I test di crescita microbica che utilizzano lettori di micropiastre sono comunemente impiegati nell'industria biofarmaceutica per lo screening dei componenti dei terreni di coltura. Questi test possono generare grandi quantità di dati molto rapidamente; pertanto, l'adozione di approcci automatizzati per eliminare i colli di bottiglia nella fase di analisi dei dati è fondamentale per consentire un processo decisionale più rapido. Presso Kerry, il recupero, la pulizia e la formattazione dei dati dei test di crescita sono processi manuali che richiedono molto tempo e sono soggetti a errori.
In questo lavoro, è stata creata una serie di script per migliorare l'approccio all'analisi dei dati, automatizzando la formattazione, la pulizia e la visualizzazione dei dati stessi. Il generatore di flussi di lavoro e il generatore di componenti aggiuntivi di JMP sono stati utilizzati per acquisire gli script e creare un approccio intuitivo, basato su clic, per ridurre i tempi di analisi dei dati e automatizzare le analisi ridondanti per i saggi di crescita microbica ad alta produttività. I componenti aggiuntivi hanno ridotto i tempi di analisi dei dati dell'80%, passando da 20 a 4 minuti per file di dati grezzi. I componenti aggiuntivi saranno resi pubblicamente disponibili per altri utenti di JMP che necessitano di eliminare i colli di bottiglia nel recupero, nella pulizia e nell'analisi dei dati per i saggi su micropiastre ad alta produttività.
Bene. Salve. Mi chiamo Kyle Probst. Sono uno scienziato senior presso Kerry, con sede a Beloit, nel Wisconsin, dove si trova il nostro quartier generale per il Nord America. Oggi la mia presentazione tratterà l'utilizzo di JMP Add-in Builder per automatizzare la caratterizzazione della crescita microbica. Ho circa otto anni di esperienza con JMP e sono davvero entusiasta di presentare oggi, perché è la prima volta che partecipo a un Discovery Summit.
Ecco una breve panoramica per darvi un'idea più precisa di cosa parlerò oggi. Introduzione: spiegherò perché abbiamo svolto questo lavoro, perché è importante, l'obiettivo, ciò che nello specifico volevamo ottenere, e poi vi darò qualche informazione di base su Kerry, la nutrizione cellulare farmaceutica, cosa sono i test di crescita microbica, il nostro approccio per eseguirli e infine parlerò brevemente del nostro metodo di analisi dei dati. Dopodiché, faremo una dimostrazione del componente aggiuntivo per darvi un'idea chiara di cosa abbiamo fatto. Infine, passeremo alle conclusioni.
D'accordo. Lo screening delle materie prime e dei nutrienti del terreno di coltura è una fase critica per lo sviluppo dei bioprocessi. I test di screening ad alto rendimento (HTS) che utilizzano lettori di micropiastre sono comunemente impiegati nell'industria farmaceutica. Questi test possono generare grandi quantità di dati molto rapidamente. Pertanto, l'elaborazione e l'analisi dei dati rappresentano un collo di bottiglia.
L'automazione del collo di bottiglia rappresentato dalla fase di analisi dei dati è fondamentale per consentire un processo decisionale più rapido. Sappiamo che il tempo è denaro, soprattutto in questo settore. Presso Kerry, il recupero, la pulizia e la formattazione dei dati del test HTS sono processi manuali che richiedono molto tempo e sono soggetti a errori. In questo lavoro, utilizziamo JMP per eliminare il collo di bottiglia nell'analisi dei dati HTS, consentendo un processo decisionale più rapido.
Lo dico subito, senza mezzi termini. Questi sono i dati grezzi di partenza con cui lavoriamo. Arrivano come un foglio di calcolo Excel. Quello che vogliamo ottenere, il prodotto finale, i dati elaborati, sono queste due figure. Una figura rappresenta la cinetica di crescita o le curve di crescita. L'altra è l'area sottesa alla curva, una metrica utilizzata per rappresentare le prestazioni di crescita. Questo è ciò che vogliamo ottenere. Questo è il prodotto finale. Questo è ciò che cercheremo di realizzare oggi.
