |
Jahr für Jahr, da immer mehr neue Therapien online verfügbar sind, bei denen es eingesetzt wird. |
| |
Und in diesem Fall – und das kommt in der Biotech-Welt sehr häufig vor – gibt es eigentlich keine vorhandenen Daten, die wir zum Erstellen von Vorhersagemodellen verwenden können. |
| |
Das führt uns direkt zur Versuchsplanung. In diesem Fall verwenden wir ein definitives Screening-Design. |
| |
Dies sind wunderbare Erfindungen von Brad Jones von JMP und Chris Nachtsheim von der University of Minnesota. |
| |
Sie sind äußerst effizient und ich empfehle sie Leuten in der Biotech-Welt, wo die Zeit und die Ressourcen zum Experimentieren begrenzt sind, wärmstens. |
| |
Im Grunde zeige ich Ihnen nur ein Schema, wie ein Bioprozess aussieht. Dabei konzentrieren wir uns auf den Fermentationsschritt. |
| |
Doch in der Praxis würden wir, wie Tiffany andeutete, sowohl die vorgelagerten als auch die nachgelagerten Aspekte dieses Prozesses durchleuchten. |
| |
pH-Wert, Prozent gelöster Sauerstoff, Induktionstemperatur. Das ist die Temperatur, auf die wir den Fermenter einstellen, um die |
| |
genetisch veränderte E. coli-Bakterien beginnen, Plasmide zu produzieren. Und was sind Plasmide? Nun, es handelt sich eigentlich um nicht-chromosomale DNA. |
| |
Und sie werden in vielen Therapien, insbesondere Gentherapien, eingesetzt und unterscheiden sich von der üblichen chromosomalen DNA, die man in Bakterien findet. |
| |
Unser Ziel ist es, diese modifizierten E. coli dazu zu bringen, möglichst viel pDNA zu produzieren. Deshalb haben wir den Versuch durchgeführt. Es handelt sich um ein echtes Experiment. Da wir neu auf dem Gebiet der DSDs waren, führten wir zusätzlich ein größeres, deutlich größeres traditionelles Zentralkomposit-Design durch. Und zwar separat. |
| |
Für die heutige Arbeit werde ich das CCD als Validierungssatz verwenden und Modelle mithilfe der automatischen Validierung auf dem DSD anpassen. Mal sehen, wie es läuft. Okay, ich wechsle jetzt einfach zu JMP. |
| |
Ich öffne eine Datentabelle. Hier sind die DSD-Daten. Wir werden unsere gesamte Modellierung auf diesem Datensatz durchführen. Und übrigens, ich passe ein 40-Prädiktor-Modell an ein 15- |
| |
Design mithilfe von Techniken des maschinellen Lernens durchführen. Viele müssen sich damit abfinden, dass diese Dinge möglich sind und im maschinellen Lernen und Deep Learning tatsächlich ständig umgesetzt werden. |
| |
Ich möchte Ihnen einige Add-Ins zeigen, die dies vereinfachen. Sie benötigen JMP Pro. Eines davon ist ein Add-In, das die Tabelle für Sie einrichtet. Es stammt von Michael Anderson von JMP. |
| |
Ich zeige Ihnen einfach, was passiert. Das Add-In ist in den JMP Communities verfügbar. |
| |
Beachten Sie, dass die Originaldaten verwendet wurden. |
| |
einen Validierungssatz erstellt. Und wie ich bereits erwähnte, |
| |
Wir haben auch dieses Gewichtungsschema und diese Gewichte werden zufällig generiert. Und wie Sie gleich sehen werden, führen wir eine Simulationsstudie durch und ändern die Gewichte ständig auf jeder |
| |
laufen. Und das hat zur Folge, dass erneut Tausende von Modellierungsiterationen generiert werden. Und Sie werden auch sehen, wie Leo Brieman warnte, wenn Sie |
| |
