| Oratore |
Trascrizione |
| Tiffany |
Innanzitutto, grazie per essere stati con noi oggi. Parleremo della caratterizzazione di diversi processi biologici... osservando... e concentrandoci sul pDNA, per vedere come il bootstrapping a peso frazionario possa davvero... |
| |
Aggiungi ai tuoi processi. Quindi Phil si unirà a me nella seconda parte della presentazione per illustrare JMP. |
| |
ad esempio, nonché per fornire alcune tecniche diverse. |
| |
da utilizzare. |
| |
Parlerò della strategia CMC, della biotecnologia, di come possiamo immettere un farmaco sul mercato e di come possiamo utilizzare nuovi strumenti come FWB per implementare i nostri processi. |
| |
Allora, cominciamo. Il viaggio verso il controllo della produzione chimica. È un viaggio molto lungo e ne parleremo. |
| |
Perché il Dipartimento dell'Energia, perché la modellazione predittiva? È molto complesso portare un farmaco sul mercato. Non si tratta solo di esperimenti, ma anche di clinica. |
| |
e far sì che tutto vada di pari passo. Quindi esamineremo anche gli approcci del pensiero sistemico. E poi, naturalmente, caratterizzeremo quel bioprocesso e poi il caso di studio che Phil presenterà. |
| |
Discutiamo. Quindi, come si presenta il percorso della CMC? Questo è un esempio generale e partiamo dalla tossicologia. Quindi, per vedere se non ha alcuna efficacia. Funziona. |
| |
In una sperimentazione non umana. Fino alla produzione commerciale, e ci sono molti aspetti da considerare, ad esempio lo sviluppo del processo. |
| |
Ma devi anche avere un profilo di prodotto target. Cosa vuoi che faccia effettivamente il farmaco che stai sviluppando? Ed è importante capirlo man mano che procedi. E poi, ovviamente, |
| |
Anche il profilo del prodotto target di qualità. Quali sono gli aspetti necessari affinché la molecola funzioni come prescritto? |
| |
E poi esaminiamo gli attributi di qualità critici e poi seguiamo il processo, quindi è... è un... è un gruppo |
| |
Perché ci sono lo sviluppo del processo, la caratterizzazione del processo, la qualificazione del processo e il BLA. C'è un'enorme quantità di lavoro dietro a ciascuna di queste fasi. |
| |
E vogliamo anche assicurarci che mentre attraversi le tue diverse fasi, tu stia effettivamente costruendo questi dati |
| |
raggruppamenti. Perché quando si arriva alla caratterizzazione e alla qualificazione del processo, si vuole essere sicuri di poter sfruttare quante più informazioni passate possibile, in modo da aver effettivamente abbreviato |
| |
le tue tempistiche. Potresti dire: "Tiffany, mi occupo della caratterizzazione del processo, in ogni sua fase". E io risponderò: "Assolutamente sì". Ma la caratterizzazione del processo specifica per il percorso CMC è ciò di cui abbiamo bisogno dal punto di vista normativo. |
| |
Quindi probabilmente tutti hanno sentito parlare al telegiornale di vaccini, terapie cellulari e geniche. È un argomento molto caldo in questo momento, ed è anche |
| |
offrendo ai pazienti nuovi trattamenti che prima non eravamo mai riusciti a curare. |
| |
E quindi nei due grandi raggruppamenti di terapie cellulari e terapie geniche, ci sono aspetti diversi. Esatto. Quindi abbiamo le immunoterapie. Abbiamo le cellule staminali. |
| |
Stiamo facendo medicina rigenerativa. Quindi immagina, sai, di avere un danno alla schiena e di poterla rigenerare. Ci sono enormi |
| |
enfasi su questo raggruppamento. Ma c'è anche un'enorme enfasi sulle terapie geniche. Vettori virali. Usiamo vettori batterici? Come otteniamo il DNA? |
| |
nel sistema per essere un trattamento per i pazienti? Beh, il DNA plasmatico è uno di questi aspetti e Phil ha un caso di studio straordinario in cui hanno fatto un'ottimizzazione. |
| |
Quindi potresti dire: "Cos'è il pDNA? E perché è importante, a parte il fatto che fa parte del campo della terapia genica, che è molto interessante in questo momento?" |
| |
Bene, il fatto è che può essere utilizzato per...nei vaccini preventivi, negli agenti di immunizzazione, per...Preparare...la preparazione di iperimmunoglobuline |
| |
