Mikrobielle Wachstumsassays mit Mikrotiterplatten-Readern werden in der biopharmazeutischen Industrie häufig zum Screening von Medienkomponenten eingesetzt. Diese Assays können sehr schnell große Datenmengen generieren; daher sind automatisierte Ansätze zur Optimierung der Datenanalyse entscheidend für eine schnellere Entscheidungsfindung. Bei Kerry ist das Abrufen, Bereinigen und Formatieren der Wachstumsassay-Daten ein manueller Prozess, der zeitaufwändig und fehleranfällig ist.
In dieser Arbeit wurde eine Reihe von Skripten entwickelt, um die Datenanalyse durch die Automatisierung von Datenformatierung, -bereinigung und -visualisierung zu optimieren. Mithilfe des Workflow- und Add-in-Builders von JMP wurden die Skripte erfasst und ein benutzerfreundlicher, klickbasierter Ansatz geschaffen, der die Datenanalysezeit verkürzt und redundante Analysen für mikrobielle Hochdurchsatz-Wachstumsassays automatisiert. Die Add-ins reduzierten die Datenanalysezeit um 80 % – von 20 auf 4 Minuten pro Rohdatendatei. Die Add-ins werden anderen JMP-Nutzern, die ihre Datenabfrage, -bereinigung und -analyse für Hochdurchsatz-Mikrotiterplatten-Assays optimieren möchten, öffentlich zur Verfügung gestellt.
Okay. Hallo. Mein Name ist Kyle Probst. Ich bin leitender Wissenschaftler bei Kerry und arbeite in Beloit, Wisconsin, unserem nordamerikanischen Hauptsitz. Heute präsentiere ich die Verwendung des JMP Add-in Builders zur automatisierten Charakterisierung des mikrobiellen Wachstums. Ich habe etwa acht Jahre Erfahrung mit JMP und freue mich sehr, heute zum ersten Mal auf dem Discovery Summit zu präsentieren.
Hier eine kurze Übersicht, damit Sie einen besseren Überblick über das heutige Thema erhalten. Zunächst die Einleitung: Warum haben wir diese Arbeit durchgeführt? Warum ist sie wichtig? Was war unser Ziel? Was wollten wir konkret erreichen? Anschließend gebe ich Ihnen Hintergrundinformationen zu Kerry, der Zellernährung in der Pharmaindustrie, mikrobiellen Wachstumsassays und unserem Vorgehen dabei. Danach gehe ich kurz auf unsere bisherige Datenanalyse ein. Anschließend zeige ich Ihnen anhand einer Demo des Add-ins, was wir hier gemacht haben. Zum Schluss ziehe ich ein Fazit.
Okay. Das Screening von Rohstoffen und Nährmedien ist ein entscheidender Schritt in der Bioprozessentwicklung. Hochdurchsatz-Screening-Assays (HTS) mit Mikrotiterplatten-Readern werden häufig in der pharmazeutischen Industrie eingesetzt. Diese Assays generieren sehr schnell große Datenmengen. Die Datenverarbeitung und -analyse stellen daher einen Engpass dar.
Automatisierte Ansätze zur Beseitigung des Engpasses – der Datenanalyse – sind entscheidend für schnellere Entscheidungen. Zeit ist bekanntlich Geld, insbesondere in der Industrie. Bei Kerry ist das Abrufen, Bereinigen und Formatieren der HTS-Assay-Daten ein manueller Prozess, der sehr zeitaufwändig und fehleranfällig ist. In dieser Arbeit nutzen wir JMP, um den Engpass der HTS-Datenanalyse zu beseitigen und so schnellere Entscheidungen zu ermöglichen.
Ich präsentiere es gleich vorweg. Dies sind die Ausgangsdaten, mit denen wir arbeiten. Sie liegen als Excel-Tabelle vor. Daraus erstellen wir das Endprodukt, die verarbeiteten Daten, die folgenden beiden Grafiken. Die erste Grafik zeigt die Wachstumskinetik bzw. Wachstumskurven. Die zweite Grafik zeigt die Fläche unter der Kurve, eine Kennzahl zur Darstellung der Wachstumsleistung. Genau das wollen wir erreichen. Dies ist das Endergebnis. Das ist es, was wir heute anstreben.