Wenn wir die Antworten stören (wir ändern die Datenstruktur nicht), sehen wir große Unterschiede in den Modellen. Ich werde das kurz erläutern. |
| |
Also gehe ich zum Anpassungsmodell. |
| |
Und wir müssen JMP mitteilen, wo die Gewichte gespeichert werden. Wir werden die verallgemeinerte Regression verwenden, die hierfür dringend empfohlen wird. |
| |
Da dies eine kurze Demo ist, verwende ich die Vorwärtsselektion. Dabei handelt es sich um ein sehr allgemeines SWB-Verfahren mit automatischer Validierung. Sie können es in vielen verschiedenen Vorhersage- oder Modellierungsszenarien verwenden. Ich verwende die Vorwärtsselektion. Okay, ich passe also ein Modell an. |
| |
Und dann komme ich runter zum |
| |
Tabelle mit Schätzungen. Ich klicke mit der rechten Maustaste und wähle „Simulieren“. |
| |
Ich sage, dass ich eine bestimmte Anzahl von Simulationsläufen durchführen und bei jedem Versuch die Gewichte austauschen möchte. Ich möchte neue Gewichte generieren. Übrigens, ich mache nur 10, da dies eine Demo ist. |
| |
Hier sind die Ergebnisse. Sie sehen, wir haben zehn Modelle, die alle recht unterschiedlich sind. |
| |
In der Praxis würde ich also Tausende dieser Iterationen durchführen. Und später zeige ich Ihnen, |
| |
Wir können diese Koeffizienten dann nehmen und mitteln. Übrigens, wenn Sie Null sehen, bedeutet das, dass diese Kurve nicht in ein Modell aufgenommen wurde. Okay, ich zeige Ihnen jetzt ein weiteres Add-In. |
| |
Ich werde also einiges davon schließen, damit der Bildschirm übersichtlich bleibt. |
| |
Es gibt ein weiteres Add-In, das wir bei Predictum entwickelt haben. Dieses Add-In führt nicht nur das fraktionsgewichtete Bootstrapping durch, sondern entwickelt auch die Modellmittelung. Mit anderen Worten: |
| |
Was ich Ihnen gerade gezeigt habe, das Add-In, das Sie verwenden können, wenn Sie Modellmittelwerte berechnen möchten, sind Sie quasi auf sich allein gestellt. Okay. Es wird nur viel manuelle Arbeit sein. |
| |
Ich werde also das Add-In Predictum verwenden. Es erstellt die Tabelle und dann werde ich ganz schnell ein Modell finden, um zu veranschaulichen, wie das Add-In funktioniert. Ich werde ein Standard-Response-Surface-Modell verwenden. |
| |
Wir möchten pDNA vorhersagen. Und wir werden Gen Reg verwenden. |
| |
Zur Veranschaulichung werde ich also einfach weitermachen und die Vorwärtsauswahl verwenden. |
| |
Und noch einmal: In der Praxis mache ich Tausende von Iterationen, aber ich werde nur 10 machen. |
| |
Klicken Sie auf „Los“. |
| |
Okay. |
| Philip Ramsey |
Auch hier handelt es sich um eine kurze Zusammenfassung, ich bitte um Entschuldigung, drei Vorträge zu einem einzigen, aber alle Teile passen im QbD-Framework zusammen. Ich habe also ein Modell. Dies sind gemittelte Koeffizienten. Ich habe auch nur zehn davon erstellt. Ich würde die Vorhersageformel in der Datentabelle speichern. |
| |
Und ich werde versuchen, den Bildschirm so übersichtlich wie möglich zu halten. |
| |
Das ist also meine Formel. Die App hat die gesamte Durchschnittsberechnung für Sie übernommen, Sie müssen das also nicht selbst tun. |
| |
Und hier ist die Formel. Und ein kleiner Trick, den Sie vielleicht nicht kennen: Diese Formel ist kompliziert, insbesondere wenn Sie sie auf andere Datentabellen anwenden möchten. Im Formel-Editor gibt es eine praktische Funktion namens „Vereinfachen“. |