vaccini contro il cancro, vaccini terapeutici, sostituzioni geniche. O forse hai |
| |
Un bambino, giusto, con una rara mutazione genetica. Possiamo intervenire e riparare il danno? Tutte queste cose sono in gioco e, con il continuo sviluppo della tecnologia della terapia genica, |
| |
le normative continuano ad aumentare man mano che ci si avvicina alla commercializzazione e aumenta anche la quantità di dati. |
| |
Immaginatevi le terapie geniche e cellulari come eravamo più di 20 anni fa con la coltura cellulare e gli anticorpi monoclonali. |
| |
È un mondo fantastico in cui impariamo cose nuove ogni giorno e diciamo: "Oh, |
| |
Questa non è una piattaforma." Abbiamo bisogno di nuove attrezzature. Abbiamo bisogno di nuovi metodi di lavoro. Dobbiamo essere in grado di analizzare set di dati molto, molto piccoli perché nelle terapie cellulari e geniche il numero di pazienti è in genere inferiore rispetto ad altre indicazioni. |
| |
Quindi, cosa riserva il futuro al pDNA? Beh, ovviamente, con la continua crescita del mercato della terapia cellulare e genica, continueremo a seguire questa strada. |
| |
nella commercializzazione. Dobbiamo essere in grado di lavorare con la FDA e collaborare con loro, mano nella mano, perché queste sono cose che non abbiamo mai fatto prima. Stiamo utilizzando materie prime che non usiamo e altre |
| |
...altre indicazioni per i farmaci. Quindi ci sono molte cose da fare. È anche fondamentale essere in grado di produrre questi prodotti come il pDNA, in modo che il vettore possa essere trasportato nel nostro ambiente appropriato. |
| |
volume, ma anche qualità. Quindi, se hai il miglior farmaco al mondo, ma non sei in grado di produrlo, allora non hai il farmaco. Giusto? Non puoi consegnarlo ai pazienti. |
| |
Quindi dobbiamo anche assicurarci che il nostro processo sia ben caratterizzato. E come ho detto prima, molte di queste indicazioni sono molto limitate. Quindi anche gli studi clinici sono di piccole dimensioni. |
| |
E allo stesso tempo i pazienti sono spesso molto, molto malati. Quindi, poter analizzare i nostri dati e rispondere alle loro esigenze in tempi rapidissimi è fondamentale. |
| |
Sia nell'aspetto clinico che in quello commerciale. Non vogliamo trovarci in questa situazione in cui, indovinate un po', non riesco a produrre il farmaco, giusto? Voglio essere in grado di produrlo. |
| |
Anche la produzione è una cosa molto importante. Quindi non so se l'avete notato nelle notizie, c'è stato molto |
| |
Annunci di espansioni. Certo, si sta ampliando la capacità di produzione dei vaccini, ma anche il pDNA è una delle mosse più importanti. Si stanno spendendo milioni di dollari, a volte miliardi di dollari. |
| |
nell'incrementare questi siti produttivi. E potresti dire, bene, allora aumentiamo il nostro sito produttivo. |
| |
Fantastico. Ma ora devo essere in grado di trasferire la tecnologia in quel sito produttivo. Devo assicurarmi che il mio processo sia solido... solido e non solo |
| |
può essere trasferito e ampliato, ma assicurandomi di avere il potere statistico per dirlo |
| |
So che il mio processo è sotto controllo. Potrei avere una variabilità del 2%, ma ho sempre una variabilità del 2% e la faccio caratterizzare, per esempio. |
| |
E man mano che aumenta la capacità produttiva e che abbiamo anche delle carenze, il punto è: dove posso portare il mio prodotto? Tenendo conto di tutto ciò, posso progettare per la produzione in anticipo. |
| |
E potresti avere diversi prodotti nella tua pipeline. Quindi devi assicurarti di imparare e di essere in grado di raccogliere queste informazioni e dire: "Fammi fare un po' di modellazione predittiva su questo, potrebbe non essere il prodotto esatto, ma ha caratteristiche simili". |
| |
Quindi, il percorso verso la commercializzazione è molto integrato, proprio come la strategia CMC prende l'aspetto clinico, |
| |
tutto concorre al progresso di una molecola. Abbiamo anche |
| |
di pensare all'aspetto sistemico. Perché? Perché se facessimo qualcosa a monte potremmo aumentare la produttività |
| |
