我的研究旨在透過應用強化實驗設計 (iDoE) 方法來提高生物製藥產業中哺乳動物細胞早期製程開發的效率。與經典的實驗設計不同，iDoE 涉及關鍵製程參數 (CPP) 的實驗內變化。這種方法不僅提高了資料生成效率，還可以透過分階段最佳化來考慮時間過程動態。然而，潛在的限制是先前的 CPP 設定可能（不可逆地）影響細胞並影響它們對後續 CPP 設定點的反應行為。
為了解決這個問題，我的研究重點是製定穩健規劃和評估 iDoE 的指南，同時考慮流程歷史的影響。所提出的模擬研究的重點是研究與過程歷史相關的交互項的不同效應大小對我們的迴歸模型的影響。隨後，比較這些模型的 beta 估計值和變異數分量，以評估未明確考慮過程歷史的影響。考慮到這些過程的動態性質，這項研究透過創新早期開發過程優化的方式，有可能對生物製藥產業產生重大影響。
大家好，歡迎大家參加我的簡短演講，我將在其中介紹我使用 JMP 執行的模擬研究，其中我模擬了流程歷史記錄對 iDoE 回歸模型的影響。讓我先做一個簡短的介紹。
我們正在研究生物過程，這些過程通常在生物反應器內進行。在這些生物反應器中，細胞生長，然後這些細胞產生我們的最終產品，通常是抗體。這些過程取決於許多不同的製程參數，例如溫度、溶氧等。
通常，我們會使用實驗設計來確定理想的製程參數，以最大限度地提高我們的反應，例如，我們的抗體的產量或我們在製程中獲得的活細胞密度。這些過程可分為細胞生長過程典型的不同經典階段，即生長階段、轉變階段和生產階段。
在下一張投影片中，我展示了兩種不同的生物反應器生長曲線，綠色的和藍色的。正如您所看到的，在本例中，藍色生物反應器的標題是綠色生物反應器的三倍。它們有何不同？正如您現在所看到的，它們根據在這些各自的過程中執行的溫度曲線而有所不同。
正如您所看到的，藍色成長曲線要高得多。活細胞密度比綠色工藝高得多，這導致了標題的增加。這凸顯了透過了解過程動態，我們有可能大幅提高生物過程中的過程表現。
這正是實驗強化設計的理念。在實驗的強化設計中，我們會將過程分成不同的階段。這是第一階段、第二階段和第三階段，並隨著時間的推移執行實驗內參數變化。
我們將改變從生長到過渡到生產回歸階段的過程參數，從而我們能夠優化每個單獨階段內的參數設置，而不是為整個過程使用一組參數，這樣我們就可以優化這些過程動態。
然而，這種方法的一個挑戰是如何正確考慮過程歷史對我們的迴歸模型的影響。例如，第一階段的製程參數如何影響細胞對第二階段或第三階段製程參數變化的反應行為？這正是本模擬研究的目的，旨在研究過程史對我們的迴歸模型的影響。
我是如何模擬這個的？我使用兩個製程參數（在本例中為溫度和溶解氧）和三個階段（階段1、階段2 和階段3）模擬了強化實驗設計的數據。得到了明確描述，正如您在此處看到的，第一階段的溫度 1 和溶解氧，然後是第二階段和第三階段。所有這些過程參數都被建模為難以改變的因素，同時，我們也將培養持續時間作為一個易於改變的因素（即時間成分）進行研究。
我們還有生物反應器，它被建模為一個整體圖，以適應生物反應器之間的隨機偏移。我們將其建模為線性混合模型。
我們在哪裡可以找到其中的流程歷史記錄？過程歷史可以在這些跨階段的相互作用中找到，這意味著第一階段的過程參數設定透過第二或第三階段的過程參數變化對我們細胞的反應行為有何影響，這裡突出顯示為第一階段的溫度。
這讓我開始模擬的設定。我使用了JMP中的類比響應平台。我完全使用了我剛剛在最後幾張投影片中向您展示的設計來建立模型，並了解該模型中的這些 beta 係數可能會是什麼樣子。
我使用歷史迴歸模型中的知識來創建這個基本模型。在這個基本模型中，我重點介紹了跨階段互動的模擬，我用它來模擬流程歷史的影響。這些跨階段的交互作用使我們了解過程史對迴歸模型的影響。