Ziel war die Entwicklung einer Reihe von Add-ins, die eine flexible Datenformatierung und -bereinigung ermöglichen, um die Datenanalysezeit zu verkürzen und redundante Analysen für HTS-Mikrobenwachstumsassays zu automatisieren. Die verwendeten JMP-Funktionen waren Add-in Builder, Workflow Builder, das Recoding Tool, Graph Builder und Dashboard.
Nun ein paar Informationen zu Kerry. Kerry ist mein Arbeitgeber. Wir sind ein irisches Unternehmen für Lebensmittelzutaten und weltweit führend in den Bereichen Geschmack, Konservierung, Gesundheit und Biopharmazeutika. Bei Kerry stellen wir unsere Kunden in den Mittelpunkt und beliefern sie mit Zutaten, damit sie schmackhaftere und nährstoffreichere Lebensmittel und Getränke sowie gesundheitsfördernde Nahrungsergänzungsmittel und lebensrettende Medikamente entwickeln können.
Ich arbeite im Pharmabereich unseres Unternehmens, das seit über 100 Jahren besteht. Es basiert auf drei Säulen: Hilfsstoffe, Acetate und Zellernährung. Ich bin im Bereich Zellernährung tätig. Dazu gehören Produkte wie unsere Proteinhydrolysate und Hefeextrakte, die wir als Inhaltsstoffe – also als Zellnahrung – für die Biopharmazie und Biotechnologie vertreiben.
Bei Kerry bieten wir komplexe Medienzusätze an. Dazu gehören Proteinhydrolysate, die in der Mikrobiologie auch als Peptone bekannt sind, und Hefeextrakte. Diese teilweise verdauten Rohstoffe sind reich an Stickstoff. Sie werden häufig als Hauptstickstoffquelle in Medienformulierungen verwendet, da sie den Zellen viele wichtige Nährstoffe liefern, wie Peptide, freie Aminosäuren, Vitamine, Mineralstoffe usw.
Wenn wir von Zellernährung sprechen, meinen wir die Nährstoffe, die Zellen von Insekten, Mikroorganismen und anderen Mikroorganismen benötigen, um in der Biowissenschaft eingesetzt zu werden. Das sind unsere Zutaten. Hier sind einige Beispiele für Zelltypen sowie für die Produkte, die sie herstellen und die unseren Alltag verbessern, wie Insulin, Antikörper, Impfstoffe, Probiotika und sogar Antibiotika. Das sind nur einige Beispiele.
Wir verfügen bei Kerry über mehr als 100 verschiedene Proteinhydrolysate und Hefeextrakte zur Herstellung von Formulierungen. Mithilfe unserer hauseigenen Stämme und Zellen können wir diese Inhaltsstoffe prüfen und optimieren sowie Formulierungsprototypen entwickeln, die auf die Bedürfnisse unserer Kunden zugeschnitten sind. Ich hoffe, dies vermittelt Ihnen einen besseren Einblick in meine Arbeit bei Kerry und in die Zellernährung.
Okay. Bei Kerry führen wir regelmäßig mikrobielle Wachstumstests durch, um einige unserer Zellnährstoffe für mikrobielle Anwendungen zu screenen. Wie bereits erwähnt, steht uns eine Vielzahl von Inhaltsstoffen zur Verfügung. Das Screening ermöglicht es uns, viele Produkte schnell zu testen und so die besten Kandidaten für die Formulierungsoptimierung auszuwählen. Für die Wachstumstests verwenden wir Mikrotiterplatten-Reader, die sich bei unserem Screening als unverzichtbar erwiesen haben.
Mit unserem Protokoll können wir bis zu 40 verschiedene Inhaltsstoffe in einem einzigen Test untersuchen. Wir können außerdem mehrere Mikroorganismen-Stämme evaluieren und DOE-basierte Ansätze wie definitive Screening-Designs und sogar zweistufige Screening-Designs wie das Plackett-Burman- oder das fraktorielle Versuchsdesign anwenden.
Nehmen wir beispielsweise einen Kunden, der ein pflanzliches Proteinhydrolysat sucht, das das Wachstum von Lactobacillus acidophilus fördert. Dieser probiotische Stamm ist wichtig. Wir würden dann zunächst verschiedene pflanzliche Proteinhydrolysate testen, um eines oder wenige zu finden, die das Wachstum dieses Mikroorganismus optimal unterstützen.