Diciamo il 200%, e diremmo: "Sì, ho raggiunto il mio traguardo. Posso consegnare al mio paziente". Ma se il mio downstream o il mio cellulare |
| |
Il recupero non può effettivamente recuperare il prodotto, che si tratti di una cellula o di una proteina terapeutica, ad esempio, quindi non abbiamo un prodotto. Tutto quel lavoro viene in qualche modo buttato via. Quindi, avere i sistemi |
| |
approccio, assicurandoti di coinvolgere tutti i diversi gruppi: dal business, alla catena di fornitura, al controllo qualità, alla scoperta... ognuno ha le conoscenze che mette a disposizione per trasmetterle al paziente alla fine, il che è molto importante. |
| |
Quindi ora passo la parola a Phil. Mi sarebbe piaciuto parlare molto di più di come abbiamo sviluppato i farmaci, ma vediamo... vediamo come possiamo analizzare alcuni dei nostri dati. Quindi, Phil, ora passo la parola a te. |
| Filippo Ramsey |
Ok, quindi grazie, Tiffany, per quella discussione |
| |
per preparare il terreno per quello che sarà un caso di studio. Dedicherò la maggior parte del tempo a JMP, illustrando alcuni degli strumenti importanti che esistono in JMP. Potresti non sapere nemmeno che ci sono, |
| |
che sono in realtà molto importanti per lo sviluppo del processo, soprattutto nel contesto del percorso CMC, del controllo della produzione chimica e della qualità mediante la progettazione. |
| |
E due caratteristiche importanti dello sviluppo del processo, e questo in generale, |
| |
è un processo in cui si desidera progettare un processo, ma è anche necessario caratterizzarlo. In effetti, è necessario caratterizzare l'intera area operativa. |
| |
E naturalmente, vogliamo ottimizzare in modo da ottenere una produzione altamente desiderabile. Ciò di cui spesso non parliamo abbastanza è che queste attività sono intrinsecamente predittive. |
| |
Dobbiamo sviluppare modelli predittivi potenti che ci consentano di prevedere le performance future. Questo è un aspetto molto importante, soprattutto nelle fasi avanzate di sviluppo, per le agenzie di regolamentazione. Bisogna dimostrare |
| |
che è possibile produrre un prodotto in modo affidabile. Ebbene, un articolo chiave su questo tema della caratterizzazione e della previsione dei processi è stato il famoso articolo di George Box e del suo |
| |
coorte Wilson, che era un ingegnere. |
| |
E in questo hanno parlato di ciò che è l'inizio di ciò che, come la gente nota oggi, è la superficie della risposta. |
| |
E la chiave di tutto questo è il loro lavoro con qualcosa che hanno chiamato modello quadratico completo. Beh, cos'è? Beh, è un modello che contiene gli effetti principali, |
| |
tutte le interazioni bidirezionali e gli effetti quadratici. E questo è probabilmente ancora il gold standard per la costruzione di modelli di processo, soprattutto per la produzione. |
| |
Ma ciò che molti potrebbero non sapere è che sono utili per l'ottimizzazione. Sono buone approssimazioni di secondo ordine a queste funzioni di risposta sconosciute. Ciò che non è altrettanto chiaro è che, nell'intera area di progetto, spesso rappresentano una scarsa approssimazione della superficie di risposta. |
| |
E nel 1996 il defunto John Cornell e, naturalmente, molti lo sanno, Doug Montgomery pubblicarono un articolo che è stato davvero sottovalutato. |
| |
E poi, in quell'articolo, hanno sollevato il fatto che il modello quadratico completo spesso è inadeguato a caratterizzare uno spazio di progettazione. Pensateci dal punto di vista di uno scienziato e pensate a quanto siano dinamici questi processi biochimici. |
| |
i processi spesso lo sono. In altre parole, c'è una notevole non linearità che porta a superfici di risposta con una curvatura composta pronunciata in diverse regioni. |
| |
E il modello quadratico completo semplicemente non è in grado di gestirlo. Quindi, ciò che hanno proposto è stato ampliare quel design e hanno aggiunto elementi come quadratico con lineare, lineare con quadratico e persino |
| |
Interazioni quadratiche per quadratiche. A quanto pare, questi modelli approssimano le regioni di progetto meglio dei modelli quadratici completi. Ve lo dimostrerò tra un attimo. |