L'obiettivo era sviluppare una serie di componenti aggiuntivi per consentire un approccio flessibile alla formattazione e alla pulizia dei dati, al fine di ridurre i tempi di analisi e automatizzare le analisi ridondanti per i test di sequenziamento ad alto rendimento (HTS) della crescita microbica. Le funzionalità di JMP utilizzate sono state Add-in Builder, Workflow Builder, Recoding Tool, Graph Builder e Dashboard.
Qualche informazione su Kerry. Kerry è l'azienda per cui lavoro. È un'azienda irlandese di ingredienti alimentari, leader mondiale nel settore degli ingredienti per il gusto, la conservazione, la salute e la biofarmaceutica. In Kerry, ci concentriamo molto sui nostri clienti, fornendo loro ingredienti che permettano di creare alimenti e bevande più gustosi e nutrienti, oltre a integratori per la salute e farmaci salvavita.
Lavoro nel settore farmaceutico dell'azienda, che vanta una storia di oltre 100 anni. Si articola in tre pilastri: eccipienti, acetati e nutrizione cellulare. Io mi occupo del settore della nutrizione cellulare. Questo include prodotti come i nostri idrolizzati proteici ed estratti di lievito, che vendiamo come ingredienti per nutrire le cellule utilizzate nell'industria biofarmaceutica e biotecnologica.
Noi di Kerry forniamo integratori complessi per terreni di coltura. Si tratta di idrolizzati proteici, noti anche come peptoni per chi ha seguito un corso di microbiologia, ed estratti di lievito. Questi sono materiali di partenza parzialmente digeriti e ricchi di azoto. Vengono spesso utilizzati come fonte primaria di azoto nelle formulazioni dei terreni di coltura perché forniscono alle cellule numerosi nutrienti importanti, come peptidi, aminoacidi liberi, vitamine, minerali e altro ancora.
Quando parliamo di nutrizione cellulare, ci riferiamo al nutrimento necessario per sostenere le cellule maligne, degli insetti e microbiche utilizzate nell'industria delle bioscienze. Questi sono i nostri ingredienti. Questi sono alcuni esempi di tipi di cellule, così come dei prodotti che vengono realizzati e che vengono utilizzati per migliorare il nostro stile di vita quotidiano, come l'insulina, gli anticorpi, i vaccini, i probiotici e persino gli antibiotici. Questi sono solo alcuni esempi.
Qui a Kerry abbiamo a disposizione oltre 100 diversi idrolizzati proteici ed estratti di lievito per creare formulazioni, e possiamo testare e ottimizzare questi ingredienti utilizzando i nostri ceppi e cellule interni per creare prototipi di formulazioni basati sulle esigenze dei nostri clienti. Spero che questo ti dia un'idea più chiara di cosa faccio a Kerry e di cosa si tratta nel campo della nutrizione cellulare.
D'accordo. Alla Kerry, eseguiamo regolarmente test di crescita microbica, che vengono utilizzati per lo screening di alcuni dei nostri ingredienti per la nutrizione cellulare, in vista di possibili applicazioni microbiche. Come ho già detto, abbiamo a disposizione molti ingredienti. Lo screening ci permette di testare rapidamente numerosi prodotti, aiutandoci a selezionare solo i migliori candidati per l'ottimizzazione della formulazione. I test di crescita vengono eseguiti utilizzando lettori di micropiastre, strumenti fondamentali per la nostra fase di screening.
Con il nostro protocollo, possiamo testare fino a 40 ingredienti diversi in un singolo test. Possiamo anche valutare più ceppi microbici e possiamo anche utilizzare approcci basati sulla progettazione di esperimenti (DOE), come i disegni di screening definitivi e persino i disegni di screening a due livelli come Plackett-Burman o il disegno fattoriale frazionario.