Dies ist ein Beispiel für den Ablauf eines Wachstumstests. Unsere Produkte werden in einem flüssigen Nährmedium formuliert. Da es sich bei den meisten unserer Produkte um Trockenpulver handelt, müssen sie hydratisiert werden. Bei Bedarf können wir weitere Nährstoffe hinzufügen, die spezifisch für den jeweiligen Mikroorganismus sind. Wir verwenden außerdem ein Inokulum, also lebende, aktive Zellen. Dieses bereiten wir oft im Voraus vor, um sicherzustellen, dass die Zellen aktiv wachsen und gesund sind, bevor wir sie verwenden.
Anschließend werden die Nährlösung und das Inokulum in die Mikrotiterplatte pipettiert. Dies ist die Mikrotiterplatte. In diesem Fall enthält die Mikrotiterplatte 100 einzelne Vertiefungen, in die wir jeweils etwa 100 bis 200 Mikroliter pipettieren. Dies geschieht üblicherweise mit einer Mehrkanalpipette, die hier oben abgebildet ist.
Wir arbeiten mit Mikrotiter-Mengen. Für unseren Bioscreen-Assay, den wir mit dem Bioscreen C analysieren, können wir zwei dieser Platten gleichzeitig betreiben. Normalerweise führen wir außerdem fünf technische Replikate bzw. fünf Wells pro Behandlung durch. Wir können bis zu 40 Platten gleichzeitig analysieren. Sobald die Platte in ein Plattenlesegerät eingesetzt wird, fungiert dieses als Bioscreen und kann Temperatur und Schütteln steuern. Die meisten Bakterien werden beispielsweise 24 bis 48 Stunden lang bei 37 °C kultiviert.
Dieses Gerät misst automatisch die optische Dichte über die Zeit. Wir verwenden eine optische Dichte von 600 Nanometern, auch bekannt als OD600. Dies ist ein Standardmaß in der Branche zur Quantifizierung des mikrobiellen Wachstums. Mit der Zellteilung und dem Wachstum trübt sich die Nährlösung ein, und zwar proportional zur OD600. Mit zunehmendem Zellwachstum steigt die OD600, was über die Zeit aufgetragen wird und hier oben eine Wachstumskurve ergibt. Auf der Y-Achse ist die Zelldichte bzw. die OD600, auf der X-Achse die Zeit abgetragen. Unterschiedliche Nährstoffe führen zu unterschiedlich starkem Wachstum, das wir messen und anhand der Wachstumskurve visualisieren können.
Falls Sie sich fragen, was eine Wachstumskurve ist: Sie beschreibt die mikrobielle Kinetik und damit das Wachstum von Mikroorganismenpopulationen wie Bakterien oder Hefen im Laufe der Zeit. Unter den richtigen Bedingungen, beispielsweise bei ausreichend Nahrung, der passenden Temperatur oder der richtigen Umgebung, können sich diese Zellen schnell teilen und vermehren. Wir betrachten hier verschiedene Wachstumsphasen.
Erstens gibt es die Lag-Phase. Wenn Mikroorganismen in eine neue Umgebung gelangen, vermehren sie sich nicht sofort. Sie brauchen etwas Zeit, um sich an ihre Umgebung zu gewöhnen und sich auf das Wachstum vorzubereiten. Das ist die Lag-Phase. Sobald die Mikroorganismen bereit sind, vermehren sie sich rasant. Jede Zelle teilt sich in zwei, vier, dann acht und so weiter, was zu einem schnellen Populationsanstieg führt. Das ist die exponentielle oder logarithmische Phase der Wachstumskurve.
Irgendwann werden Nahrung und Platz knapp oder Abfallprodukte reichern sich an, was das Wachstum verlangsamt. Damit erreichen wir die stationäre Phase. Die Anzahl der neu gebildeten Zellen gleicht sich mit der Anzahl der absterbenden Zellen aus, sodass die Population konstant bleibt. Die Wachstumskurve visualisiert das Wachstum. So können wir die Zellen vergleichen und anhand der hier genannten Kriterien schnell die passenden auswählen.
Zusätzlich messen wir die sogenannte Fläche unter der Kurve. Sie fasst den Kurvenverlauf anhand der Fläche unterhalb der Kurve in einer einzigen Zahl zusammen. Unter gleichen Bedingungen und im gleichen Zeitraum gilt: Je größer diese Fläche, desto höher das Gesamtwachstum. Ich hoffe, das ist verständlich.