為了直觀地了解數據的樣子，我在這裡繪製了該模擬基礎模型在培養持續時間內的活細胞密度，並根據第一階段溫度的影響進行了著色。 ，我偏離了這個基本模型，創建了替代模型，在其中我改變了這些跨階段交互作用的程度。您可以在這裡看到，在這種情況下，我將跨階段互動的係數加倍，然後將它們減半，並將它們四分以模擬具有不同流程歷史影響的不同場景。
正如您在這些圖中所看到的，這些也會產生看起來完全有效的活細胞密度曲線。我使用了剛剛向您展示的這四種不同的模型作為我的線性混合模型中的固定效應。我還介紹了隨機孔圖誤差和隨機殘差誤差。我當時所做的就是擬合這些模型。
首先，您可以在這裡看到我的模型中所有符合條件的術語。我模擬的所有術語，包括這些跨階段交互，我將其用作流程歷史記錄的代理。我適合的第二個模型是一個不包含這些跨階段互動的模型，因此它無法適應流程歷史記錄。
然後，我根據它們的 beta 估計值、它們估計我從模擬中得知的 beta 係數的能力以及變異數分量，對這兩個模型進行了比較。我重複了這個擬合 1,000 次，然後查看了各自的分佈。這就是我接下來想在結果部分向您展示的內容。
為了讓您了解資料的實際情況，這裡對於一個 Beta 版，我可視化了具有跨階段交互的完整模型的 Beta 估計分佈，考慮了流程歷史記錄，以及沒有跨階段交互的簡化模型的 Beta 估計分佈，不考慮進程歷史記錄。
正如您所看到的，對於大型跨階段交互，這裡乘以兩倍，我們在平均 beta 估計分佈之間存在相當大的差異。然而，對於非常小的跨階段交互作用，我執行的這 1,000 次擬合的兩個 beta 估計分佈的平均估計值之間的差異非常小。兩個 beta 分佈的估計，如果它們的差異為零，則表示兩個模型的平均值估計相同。
在下一張投影片中，我計算了考慮流程歷史記錄的完整模型的 beta 估計值與沒有跨階段交互作用（不考慮流程歷史記錄）的簡化模型之間的平均差異。
正如我們所看到的，這些跨階段交互作用的影響大小很大，完整模型和沒有跨階段交互作用的模型的平均 beta 估計值有很大差異。然而，對於這些跨階段交互作用的影響較小，確實存在邊際差異。
我想在下一張投影片上向您展示的是方差分量。再次，比較完整的模型，考慮流程歷史，考慮這些跨階段交互，我們可以看到方差分量在這裡被正確估計為 0.25，與這些跨階段交互的效應大小無關。而對於沒有跨階段交互作用的簡化模型，我們可以看到與殘差變異數相比，我們的整圖變異數非常膨脹。
這些跨階段交互作用的效果量越小，這些變異數分量就越接近方差分量的實際模擬。這種誇大的全圖變異數可能是由於模型透過誇大整個圖方差項來解釋由於模型中缺少交互項而導致的部分變異數。
這讓我得出結論，也就是我演講的最後部分。我們看到的是，對於非常小的跨階段交互，這意味著流程歷史的影響很小，沒有跨階段交互的模型會投射到適應流程歷史的完整模型上。這意味著這些跨階段的交互作用可能在建模中被忽略。
然而，當我們有大量的跨階段交互作用或過程歷史的巨大影響時，我們可以看到對beta 估計的相當大的影響，這可以從完整模型的平均beta 估計與沒有模型的模型之間的差異中看出。這在模型中得到了部分補償，而沒有透過膨脹的全圖變體進行跨階段交互作用。
為了給出一個非常簡短的展望，我們希望透過量化跨階段互動與非跨階段互動的大小來概括這些結果，以便找到一種方法將它們與我們希望在未來。
此外，我們希望將此基準測試擴展到進一步的建模方法，例如階段迴歸模型，以及使用功能資料瀏覽器來分析 iDoE 資料。
我的演講到此結束。非常感謝大家的聆聽，特別感謝 Verena 和 Beate 在我的博士課程期間的監督和指導。