Ad esempio, potremmo avere un cliente alla ricerca di un idrolizzato proteico di origine vegetale che favorisca la crescita del Lactobacillus acidophilus. Si tratta di un importante ceppo probiotico. In tal caso, inizieremmo analizzando diversi idrolizzati proteici di origine vegetale per individuare quello o quelli che supportano al meglio la crescita di questo microrganismo.
Questo è un esempio del flusso di lavoro del test di crescita. I nostri prodotti sono formulati in un brodo di coltura liquido. La maggior parte dei nostri prodotti sono in polvere secca, quindi devono essere idratati. Possiamo anche aggiungere altri nutrienti, se necessario, specifici per il microrganismo da coltivare. Poi abbiamo l'inoculo. Si tratta di cellule vive e attive. Spesso lo prepariamo in anticipo per assicurarci che le cellule siano in fase di crescita attiva e sane prima di utilizzarle.
Successivamente, il brodo e l'inoculo vengono pipettati nella piastra a pozzetti. Questa è la piastra a pozzetti. In questo caso, la piastra contiene 100 pozzetti individuali in cui aggiungiamo circa 100-200 microlitri. Spesso eseguiamo questa operazione utilizzando una pipetta multicanale, che è mostrata qui in alto.
Stiamo lavorando con quantità da micropiastra. Per il nostro test di bioscreening, che utilizziamo con il Bioscreen C, possiamo analizzare due di queste piastre contemporaneamente. Normalmente, eseguiamo anche cinque repliche tecniche o cinque pozzetti per trattamento. Possiamo analizzarne fino a 40 alla volta. Quando la piastra viene inserita in un lettore di piastre, quest'ultimo funge da bioscreening e permette di controllare la temperatura e l'agitazione. A titolo di esempio, la maggior parte dei batteri viene coltivata a 37°C per 24-48 ore.
Questo strumento misura automaticamente la densità ottica nel tempo. Utilizziamo una densità ottica di 600 nanometri, nota anche come OD 600. Si tratta di un parametro standard nel settore per quantificare la crescita microbica. Man mano che le cellule si replicano e crescono, il brodo diventa torbido, e questo è proporzionale all'OD 600. Con la crescita delle cellule, l'OD 600 aumenta, e questo valore viene rappresentato nel tempo, creando una curva di crescita qui in alto. Sull'asse Y è riportata la densità cellulare o OD 600, mentre sull'asse X è rappresentato il tempo. Diversi nutrienti determinano diversi livelli di crescita, che misuriamo e che possiamo visualizzare sulla curva di crescita.
Se vi state chiedendo cos'è una curva di crescita, si tratta della cinetica microbica che descrive la crescita nel tempo delle nostre popolazioni di microrganismi, come batteri o lieviti. Quando le condizioni sono ottimali, come ad esempio la presenza di cibo a sufficienza, la temperatura ideale o un ambiente adatto, queste cellule possono dividersi e moltiplicarsi rapidamente. Analizziamo diverse fasi di questo processo.
La prima fase è quella di latenza. Quando i microbi vengono introdotti per la prima volta in un nuovo ambiente, non iniziano a moltiplicarsi immediatamente. Hanno bisogno di un po' di tempo per adattarsi all'ambiente circostante e prepararsi alla crescita. Questa è la fase di latenza. Poi, una volta che i microbi sono pronti, iniziano a moltiplicarsi rapidamente. Ogni cellula si divide in due, poi in quattro, poi in otto e così via, portando a un rapido aumento della popolazione. Questa è la fase esponenziale o logaritmica della curva di crescita.
Poi, col tempo, il cibo e lo spazio inizieranno a scarseggiare o si accumuleranno i prodotti di scarto, rallentando la crescita. Questo ci porta alla fase stazionaria. Il numero di nuove cellule create si bilancia con il numero di cellule che muoiono, quindi la popolazione rimane costante. La curva di crescita ci permette di visualizzare le prestazioni di crescita. In questo modo possiamo confrontare e selezionare rapidamente le cellule in base a questi criteri.