Das führt mich zu unserem bisherigen Datenverarbeitungsansatz. Dieser erforderte sowohl Excel als auch JMP. Mit Excel wurden Zeitpunkte, die Fläche unter der Kurve sowie die OD-600-Daten manuell bearbeitet und berechnet, worauf ich später noch eingehen werde. Anschließend wurde das Ganze in JMP exportiert, um die manuelle Datenkodierung und die Bearbeitung der Abbildungen vorzunehmen. Da dies jedes Mal komplett von Grund auf neu durchgeführt wurde, war es etwas umständlich.
Im Tagesablauf variierte dieser Prozess leicht, da wir ihn jedes Mal von Grund auf neu durchführten, was zu Inkonsistenzen führte. Dadurch entdeckten wir häufig subtile Fehler oder Unterschiede zwischen den Datensätzen, was den Prozess fehleranfällig machte. Zudem war er sehr zeitaufwendig. Die Verarbeitung eines einzigen Rohdatensatzes dauerte etwa 20 Minuten. Der verbesserte Ansatz, den wir in diesem Beitrag vorstellen und Ihnen gleich zeigen werden, nutzt den Workflow Builder von JMP, um Skripte aus redundanten Analysen zu erfassen und eine Reihe von Add-Ins zu erstellen.
Einer der größten Vorteile des Workflow Builders war, dass ich nur wenig Erfahrung mit Skripting habe. Mit dem Workflow Builder konnte ich einfach Skripte aus unserem bestehenden Workflow kopieren und einfügen und daraus Add-Ins erstellen. Kinderleicht. Ich sollte erwähnen, dass nicht alle Skripte aus dem Workflow Builder stammen. Für die komplexeren Skripte in diesem Projekt hat mir unser Freund Jerry Fish, unser JMP-Systemingenieur, geholfen. Insgesamt hat der verbesserte Ansatz die Analysezeit aber auf vier Minuten verkürzt – eine Zeitersparnis von 80 %, was für uns wirklich super ist.
Okay. Ich mache jetzt einen kurzen Rückzieher und öffne die Rohdatendatei. So können Sie sehen, was wir hier sehen. Ich habe sie vorhin schon kurz auf dem Bildschirm eingeblendet. Die Rohdatendatei liegt im Excel-Format vor. In der ersten Spalte steht die Zeit, und die folgenden Spalten enthalten jeweils die Daten für eine Vertiefung der Mikrotiterplatte.
Wir fügen den Daten auch eine Übersicht der Mikrotiterplatten hinzu. Diese fügen wir manuell in die Datei ein. Dadurch können wir nachvollziehen, was in die einzelnen Vertiefungen gegeben wurde. So erhalten wir eine übersichtliche Karte bzw. Legende. Beispielsweise wurden Stamm A und Medium 1 in die Vertiefungen 1, 21, 41, 61 und 81 gegeben, wobei die Zahlen 1 bis 5 Replikate darstellen. Wir verwenden die erste Zeile, um Stamm A und Medium 1 zu kennzeichnen, und so weiter. Ich hoffe, das verdeutlicht Ihnen unsere Vorgehensweise.
Okay, ich schließe das jetzt ab und schaue mir dann JMP und die Add-Ins an. Falls Sie noch keine Erfahrung mit Add-Ins haben, sollten Sie sich das unbedingt mal ansehen. Damit können Sie zusätzliche Funktionen in Ihre JMP-Software integrieren. Es gibt unzählige Add-Ins, die von verschiedenen Entwicklern erstellt wurden. Ich habe hier auch einige installiert, werde mich aber auf die Bioscreening-Daten konzentrieren. Dann legen wir mal los.
Als Erstes öffnen wir eine allgemeine Datei. Das ist die Excel-Datei, die ich Ihnen gerade gezeigt habe. Ich klicke hier auf „Öffnen“ und stelle sicher, dass alle Dateien ausgewählt sind. So werden auch Excel-Dateien erkannt. Nach dem Klick auf „Öffnen“ öffnet sich der Excel-Importassistent. Ich importiere sowohl die Mikrotiterplattenkarte als auch die Rohdaten, die 600-Nanometer-Daten. Alles ist so eingerichtet, wie ich es möchte. Ich klicke einfach auf „Importieren“. Dadurch erhalte ich zwei verschiedene Datentabellen. Ich konzentriere mich zunächst auf die Datenkinetik.