| |
Sehen Sie, es vereinfacht die Gleichung und macht sie viel besser auf andere Datensätze anwendbar. Okay, das war also eine Veranschaulichung der Methode. |
| |
Und was ich jetzt tun werde, ist zu zeigen, was passiert ist |
| |
als wir das gesamte Verfahren durchgingen. Dies ist also eine Datentabelle. Und hier sehen Sie die kombinierte DSD- und CCD-Datenbank. |
| |
Und ich habe die Zeilenstatusvariable verwendet, um die DSD-Daten zu eliminieren oder auszuschließen, da ich mich auf die Leistung meiner Modelle anhand der Validierungsdaten konzentrieren möchte. Auch hier sind die Modelle nur an die DSD angepasst. |
| |
Hier ist also mein 41. Begriff |
| |
Modell. Dies ist die erweiterte vollquadratische Gleichung, die mit der Mittelung des Modells über Tausende von Iterationen erstellt wurde. Zum Vergleich habe ich den gleichen Prozess wiederholt |
| |
für das deutlich kleinere vollquadratische Modell mit 21 Termen. Wie haben wir also in Bezug auf die Vorhersage abgeschnitten? Ich zeige Ihnen ein paar Diagramme, die die tatsächlichen und die vorhergesagten Ergebnisse vergleichen. |
| |
Denken Sie also daran – und ich möchte es ausdrücklich betonen –, dass es sich um einen echten Validierungstest handelt. Der CCD wird separat durchgeführt. Verschiedene Chargen des Rohmaterials, darunter eine neue Charge des E. coli-Stammes. |
| |
Einige der Fermenter waren unterschiedlich und wurden von völlig unterschiedlichen Betreibern betrieben. Wer in der Biotechnologie arbeitet, weiß, dass dies eine der schwierigsten Vorhersageaufgaben überhaupt ist. |
| |
Also wurde das Modell erneut an die DSD angepasst, und links ist das 41-Term-Modell, das erweiterte Modell, und die Gesamtstandardabweichung des Vorhersagefehlers beträgt etwa 67. |
| |
Auf der rechten Seite habe ich erneut die Modellmittelung verwendet, die zur Leistungsverbesserung beiträgt. Ich habe nur das vollständig quadratische Modell mit 21 Termen angepasst und Sie können sehen, dass der Vorhersagefehler bei etwa 70 liegt. |
| |
Tatsächlich wäre die Leistung ohne die Verwendung der Modellmittelung erheblich schlechter, da viele Leute kein vollständig quadratisches, nützliches quadratisches Modell erstellen. Okay. |
| |
Ich habe also das Modell. Was mache ich damit? Unser Ziel ist typischerweise Optimierung und Charakterisierung. Ich öffne also einen Profiler. Das erledige ich für Sie. |
| |
Ich gehe also zum Profiler und zum Graphenmenü. Ich verwende mein bestes Modell. Und zwar das mit dem Predictum-Add-In. Übrigens, falls Sie sich für dieses Add-In interessieren, und sogar |
| |
Testen Sie es in der Beta-Phase. Kontaktieren Sie Predictum einfach per E-Mail an Wayne@predictum.com. Ich bin mir sicher, er freut sich darauf, mit Ihnen zu sprechen. Also, ich werde... |
| |
Ging zum Modell und dann mit der Begehrlichkeit, |
| |
Ich werde einfach Einstellungen finden, die die Produktion maximieren. Und übrigens, |
| |
Dies ist eine wesentliche Verbesserung gegenüber der Produktion, die sie früher erhalten haben, und es gibt uns Einstellungen, bei denen wir sehen sollten |
| |
auf die verbesserte Leistung und diese waren übrigens etwas unintuitiv, aber das ist normalerweise bei komplexen Systemen der Fall. |