Inoltre, un altro parametro che misuriamo è l'area sottesa alla curva. Questa viene utilizzata per riassumere l'andamento della curva in un singolo numero, basandosi sulla regione sottostante. A parità di condizioni e di intervallo di tempo, maggiore è l'area sottesa alla curva, maggiore è la crescita complessiva. Spero che questo sia abbastanza chiaro.
Questo mi porta al nostro attuale approccio di elaborazione dati, che richiedeva l'uso sia di Excel che di JMP. Excel veniva utilizzato per modificare e calcolare manualmente i punti temporali, l'area sottesa alla curva, nonché per azzerare i dati OD 600, cosa che vi mostrerò più avanti. Poi, con un salto, eseguivamo alcune registrazioni manuali e modificavamo le figure. Tutto questo veniva fatto da zero ogni volta, quindi era un po' macchinoso.
Quindi, giorno per giorno, questo processo veniva eseguito in modo leggermente diverso perché lo rifacevamo da zero ogni volta, quindi non era coerente. Per questo motivo, spesso riscontravamo errori o differenze sottili tra i set di dati, rendendo il processo soggetto a errori. Inoltre, era piuttosto dispendioso in termini di tempo. L'elaborazione di un singolo set di dati grezzi richiedeva circa 20 minuti. L'approccio migliorato, che è quello che abbiamo implementato in questo documento e che vi mostrerò a breve, ha sfruttato Workflow Builder di JMP per acquisire script da analisi ridondanti e per creare una serie di componenti aggiuntivi.
Uno degli aspetti più apprezzabili di Workflow Builder è stata la mia limitata esperienza nella programmazione di script. Workflow Builder mi ha permesso di copiare e incollare lo script dal flusso di lavoro preesistente e di creare dei componenti aggiuntivi a partire da esso. Facilissimo. Devo precisare che non tutto lo script è stato creato con Workflow Builder. Devo ammettere di aver ricevuto un po' di aiuto dal nostro amico Jerry Fish, il nostro ingegnere di sistema JMP, per la parte più complessa dello scripting. Nel complesso, questo approccio migliorato ha ridotto il tempo di analisi a quattro minuti, con una riduzione dell'80%, il che è davvero un grande risultato per noi.
Va bene. Ora mi allontano un attimo e apro il file dei dati grezzi. Così potete vedere cosa stiamo guardando. L'ho già mostrato a schermo prima. Il file dei dati grezzi è in formato Excel. Nella prima colonna c'è il tempo, mentre le colonne successive corrispondono a ciascun pozzo presente sulla piastra portapozzi.
Insieme ai dati, includiamo anche una mappa delle piastre di coltura. Questa viene aggiunta manualmente al file, permettendoci di capire cosa è stato inserito in ciascun pozzetto. Ci fornisce una mappa chiara e una legenda di riferimento. Ad esempio, il ceppo A e il terreno di coltura 1 sono stati aggiunti ai pozzetti 1, 21, 41, 61 e 81, mentre i numeri da uno a cinque rappresentano le repliche. Utilizziamo la prima riga per indicare il ceppo A e il terreno di coltura 1, e così via. Spero che questo chiarisca il nostro approccio.
Bene, concludo qui e poi passerò a JMP, dove esamineremo i componenti aggiuntivi. Se non avete familiarità con i componenti aggiuntivi, vi consiglio di darci un'occhiata. Si tratta semplicemente di un modo per aggiungere funzionalità extra al software JMP. Ne esistono moltissimi, creati da altri utenti. Ne ho installati diversi, ma mi concentrerò sui dati del test bioptico. Iniziamo subito.
La prima cosa che faremo è aprire un file generico. Questo è il file Excel che vi ho appena mostrato. Cliccherò su "Apri" e mi assicurerò che siano selezionati tutti i file. In questo modo potrà riconoscere anche file come Excel. Cliccherò su "Apri" e si aprirà la procedura guidata di importazione da Excel. Importerò sia la mappa della piastra pozzi che i dati grezzi, i dati a 600 nanometri. Qui è tutto impostato come desidero. Cliccherò su "Importa". Questo mi fornirà due tabelle di dati diverse. Per prima cosa mi concentrerò sui dati cinetici.