Als Erstes möchte ich eine Spalte für die Zeitreihendarstellung hinzufügen. Da die Zeitangabe aktuell nicht im Zeitverlauf dargestellt wird, kann ich sie nicht grafisch darstellen. Ich benötige sie im Dezimalformat, und genau das hat das Add-In ermöglicht. Ich werde diese Spalte nun entfernen und löschen, da ich sie nicht benötige. Ich möchte die Zeit im Dezimalformat mit Stundenangaben.
Als Nächstes führen wir eine Zeilensubtraktion zur OD-Korrektur durch. Wir löschen unsere Ausgangsdaten. Unterschiedliche Medien können unterschiedliche Ausgangs-OD-Werte aufweisen. Hier sehen Sie, dass einige Werte abweichen. Wir möchten alle Werte auf denselben Wert bringen, also den Ausgangs-OD-Wert auf null setzen. Dazu subtrahieren wir die Werte der ersten Zeile von den Werten jeder anderen Zeile. Dadurch wird der Detektor auf Null gesetzt und alle Werte werden angeglichen.
Ich klicke jetzt auf „Zeilen subtrahieren“, und das erledigt das. Okay. Als Nächstes stapeln wir die Daten. Ich markiere die Spalten hier. Dazu drücke ich die Umschalttaste, halte sie gedrückt und markiere alle Spalten außer der Zeitspalte. Dann stapel ich diese Spalten, und es entsteht eine neue Datentabelle. Ich habe auch die Zahl neu codiert. Das lief im Hintergrund.
Das passt erstmal. Ich muss jetzt wieder in meine Mikrotiterplatten-Übersicht und sie etwas formatieren, damit JMP sie verarbeiten kann. Ich muss alle Replikate in einer Spalte zusammenfassen. Ich habe hier eine gestapelte Mikrotiterplatte. Dadurch erhalte ich diese aktualisierte Mikrotiterplatten-Datendatei. Dann kann ich diese Tabelle als Hilfsmittel verwenden, um meine gestapelten Daten, die alle OD-Werte enthalten, neu zu kodieren. Genau das werde ich jetzt tun.
Ich habe eine Rekodierung pro Mikrotiterplatte vorgenommen. Der Stamm ist einer meiner Rekodierungsfaktoren. Ich habe auch Replikate. Diese Faktoren sind in unseren Experimenten so gut wie immer konstant. Außerdem habe ich verschiedene Behandlungen in Ihrer Tabelle. Eins, zwei, drei, vier. In diesem Beispiel haben wir nur eine Behandlung, ich könnte aber auch mehrere durchführen. Deshalb habe ich diese Option hinzugefügt, um zusätzliche Flexibilität zu ermöglichen.
Okay, das ist erledigt und bereit für die Weiterverarbeitung. Ich schaue mir jetzt meine Rohdatendatei wieder an und berechne als Nächstes die Fläche unter der Kurve. Die Fläche unter der Kurve beinhaltet einige zusätzliche Faktoren. Zuerst berechne ich die Zeilensumme.
Um die Fläche unter der Kurve zu berechnen, summieren wir einfach alle Zeilen auf. Das Ergebnis ist dann die Fläche unter der Kurve. Dadurch sind hier 200 zusätzliche Spalten entstanden. Ich markiere sie und wähle dann die unterste Zeile aus, da ich diese Daten benötige. Der Wert 14,145 ist die Fläche unter der Kurve für Bohrung 1.
Ich habe hier ein Add-in. Damit kann ich die Daten filtern und neu formatieren. Ich schließe das jetzt ab. Ich habe die Bohrlochnummer und die Fläche unter der Kurve. Zum Schluss muss ich diesen Datensatz noch anhand der Bohrlochkarte neu kodieren, genau wie zuvor. Dann die Sorte, dann die Replikation. Und schließlich noch die erste Behandlung.
Diese Tabelle ist nun fertig. Beide Tabellen sind fertig. Im nächsten Schritt möchte ich die Tabelle mit der Fläche unter der Kurve mit der Tabelle der gestapelten Daten kombinieren. Ich möchte diese beiden Tabellen zusammenführen. Dafür habe ich auch ein Add-in. Los geht's.
Ich möchte diese beiden Datentypen kombinieren, weil ich Diagramme erstellen und diese beim Einfügen in ein Dashboard dynamisch miteinander verknüpfen möchte. Dafür müssen sie sich in derselben Datentabelle befinden.