| |
Ma c'era un problema per loro. Primo, gli statistici tradizionali non apprezzavano l'approccio; oggigiorno le cose stanno cambiando radicalmente. |
| |
Ma ci sono molti di questi termini che possono essere aggiunti a un modello in modo tale che anche un grande design composito centrale |
| |
diventa super saturo. Cosa significa? Significa che ci sono più incognite p rispetto alle osservazioni e alle variabili da adattare ai modelli. A quanto pare, non è un vero vincolo oggigiorno, nell'era del machine learning e delle nuove tecniche di modellazione predittiva. |
| |
Quindi quello che faremo è usare il bootstrapping a peso frazionario. Questo può essere fatto in JMP Pro. |
| |
E c'è qualcosa che si chiama media del modello per costruire modelli che prevedano le superfici di risposta, e in realtà userò questi grandi modelli aumentati. |
| |
Bene, quindi quando si cerca di costruire questi modelli predittivi, ad esempio per la qualità in base alla progettazione, ci sono una serie di cose di cui bisogna essere consapevoli. Uno, |
| |
Ancora nel 1996, uno dei pionieri dell'apprendimento automatico, il compianto Leo Brieman, scrisse un articolo che, ancora una volta, non venne apprezzato quanto avrebbe meritato. E sottolineò |
| |
che tutti questi algoritmi di costruzione di modelli che utilizziamo per la previsione (e ciò include la selezione in avanti, tutti i modelli possibili, i migliori sottoinsiemi, il lazo) |
| |
sono intrinsecamente instabili. Cosa significa? Essere instabili significa che piccole perturbazioni nei dati possono dare origine a modelli estremamente variabili. |
| |
Così ha fatto un po' di lavoro per evidenziarlo e ha suggerito una strategia, ha detto: "Bene, se potessi, in qualche modo, simulare |
| |
adattando il modello e in qualche modo perturbando i dati a ogni simulazione, potremmo adattare un gran numero di modelli e poi calcolarne la media." E ha dimostrato che questa soluzione aveva del potenziale. |
| |
All'epoca non aveva molti strumenti per farlo. Ma oggi vi mostrerò come funziona JMP Pro, abbiamo molti strumenti e vi mostreremo che l'idea di Brieman è in realtà molto buona. |
| |
In un modo o nell'altro, l'idea della modellazione d'insieme e della media del modello è ormai comunemente accettata nell'apprendimento automatico e nel deep learning. |
| |
A proposito, vorrei sottolineare brevemente che anni fa, nella piattaforma stepwise di JMP, John Sall istituì una forma di media dei modelli. È una perla nascosta di JMP. Funziona bene ed è disponibile in entrambe le versioni di JMP, ma ora vi offrirò una soluzione più completa. |
| |
che può essere fatto in JMP Pro. Questa soluzione è chiamata bootstrapping frazionario con convalida automatica e spiegherò cosa significa. |
| |
Quando costruiamo modelli predittivi, ci troviamo di fronte a una sfida. Abbiamo bisogno di un set di addestramento che si adatti al modello, quindi abbiamo bisogno di un set aggiuntivo |
| |
o un set di dati di convalida per testare il modello e verificarne l'efficacia predittiva. Ebbene, il Dipartimento dell'Energia semplicemente non ha a disposizione queste prove aggiuntive. In effetti, Brieman era bloccato su questo punto. |
| |
Non c'è modo di generare davvero un errore di convalida. Beh, nel 2017, al Discovery Frankfurt, Chris Gotwalt, responsabile della ricerca statistica per JMP, e io stesso. |
| |
Abbiamo presentato un intervento su quello che abbiamo chiamato bootstrapping a peso frazionario e validazione automatica. Cosa significa validazione automatica? Significa che questo non sembrerà |
| |
Intuitivo, useremo il training set anche come validation set. Dirai: "Beh, è pazzesco. Sono gli stessi dati". |
| |
Ma c'è un segreto in questa tecnica che la fa funzionare. Quello che facciamo è prendere i dati originali, copiarli, chiamarli set di convalida automatica, |
| |
e poi, in un modo speciale, assegniamo pesi casuali alle osservazioni e facciamo la ponderazione |
| |
in modo da generare anticorrelazione tra il training set e il set di autovalidazione. E ve lo spiegherò tra poco. |