La prima cosa che voglio fare è aggiungere una colonna che rappresenti l'andamento temporale. A causa del formato attuale, non posso tracciare un grafico nel tempo. Vorrei visualizzare i dati in formato decimale, ed è proprio quello che faceva quel componente aggiuntivo. Ora eliminerò anche questa colonna perché non mi serve. Voglio che l'ora sia visualizzata in formato decimale, con le ore.
La prossima cosa che faremo è sottrarre le righe per correggere l'OD. Azzereremo i dati iniziali. Quando si utilizzano diversi tipi di supporti, questi possono avere valori di OD iniziali differenti. Come potete vedere, alcuni di questi valori sono diversi. Vogliamo uniformarli tutti. In pratica, vogliamo azzerare l'OD iniziale. Prenderemo semplicemente i numeri della prima riga e li sottrarremo da ogni riga successiva. In sostanza, stiamo azzerando il rilevatore, uniformando tutti i valori.
Premo "sottrai riga" e il gioco è fatto. Bene. Ora, la prossima cosa che faremo è unire i dati. Selezionerò le colonne qui. Premo Maiusc, tengo premuto Maiusc, seleziono tutte le colonne tranne la colonna del tempo. Quindi unisco queste colonne e questo crea una nuova tabella dati. Ho anche ricodificato il numero del pozzo. Questa operazione è stata eseguita in background.
Per ora va bene così. Devo tornare alla mia mappa dei pozzetti e formattarla un po' per adattarla al formato di JMP. Devo impilare tutte queste repliche in un'unica colonna. Ho una mappa dei pozzetti impilata qui. Questo mi fornisce il file di dati aggiornato della mappa dei pozzetti. Quindi posso usare questa tabella come strumento, come una mappa, per ricodificare i miei dati impilati che contengono tutti i miei valori di densità ottica. Questo è quello che farò ora.
Ho una ricodifica per piastra pozzetti. Ho il ceppo come uno dei miei fattori di ricodifica. Ho la replica. Questi sono praticamente sempre costanti nei nostri esperimenti. L'altra cosa, ho diversi trattamenti nel tuo trattamento. Uno, due, tre, quattro. In questo esempio, abbiamo un solo trattamento, ma potrei averne più di uno. Ecco perché l'ho incluso, per dare maggiore flessibilità.
Bene, questo è fatto e pronto per l'ulteriore elaborazione. Tornerò al mio file di dati grezzi e calcoleremo l'area sotto la curva. L'area sotto la curva ha una serie di componenti aggiuntivi al suo interno. La prima cosa che farò è calcolare la somma cumulativa di riga.
Quando calcoliamo l'area sotto la curva, il procedimento consiste semplicemente nel sommare i valori di ciascuna riga, calcolando la somma cumulativa di tutte le righe. Il valore finale ottenuto rappresenta l'area sotto la curva. Questo ha generato ben 200 colonne aggiuntive. Le evidenzierò e selezionerò l'ultima riga, perché è quella che mi interessa. Voglio utilizzare questi dati. Il valore 14,145 rappresenta l'area sotto la curva per il pozzo uno.
Ho un componente aggiuntivo qui. Mi permetterà di selezionare un sottoinsieme e di riformattare i dati. Chiuderò qui. Ho il numero del pozzo e l'area sotto la curva. L'ultima cosa che devo fare per questo set di dati è ricodificarlo in base alla mappa dei pozzi, come abbiamo fatto prima. Ceppo, poi abbiamo la nostra replica. Infine, l'ultima cosa che dobbiamo fare è il trattamento uno.
Questa tabella è pronta. Entrambe le mie tabelle sono pronte. Il prossimo passo è unire la tabella dell'area sotto la curva alla tabella dei dati dello stack. Voglio unire queste due tabelle. In realtà ho anche un componente aggiuntivo per questo. Ecco qui.
Il motivo per cui volevo combinare questi due elementi è che devo creare dei grafici e desidero che questi siano collegati dinamicamente tra loro quando li inserisco in una dashboard. Per fare ciò, ho bisogno che entrambi si trovino nella stessa tabella dati.