Ich erstelle jetzt zwei verschiedene Diagramme. Das erste zeigt Wachstumskurven, wofür ich ein Add-in verwende. Ich führe es jetzt aus. Dieses Diagramm habe ich im Graph Builder erstellt. Auf der Y-Achse ist die optische Dichte (OD) bei 600 nm abgetragen, auf der X-Achse die Zeit. Darunter befinden sich die Wachstumskurven für jeden Stamm. Ich minimiere das Diagramm jetzt. Außerdem erstelle ich die Fläche unter der Kurve (AUC) – ebenfalls im Graph Builder. Das sieht so aus: Die AUC ist auf der Y-Achse abgetragen, die verschiedenen Medienkomponenten auf der X-Achse. Dies ist ein Balkendiagramm mit Standardabweichung. Die Fehlerbalken zeigen die Abweichungen der technischen Replikate.
Als Letztes erstellen wir ein Dashboard. Es zeigt meine Wachstumskurve, die Fläche unter der Kurve und einen Datenfilter an, mit dem ich die Daten genauer analysieren kann. Ich schaue mir jetzt Stamm 1 an. Besonders praktisch an diesem Dashboard ist die Möglichkeit, mit den Daten zu interagieren. Wenn ich beispielsweise die Wachstumskurve von Medium 14 sehen möchte, wird diese automatisch hervorgehoben – wirklich praktisch!
Außerdem könnte ich hier sitzen, die Fläche unter der Kurve vom niedrigsten zum höchsten Wert sortieren und sogar die drei besten Kandidaten auswählen – diese hier –, mit denen wir unsere Optimierungsarbeit fortsetzen könnten. Sie sehen, wie schnell wir von unseren Rohdaten zur Visualisierung und schließlich zur Entscheidungsfindung gelangt sind.
Noch eine letzte Sache. Ich habe noch etwas Zeit und möchte Ihnen ein Beispiel zeigen, wie Sie mit dem Workflow-Builder ein Add-In erstellen. Ich verwende dazu einfach meinen Datensatz. Ich schließe jetzt ein paar dieser Abbildungen. Ich verwende diese Tabelle. Ich öffne hier einen neuen Workflow. Gehen Sie dazu auf „Datei“, „Neu“ und dann auf „Workflow“. Damit der Workflow-Builder das Skript Ihrer aktuellen Arbeit in JMP aufzeichnet, können Sie dieses Skript verwenden. So können Sie es später beliebig oft wiederverwenden. In diesem Fall richten wir ein Add-In dafür ein.
Ich starte die Aufnahme und minimiere das Fenster. Ich erstelle jetzt ein neues Diagramm. Auf der Y-Achse trage ich die optische Dichte (OD) und auf der X-Achse die Zeit ein. Das Ganze soll als Kurven dargestellt werden. Die Behandlungen füge ich als Overlay hinzu und nenne das Diagramm einfach „Wachstumskurven“. Kurz die Schriftart ändern. Groß, damit man sie gut lesen kann. Ich ändere die Schriftart hier und mache sie fett und etwas größer. Dasselbe mache ich mit der Zeit. Fett und etwas größer. Dann ändern wir die Legende. Ich nenne sie einfach „Medien“. Okay, das sieht gut aus.
Damit der Workflow Builder dieses Skript im Graph Builder erfassen kann, muss der Graph geschlossen werden. Das mache ich jetzt. Anschließend kehre ich zum Workflow Builder zurück, und siehe da, mein Skript ist erfasst. Sehr praktisch, besonders für jemanden wie mich, der nicht viel Erfahrung mit Skriptsprachen hat.
Ich werde das jetzt markieren und kopieren, dann den Vorgang abbrechen und anschließend... Moment, ich öffne das in einem anderen Fenster. Ich öffne hier kurz mein Add-In. So können wir dieses Beispiel hier einfügen. Um den Add-In-Builder zu öffnen, müssen Sie dieses kleine Dreieck nach unten auswählen.
Das ist der Add-in-Builder, mit dem ich gearbeitet habe. Ich gehe jetzt einfach zu meinen Menüpunkten. Ich habe das vorhin geübt und vergessen, es zu löschen. Ich erstelle jetzt ein neues Beispiel. Ich füge es hier unten unter „Dashboard“ ein, und Sie können einfach auf „Befehl“ klicken. Ich füge das hier ein. Nur zur Veranschaulichung, okay? Ich klicke jetzt auf „Speichern“.