| |
Bene. A proposito, abbiamo supervisionato il mio dottorando Trent Lempkis, che ha studiato questo metodo in modo approfondito attraverso simulazioni esaustive nell'ultimo anno. |
| |
E pubblicheremo un articolo per dimostrare che questo metodo produce effettivamente risultati superiori agli approcci classici per la creazione di modelli predittivi a partire dal DOE. |
| |
Quindi andrò avanti e parlerò del caso di studio. Ecco cosa ha menzionato Tiffany. |
| |
pDNA. È un argomento molto attuale e la produzione di pDNA è considerata un settore in forte crescita e il mondo biotecnologico prevede una crescita significativa, forse anche del 40%. |
| |
anno dopo anno, grazie a tutte le nuove terapie che verranno implementate e nelle quali verrà utilizzato. |
| |
E in questo caso, e questo è molto comune nel mondo della biotecnologia, non ci sono realmente dati esistenti che possiamo utilizzare per costruire modelli predittivi. |
| |
Questo ci porta giustamente al disegno degli esperimenti. E in questo caso, useremo un disegno di screening definitivo. |
| |
Si tratta di meravigliose invenzioni di Brad Jones della JMP e Chris Nachtsheim dell'Università del Minnesota. |
| |
Sono molto efficienti e li consiglio vivamente a tutti coloro che lavorano nel mondo della biotecnologia, dove il tempo e le risorse per la sperimentazione sono limitati. |
| |
Quindi, in pratica, vi mostro solo uno schema di come funziona un bioprocesso. E ci concentreremo sulla fase di fermentazione. |
| |
Ma in pratica, come alludeva Tiffany, dovremmo esaminare sia gli aspetti a monte che a valle di questo processo. |
| |
pH, percentuale di ossigeno disciolto, temperatura di induzione. Questa è la temperatura a cui impostiamo il fermentatore per ottenere il |
| |
Escherichia coli geneticamente modificata per iniziare a produrre plasmidi. E cosa sono i plasmidi? Beh, in realtà sono DNA non cromosomico. |
| |
Hanno molteplici utilizzi terapeutici, in particolare nelle terapie geniche, e sono diversi dal consueto DNA cromosomico che si trova nei batteri. |
| |
Quindi il nostro obiettivo è far sì che questi Escherichia coli modificati producano la maggior quantità possibile di pDNA. Quindi abbiamo condotto la sperimentazione. Questo è un esperimento reale. E poiché eravamo nuovi ai DSD, abbiamo anche eseguito un design composito centrale tradizionale più grande, molto più grande. E lo abbiamo fatto separatamente. |
| |
Quello che intendo fare per il lavoro di oggi è usare il CCD come set di convalida e adattare i modelli usando la convalida automatica sul DSD. Vedremo come va. Bene, ora passo a JMP. |
| |
E aprirò una tabella di dati. Ecco i dati DSD. Faremo tutta la nostra modellazione su questo set di dati. E, a proposito, adatterò un modello con 40 predittori a un modello con 15 |
| |
Eseguire la progettazione utilizzando tecniche di apprendimento automatico. E molte persone dovranno accettare il fatto che queste cose si possono fare e che vengono effettivamente fatte continuamente con l'apprendimento automatico e il deep learning. |
| |
Ecco un paio di componenti aggiuntivi che voglio mostrarvi per semplificare le cose. Avete bisogno di JMP Pro. Uno di questi è un componente aggiuntivo che imposta la tabella automaticamente. Questo è di Michael Anderson di JMP. |
| |
Quindi vi mostrerò cosa succede. Il componente aggiuntivo è disponibile su JMP Communities. |
| |
Quindi nota che sono stati presi i dati originali, |
| |
creato un set di convalida. E come ho detto, |
| |
abbiamo anche questo schema di ponderazione e questi pesi sono generati casualmente e, come vedrai tra un momento, eseguiamo uno studio di simulazione e modifichiamo costantemente i pesi su ogni |
| |
eseguire. E questo ha l'effetto di generare nuovamente migliaia di iterazioni di modellazione. E vedrai anche, come ha avvertito Leo Brieman, man mano che |
| |
Se perturbiamo le risposte (non modifichiamo la struttura dei dati), si nota una variazione esponenziale nei modelli. Quindi, ve lo illustrerò molto velocemente. |
| |
Quindi andrò a montare il modello. |