Ora creerò due grafici diversi. Uno di questi rappresenta le curve di crescita, e ho un componente aggiuntivo apposito. Lo eseguirò subito. Questo grafico l'ho creato con Graph Builder, dove sull'asse Y è riportato il valore di OD 600, sull'asse X il tempo, e si possono visualizzare le curve di crescita per ciascun ceppo. Ora lo ridurrò a icona. Creerò anche un grafico dell'area sotto la curva, sempre con Graph Builder. Si presenta così: sull'asse Y abbiamo l'area sotto la curva e sull'asse X i diversi componenti del terreno di coltura. Questo è un grafico a barre con la deviazione standard. La barra di errore si trova qui, in corrispondenza delle repliche tecniche.
Infine, utilizzeremo una Dashboard. La Dashboard è configurata in modo da mostrare la curva di crescita, l'area sottesa alla curva e un filtro dati, che mi permette di interagire con i dati in modo più approfondito. Ora analizzerò il ceppo 1. Uno degli aspetti più interessanti di questa Dashboard è la possibilità di interagire con i dati. Ad esempio, se volessi visualizzare la curva di crescita del terreno di coltura 14, verrebbe evidenziata automaticamente, il che è davvero molto pratico.
Inoltre, potrei sedermi qui, potrei ordinare l'area sotto la curva dalla più bassa alla più alta e potrei persino selezionare i tre candidati migliori, che sono proprio questi, sui quali potremmo voler eseguire ulteriori ottimizzazioni. Come potete vedere, siamo passati rapidamente dai dati grezzi alla visualizzazione dei dati e alla possibilità di prendere una decisione.
Un'ultima cosa. Ho ancora un po' di tempo e volevo mostrarvi un esempio di come usare Workflow Builder per creare un componente aggiuntivo. Lo farò con il set di dati che ho qui. Chiuderò un paio di queste figure. Userò questa tabella. Aprirò un nuovo flusso di lavoro proprio qui. Si va su File, Nuovo, Flusso di lavoro. Per poter utilizzare Workflow Builder, che acquisisce lo script per ciò su cui si sta effettivamente lavorando in JMP, viene registrato lo script. In questo modo è possibile prendere quello script e usarlo per qualsiasi cosa si desideri. In questo caso, imposteremo un componente aggiuntivo.
Premo il tasto di registrazione, riduco a icona questa finestra. Quello che farò è creare un altro grafico. Traccerò la densità ottica (OD) sull'asse Y e il tempo sull'asse X. Userò delle curve. Metterò i trattamenti come sovrapposizione e poi rinominerò il grafico "Curve di crescita". Cambiamo velocemente il carattere. Ingrandiamolo così è leggibile. Cambierò il carattere e lo renderò in grassetto, un po' più grande. Lo stesso vale per il tempo. Lo renderò in grassetto, un po' più grande. Poi cambiamo la legenda. La chiamerò semplicemente "Media". Ok, sembra a posto.
Per far sì che Workflow Builder acquisisca questo script mentre lavoro in Graph Builder, ho capito che devo chiudere il grafico. Procederò a farlo. Ora torno a Workflow Builder e vedo che ha acquisito il mio script. Molto comodo, soprattutto per chi, come me, non ha molta familiarità con gli script.
Quello che farò è evidenziare e copiare questo, poi lo fermerò e poi lo aprirò... Scusate, lo aprirò in un'altra schermata. Aprirò velocemente il mio componente aggiuntivo. In questo modo possiamo inserire questo esempio qui. Per aprire Add-in Builder, devi selezionare questo piccolo triangolo rivolto verso il basso.
Questo è l'Add-in Builder con cui ho lavorato. Vado semplicemente sotto le voci del mio menu. Mi stavo esercitando prima. Ho dimenticato di cancellarlo. Ora creerò un nuovo esempio. Lo aggiungerò alla fine qui sotto Dashboard, e potrai semplicemente cliccare su Comando. Incollerò questo. Solo per una semplice dimostrazione, ok? Cliccherò su Salva.