Wenn ich zu JMP zurückkehre, verwende ich diese kombinierte Kinetik- und AUC-Tabelle. Wenn ich auf meine Add-Ins klicke, wähle ich „Bioscreen-Daten“ aus – anscheinend habe ich es nicht benannt, aber das ist in Ordnung. Ich führe einfach den ersten Menüpunkt aus. Dadurch sollte die soeben erstellte Abbildung generiert werden. Mal sehen, ob es funktioniert. Es funktioniert. Perfekt. Das ist nur ein Beispiel dafür, wie man den Workflow Builder verwendet und Skripte erfasst. So kann man sie in ein Add-In einfügen. Sehr nützlich für Routineaufgaben, die sich wiederholen, wie zum Beispiel das Erstellen von Abbildungen.
Okay. Ich mache hier Schluss. Ich habe noch ein paar Folien. Sie konnten sich einen guten Eindruck davon verschaffen, wofür wir JMP, den Add-in Builder, hier verwendet haben. Wir konnten die Verarbeitung unserer Bioscreening-Assay-Daten erfolgreich vereinfachen und beschleunigen. Wir haben eine Zeitersparnis von 80 % erzielt. Was bedeutet das? Wenn Sie 120 Bioscreening-Assays durchführen könnten, würde sich die Datenanalysezeit von einer Woche bzw. 40 Stunden auf einen Tag bzw. acht Stunden reduzieren. Das ist ein erheblicher Unterschied.
Nicht jeder Test, den wir durchführen, ist gleich. Die klickbasierte Skriptfolge bietet uns die nötige Flexibilität, um Daten aus den unterschiedlichsten Versuchsdesigns zu verarbeiten. Der Workflow Builder ist wirklich revolutionär. Was ich Ihnen heute gezeigt habe, hat mich erstaunlich wenig Zeit gekostet. Ich schätze, ich habe insgesamt weniger als 10 Stunden für all die Add-ons benötigt. Wie bereits erwähnt, habe ich nur begrenzte Programmierkenntnisse. Dadurch war es auch für Programmierneulinge wie mich sehr einfach und zugänglich.
Für die Zukunft haben wir noch lange nicht abgeschlossen. Ich denke, es besteht durchaus die Möglichkeit, unsere Add-ins und unseren Analyseansatz weiter zu verbessern. Es wäre toll, einen vollautomatisierten Ansatz für einige unserer Routineanalysen zu entwickeln, um die Datenverarbeitung noch weiter zu verkürzen. Wir arbeiten aber bereits daran. Ich entwickle schon weitere Add-ins für andere Routinedatenanalysen, die über die hier gezeigten Wachstumsassays hinausgehen. Dadurch spare ich enorm viel Zeit bei meiner Laborarbeit und der Datenverarbeitung. Wirklich sehr praktisch.
Ich plane außerdem, die in dieser Arbeit vorgestellten Erweiterungen mit den Ergebnissen einer Präsentation meines Kollegen Jerry Fish zu kombinieren. Dieser verwendet den JMP Pro Functional Data Explorer, um verschiedene Parameter aus Wachstumskurven zu quantifizieren. Wachstumsrate, Lag-Phase, Zeit bis zum Erreichen der stationären Phase und die optische Dichte (OD) bzw. Zelldichte in der stationären Phase sind für uns wichtige Parameter, um auf Basis unserer Daten fundierte Entscheidungen zu treffen.
Ich freue mich riesig auf die Zusammenarbeit mit Jerry und darauf, unsere bisherigen Arbeiten mit seinen spannenden Projekten zu verbinden. Mehr dazu später. Ich habe hier einen Link und den Titel seiner Präsentation eingefügt, die er ebenfalls auf dem JMP-Gipfel halten wird. Wirklich spannend! Schaut unbedingt mal rein, wenn ihr die Gelegenheit dazu habt.
Okay. Damit komme ich zum Schluss. Ich wollte Ihnen meine Kontaktdaten geben, falls Sie Fragen zu unserer Arbeit haben oder einfach mit mir über Mikrobiologie oder Ernährung sprechen möchten. Ich unterhalte mich sehr gerne über diese Themen. Es war mir eine große Freude, Ihnen heute meine Präsentation halten zu können. Vielen Dank für Ihre Aufmerksamkeit. Ich hoffe, wir können uns bald mal austauschen. Alles klar. Danke.