| |
E dobbiamo indicare a JMP dove sono memorizzati i pesi. Useremo la regressione generalizzata, altamente consigliata per questo scopo. |
| |
E poiché questa è una demo veloce, userò la selezione anticipata, ma si tratta di un SWB con procedure molto generali e validazione automatica. È possibile utilizzarlo in moltissimi scenari di previsione o modellazione diversi. Farò la selezione anticipata. Bene, quindi adattiamo un modello. |
| |
E poi scendo al |
| |
Tabella delle stime. Faccio clic destro e seleziono "Simula". |
| |
E gli dico che voglio fare un certo numero di simulazioni e a ogni tentativo voglio cambiare i pesi. Voglio generare nuovi pesi. E a proposito, ne farò solo 10 perché questa è una demo. |
| |
Ecco i risultati. Come potete vedere, abbiamo 10 modelli, tutti molto diversi tra loro. |
| |
Quindi, di nuovo, in pratica, farei migliaia di queste iterazioni. E poi ve le mostrerò più tardi, |
| |
Possiamo quindi prendere questi coefficienti e calcolarne la media. A proposito, se vedete zero, significa che il turno non è stato inserito nel modello. Bene, quello che farò ora è mostrarvi un'altra addizione. |
| |
Quindi chiuderò una parte di questo, così da mantenere lo schermo libero. |
| |
C'è un'altra aggiunta che abbiamo sviluppato in Predictum. E questa non solo implementa il bootstrapping ponderato per fazione, ma sviluppa anche la media del modello. In altre parole, |
| |
Quello che ti ho appena mostrato, il componente aggiuntivo che puoi usare se vuoi fare la media del modello, te la cavi da solo. Okay. Sarà solo un sacco di lavoro manuale. |
| |
Quindi userò il componente aggiuntivo Predictum. Crea la tabella e poi, molto velocemente, per trovare un modello che illustri come funziona il componente aggiuntivo, userò un modello di superficie di risposta standard. |
| |
Vogliamo predire il pDNA. E useremo gen reg. |
| |
Quindi, ancora una volta, a titolo di esempio, andrò avanti e userò la selezione in avanti. |
| |
E ripeto, faccio migliaia di iterazioni in pratica, ma ne farò solo 10. |
| |
Fare clic su Vai. |
| |
Va bene. |
| Filippo Ramsey |
Di nuovo, questa è una rapida, in realtà, mi scuso, tre interventi fusi in uno, ma tutti i pezzi si incastrano nel framework QbD. Quindi ho un modello. Questi sono coefficienti medi. Di nuovo, ne ho fatti solo 10. Salverei la formula di previsione nella tabella dati. |
| |
E cercherò di mantenere lo schermo il più ordinato possibile. |
| |
Ecco la mia formula: l'app ha fatto tutta la media per te, così non devi farlo tu. |
| |
Ed ecco la formula. E c'è un piccolo trucco di cui potresti non essere a conoscenza: questa formula è complicata, soprattutto se vuoi distribuirla ad altre tabelle dati. Nell'editor di formule, c'è una funzione davvero utile chiamata "semplifica". |
| |
Vedete, semplifica l'equazione e la rende molto più facilmente implementabile in altri set di dati. Bene, questa era un'illustrazione del metodo. |
| |
E quello che farò adesso è mostrare cosa è successo |
| |
Quando abbiamo esaminato l'intera procedura. Questa è una tabella dati. E qui noterete la banca dati DSD e quella CCD combinate insieme. |
| |
Ho usato la variabile di stato riga per eliminare o escludere i dati DSD perché volevo concentrarmi sulle prestazioni dei miei modelli sui dati di convalida. Anche in questo caso, i modelli sono adattati solo al DSD. |
| |
Quindi ecco il mio 41° mandato |
| |
Modello. Questo è il quadratico completo aumentato, ottenuto con la media del modello su migliaia di iterazioni. E per confronto ho ripetuto lo stesso processo. |
| |
per il modello quadratico completo a 21 termini, molto più piccolo. Come ci siamo comportati in termini di previsione? Lasciate che vi mostri un paio di grafici che confrontano i dati effettivi con quelli previsti. |
| |
Quindi ricordate, e lo sottolineo con forza, che questo è un vero test di convalida. Il CCD viene eseguito separatamente. Diversi lotti di materia prima, incluso un nuovo lotto del ceppo di Escherichia coli. |
| |