| |
Die Dinge sind nie ganz so intuitiv, wie man denkt. Und dann ist da noch etwas wirklich Wichtiges, insbesondere wenn Sie sich in der späten Entwicklungsphase des CMC-Pfads befinden. |
| |
Und zwar möchten sie, dass Sie die Wichtigkeit der Eingaben beurteilen, also welche Eingaben wichtig sind. |
| |
Variablenbedeutung bewerten. Auch hier werde ich nicht auf alle technischen Details eingehen. |
| |
Es zeigt, dass die Futterrate in Bezug auf die Variation der Reaktion bei weitem am wichtigsten ist. Das war für die meisten Menschen nicht unbedingt intuitiv. Und zweitens ist der Anteil des gelösten Sauerstoffs entscheidend. |
| |
Was sagt Ihnen das also? Erstens: Sie sollten diese Variablen sehr gut kontrollieren, sonst haben Sie wahrscheinlich |
| |
viele Variationen. In diesem speziellen Fall habe ich keine qualitätskritischen Attribute. Es waren keine verfügbar. |
| |
Wir haben also ein geschäftskritisches Attribut, nämlich die pDNA-Produktion. JMP bietet jedoch noch weitere Möglichkeiten, den Designraum vollständig zu charakterisieren. Ich habe lediglich eine Optimierung vorgenommen, aber das ist keine Charakterisierung. Der Profiler bietet ein weiteres hervorragendes Tool. Okay. |
| |
Es heißt Simulator. Und dieser wird einfach nicht so häufig genutzt, wie er sollte. Deshalb habe ich Verteilungen für die Eingaben definiert. |
| |
Das heißt, ich erwarte, dass die Eingaben variieren. Das ist etwas, worüber die FDA Bescheid wissen möchte. Wie wirkt sich dies auf die Leistung Ihres Prozesses aus, wenn die Eingaben variieren? Es gibt keine perfekt kontrollierten Prozesse, insbesondere nicht bei der Skalierung. |
| |
Übrigens, wenn ich darüber nachdenke, diese komplexeren Modelle, diese erweiterten vollquadratischen Modelle, |
| |
Aus Erfahrung kann ich sagen, dass sie besser skalierbar sind als vollständig quadratische Modelle. Das ist ein weiterer Grund, diese komplexeren Modelle anzupassen. |
| |
Im Simulator gibt es ein praktisches Tool namens „Simulationsexperiment“. Es führt ein sogenanntes raumfüllendes Design durch. Es verteilt die Punkte über den gesamten Designbereich. Ich möchte also 256 Durchläufe durchführen. |
| |
und es werden 5.000 Simulationen durchgeführt, an jedem Punkt werden die mittlere Standardabweichung und der Gesamtdefekt berechnet. Richtig. |
| |
Das geht eigentlich ziemlich schnell. Ich zeige Ihnen nur, wie das Ergebnis aussieht. Und ich habe das ja schon gemacht. |
| |
Aus Zeitgründen werde ich einfach eine weitere Datentabelle öffnen. |
| |
Minimieren Sie das andere. |
| |
Dies sind also die Ergebnisse der Simulationsstudie. |
| |
Und ich werde nicht auf alle Einzelheiten eingehen, aber ich passe ein Modell an die Hauptsache an, ich passe das Modell an die Standardabweichung an und ich passe ein Modell an die Gesamtfehlerrate an. |
| |
Und die Fehlerraten sind in einigen Bereichen niedrig, in anderen relativ hoch. Dies sind sogenannte Gaußsche Prozessmodelle, die häufig mit simulierten Daten verwendet werden. Was können wir also mit diesen |
| |
Modelle und mit diesen Simulationsergebnissen? Nun, die Charakterisierung ist wichtig. Lassen Sie mich Ihnen kurz einen Überblick geben. |
| |