Quando torno a JMP, userò questa tabella combinata di cinetica e AUC. Se clicco sui miei componenti aggiuntivi, "dati bioscreen", sembra che non gli abbia dato un nome, ma va bene. Esegue semplicemente la voce di menu numero uno. Questo dovrebbe generare la figura che ho appena creato. Vediamo se funziona. Funziona. Ecco fatto. Perfetto. Questo è solo un esempio di come usare Workflow Builder e come acquisire script. In questo modo è possibile inserirli in un componente aggiuntivo. Molto utile per le operazioni che si eseguono di routine e che diventano ridondanti, come la creazione di figure.
Okay. Finisco qui. Ho ancora un paio di slide. Avete avuto modo di capire bene a cosa servisse JMP, l'Add-in Builder. Siamo riusciti a semplificare e ridurre i tempi di elaborazione dei dati del nostro test di bioscreening. Abbiamo ottenuto una riduzione dell'80%. Cosa significa? Che se doveste eseguire 120 test di bioscreening, il tempo di analisi dei dati si ridurrebbe da una settimana, ovvero 40 ore, a un giorno, ovvero otto ore. Davvero notevole.
Non tutti i test che eseguiamo sono uguali. La sequenza di script basati su clic ci offre la flessibilità necessaria per elaborare i dati provenienti da molti diversi modelli sperimentali che utilizziamo. Il Workflow Builder è davvero rivoluzionario. Quello che vi ho mostrato oggi non mi ha richiesto molto tempo per essere realizzato. Credo meno di 10 ore in totale per creare tutti quei componenti aggiuntivi. Come ho già detto, ho una conoscenza limitata di scripting. Questo strumento ha reso il processo molto semplice e accessibile anche per persone come me che sono un po' inesperte nel mondo della programmazione.
Per quanto riguarda il lavoro futuro, non abbiamo certo finito. Credo ci sia sicuramente l'opportunità di migliorare ulteriormente i nostri componenti aggiuntivi e il nostro approccio all'analisi. Penso che sarebbe fantastico impostare un approccio completamente automatizzato per alcune delle analisi più di routine che eseguiamo, per cercare di ridurre ulteriormente i tempi di elaborazione dei dati. E in effetti lo stiamo già facendo. Sto già sviluppando altri componenti aggiuntivi per altre analisi di routine, oltre ai test di crescita che vi ho mostrato qui. Sfruttare appieno queste potenzialità mi fa risparmiare un sacco di tempo nel lavoro che svolgo in laboratorio e nell'elaborazione dei dati. Davvero, davvero comodo.
Ho inoltre intenzione di combinare i componenti aggiuntivi di questo lavoro con un progetto che il mio collega Jerry Fish sta presentando, il quale utilizza JMP Pro Functional Data Explorer per quantificare diversi parametri dalle curve di crescita. Parametri come il tasso di crescita, il tempo di latenza, il tempo necessario per raggiungere la fase stazionaria e la densità ottica (OD) o densità cellulare nella fase stazionaria sono tutti molto importanti per noi quando cerchiamo di prendere decisioni basate sui nostri dati.
Sono entusiasta di collaborare con Jerry per poter unire il lavoro che abbiamo svolto qui con alcune delle interessanti iniziative che sta portando avanti anche lui. Ne parleremo più avanti. Ho incluso un link e il titolo della sua presentazione, che terrà anche al summit JMP. Davvero interessante. Se ne avete l'opportunità, date un'occhiata.
Bene. Con questo concludo. Volevo condividere con voi i miei contatti nel caso aveste domande sul lavoro che abbiamo svolto qui, o se semplicemente voleste mettervi in contatto con me per parlare di microbiologia o di nutrizione. Adoro parlare di questi argomenti. È stato davvero un piacere poter presentare questo lavoro a tutti voi oggi. Grazie per l'attenzione e spero di potermi mettere in contatto con alcuni di voi presto. Bene. Grazie.