Alcuni fermentatori erano diversi, e gli operatori erano completamente diversi. Quindi, per chi di voi lavora nel settore biotecnologico, questo è il lavoro di previsione più arduo che si possa immaginare. |
| |
Quindi, ancora una volta, il modello è stato adattato al DSD e sulla sinistra è presente il modello a 41 termini, il modello aumentato, e la deviazione standard complessiva dell'errore di previsione è di circa 67. |
| |
A destra, ancora una volta, ho utilizzato la media del modello che aiuta a migliorare le prestazioni, ho adattato solo il modello quadratico completo a 21 termini e come potete vedere l'errore di previsione è di circa 70. |
| |
Infatti, senza usare la media del modello, dato che molte persone non usano un modello quadratico completo e utile, le prestazioni sarebbero significativamente peggiori. Okay. |
| |
Quindi ho il modello. Cosa ci faccio? Beh, il nostro obiettivo è in genere l'ottimizzazione e la caratterizzazione. Quindi lasciami aprire un profiler. Lo farò davvero per te. |
| |
Quindi andrò al profiler e al menu dei grafici. Userò il mio modello migliore. Ed è quello che usa il componente aggiuntivo Predictum. E a proposito, se siete interessati a questo componente aggiuntivo, e anche |
| |
Per testarlo in versione beta, contatta Predictum, invia un'email a Wayne@predictum.com e sono sicuro che sarà più che felice di parlare con te. Quindi... |
| |
Sono andato al modello e poi ho usato la desiderabilità, |
| |
Cercherò solo le impostazioni che massimizzano la produzione. E a proposito, |
| |
questo è un miglioramento notevole rispetto alla produzione che ottenevano storicamente, e ci fornisce le impostazioni in cui dovremmo vedere |
| |
sulle prestazioni migliorate, e tra l'altro erano un po' controintuitivi, ma questo è solitamente il caso nei sistemi complessi. |
| |
Le cose non sono mai così intuitive come si pensa. E poi c'è anche qualcosa di veramente importante, soprattutto se si sta affrontando lo sviluppo in fase avanzata del percorso CMC. |
| |
E cioè, vogliono che tu valuti l'importanza degli input, quali input sono importanti. |
| |
valutare l'importanza delle variabili. Di nuovo, non entrerò nei dettagli tecnici. |
| |
Quindi, procedendo, si scopre che, in termini di variazione della risposta, la velocità di alimentazione è di gran lunga il fattore più importante. Questo non era necessariamente intuitivo per le persone. E il secondo fattore è la percentuale di ossigeno disciolto. |
| |
Quindi, cosa ti dice? Beh, ti dice, numero uno, che dovresti controllare molto bene queste variabili, altrimenti è probabile che tu abbia |
| |
molta variazione. Ora, in questo caso particolare, non ho attributi critici per la qualità. Non ce n'erano disponibili. |
| |
Quindi, quello che abbiamo è un attributo fondamentale per il business, ovvero la produzione di pDNA. Ma c'è molto altro che possiamo fare in JMP per caratterizzare completamente lo spazio di progettazione. Tutto quello che ho fatto è stata un'ottimizzazione, ma quella non è caratterizzazione. Quindi c'è un altro strumento meraviglioso nel profiler. Bene. |
| |
Si chiama simulatore. E non viene usato quanto dovrebbe. Quindi quello che ho fatto è stato definire le distribuzioni per gli input. |
| |
Cioè, mi aspetto che gli input varino. È un aspetto che la FDA vuole conoscere. Cosa succede alle prestazioni del processo quando gli input variano? Non esistono processi perfettamente controllati, soprattutto quando si passa alla scalabilità. |
| |
A proposito, mentre ci penso, questi modelli più complessi, questi modelli quadratici completi aumentati, |
| |
Per esperienza, posso dirti che scalano meglio dei modelli quadratici completi. Questo è un altro motivo per cui è meglio adattare questi modelli più complessi. |
| |
Quindi, nel simulatore c'è un utile strumento chiamato "esperimento di simulazione". E quello che fa è quello che chiamiamo un progetto di riempimento dello spazio. Distribuisce i punti su tutta la regione di progetto. Quindi, dirò semplicemente che voglio fare 256 prove. |
| |
E farà 5000 simulazioni, calcolando per ogni punto la deviazione standard media e il difetto complessivo. Giusto. |