Hier ist ein dreidimensionales Streudiagramm. Wir betrachten die Vorschubgeschwindigkeit und den DO-Prozentsatz, da diese sehr wichtig sind. Die dargestellten Punkte sind nach der Fehlerrate gewichtet; größer |
| |
Sphären bedeuten höhere Fehlerraten. Wenn Sie sich also umsehen, sehen Sie, dass es einige Bereiche gibt, in denen wir definitiv nicht tätig sein wollen. |
| |
Wir charakterisieren also unsere Designräume und finden sicherere Bereiche, in denen wir arbeiten können. Und natürlich könnte ich das für |
| |
Wählen Sie einfach andere Variablen aus. Es zeigt Ihnen dann andere Regionen, die Sie wirklich vermeiden möchten. Wir können damit noch mehr erreichen, aber ich denke, das macht den Punkt deutlich. Wo wir auch |
| |
Machen Sie weiter und verwenden Sie den Profiler erneut und ich werde eine erneute Optimierung vornehmen. |
| |
Aber ich werde es anders machen. Auf diese Weise möchte ich die mittlere pDNA maximieren. |
| |
Und ich möchte eine doppelte Antwort geben. Und ich möchte die Gesamtfehlerrate minimieren. |
| |
Ich werde also noch einmal das Prinzip der Begehrlichkeit verwenden. |
| |
Dies dauert einige Minuten. Wir optimieren sehr komplexe Modelle. |
| |
Und beachten Sie, es erscheint und sagt |
| |
hohe Vorschubgeschwindigkeit, hoher Sauerstoffgehalt, |
| |
nahe dem neutralen pH-Wert und der Induktion. Übrigens, Induktion, wenn Sie wissen möchten, was Induktion OD 600 ist, das ist ein Maß für die mikrobielle Masse |
| |
und sobald man eine bestimmte Masse erreicht (niemand ist sich ganz sicher, was das ist, deshalb machen wir das Experiment), erhöht man die Temperatur der Materie. Und das |
| |
zwingt die E. coli, pDNA oder Plasmide zu produzieren. Sie sind dafür konstruiert. Wir nennen das die Induktionstemperatur. Okay. Beachten Sie die Einstellungen. |
| |
Wir garantieren eine niedrige Fehlerquote, die Optimierungsreaktion war insgesamt nicht so hoch. Bedenken Sie jedoch, dass wir dadurch auch einen Prozess haben, der weniger anfällig für Fehler ist. |
| |
Okay, also an diesem Punkt, |
| |
Ich komme nur noch schnell zum Schluss. |
| |
Die Folie. Alles ist in diesen Folien. Sie wurden alle hochgeladen |
| |
Zu |
| |
JMP-Communitys. Am Ende finden Sie eine Zusammenfassung. Im Wesentlichen zeigen wir Ihnen, dass Prozess- und Produktentwicklung |
| |
Die Nutzung des CMC-Pfads (und ein Teil davon ist Quality by Design) erfordert einen ganzheitlichen bzw. integrierten Ansatz. Dabei ist viel Systemdenken erforderlich. |
| |
Prozessdesign und -entwicklung sind von Natur aus ein Vorhersageproblem, und das ist die Domäne des maschinellen Lernens und des Deep Learning. Es ist nicht das, was Sie vielleicht denken; es ist nicht das übliche Geschäft für den Bau |
| |
Modelle in der Statistik, insbesondere für Vorhersagen. Wir haben Ihnen gezeigt, dass fraktional gewichtete Bootstrapping-Autovalidierung und Modellmittelung |
| |
können sehr effektive und genaue Vorhersagemodelle generieren. Und ich möchte noch einmal betonen, dass diese komplexeren erweiterten Modelle von Cornell und Montgomery tatsächlich ziemlich wichtig sind. |
| |
Sie sind wirklich besser skalierbar und ermöglichen eine bessere Charakterisierung. Damit bedanke ich mich und beende meine Präsentation. |