| |
Quindi, in realtà, tutto procede piuttosto velocemente. E vi sto solo mostrando come appare il risultato. E ripeto, l'ho già fatto. |
| |
Quindi, per risparmiare tempo, aprirò un'altra tabella dati. |
| |
Riduci al minimo l'altro. |
| |
Ecco quindi i risultati dello studio di simulazione. |
| |
E non entrerò nei dettagli, ma adatto un modello al dato principale, adatto un modello alla deviazione standard e adatto un modello al tasso di difetto complessivo. |
| |
E i tassi di difetto in alcune aree sono bassi, in altre sono relativamente alti e questi sono quelli che chiamiamo modelli di processo gaussiani, comunemente usati con dati simulati. Quindi cosa possiamo fare con questi? |
| |
modelli e con questi risultati di simulazione? Beh, ripeto, la caratterizzazione è importante. Quindi lasciatemi darvi una rapida idea. |
| |
Ecco un diagramma di dispersione tridimensionale, in cui osserviamo la velocità di avanzamento e la percentuale di DO, perché sono davvero importanti. I punti tracciati sono ponderati in base al tasso di difettosità; più grande |
| |
Le sfere indicano tassi di difettosità più elevati. Quindi, se ci si guarda intorno, si può vedere che ci sono alcune regioni in cui decisamente non vogliamo operare. |
| |
Quindi stiamo caratterizzando i nostri spazi di progettazione e trovando regioni più sicure in cui operare. E naturalmente, potrei farlo per |
| |
Basta scegliere altre variabili e, in ogni caso, si tratta solo di mostrare altre regioni che si desidera davvero evitare. E potremmo fare di più in questo senso, ma credo che questo chiarisca il punto. Dove possiamo anche |
| |
vai avanti e usa di nuovo il profiler e io ottimizzerò di nuovo. |
| |
Ma lo farò in un modo diverso. In questo modo voglio massimizzare il pDNA medio. |
| |
E voglio dare una risposta duplice. E voglio ridurre al minimo il tasso di difettosità complessivo. |
| |
Quindi, di nuovo, userò il termine desiderabilità. |
| |
Ci vogliono alcuni minuti. Stiamo ottimizzando modelli molto complessi. |
| |
E nota, viene fuori e dice |
| |
alta velocità di avanzamento, alto DO, |
| |
pH vicino alla neutralità e induzione. A proposito, induzione, se vuoi sapere cos'è l'induzione OD 600, è una misura della massa microbica. |
| |
e una volta raggiunta una certa massa (nessuno sa esattamente cosa sia, ecco perché facciamo l'esperimento) si aumenta la temperatura della materia. E questo in realtà |
| |
Costringe l'Escherichia coli a iniziare a pompare pDNA o plasmidi, e sono progettati per farlo. Quindi la chiamiamo temperatura di induzione. Bene. Bene, notate nelle impostazioni, |
| |
Ci viene garantito un basso tasso di difetti, la risposta complessiva all'ottimizzazione non è stata altrettanto elevata. Ma ricordate, avremo anche un processo meno incline a generare difetti. |
| |
Ok, quindi a questo punto, |
| |
Vado subito alla fine. |
| |
La diapositiva. Quindi tutto è in queste diapositive. Sono state tutte caricate. |
| |
A |
| |
Comunità JMP. E alla fine di questo c'è un riepilogo esecutivo, e in sostanza quello che vi stiamo mostrando è che lo sviluppo di processi e prodotti |
| |
Utilizzare il percorso CMC (e parte di questo è la qualità fin dalla progettazione) richiede un approccio olistico o integrato. È necessario un approccio sistemico. |
| |
La progettazione e lo sviluppo dei processi sono intrinsecamente un problema di predizione, e questo è il dominio del machine learning e del deep learning. Non è come si potrebbe pensare; non è la solita routine per la costruzione. |
| |
Modelli in statistica, in particolare per le previsioni. Abbiamo mostrato che il bootstrapping con peso frazionario, la convalida automatica e la media del modello |
| |
può generare modelli predittivi molto efficaci e accurati. E voglio anche sottolineare, ancora una volta, che questi modelli aumentati più complessi di Cornell e Montgomery sono in realtà piuttosto importanti. |
| |
Loro, loro scalano davvero meglio e offrono una migliore caratterizzazione. E con questo, vi ringrazio e concludo la mia presentazione. |
