756801_ko-KR

liliconcom

생물약학의 새로운 지평: JMP를 통한 유전자/세포 치료를 위한 환자/기증자 변동성 모델링(2021-US-30MP-887)

Andrew Karl, Adsurgo, LLC의 수석 경영 컨설턴트

Heath Rushing, Adsurgo, LLC의 수석 컨설턴트

바이오 의약품 분야에서 가장 새롭고 혁신적이며 유망한 치료법은 유전자 및 세포 치료입니다. 유전자 치료는 환자의 기존 유전자를 변형하는 반면, 세포 치료는 질병 치료를 위해 인간 세포를 환자에게 이식합니다. 이러한 세포는 환자 본인 또는 건강한 (세포) 기증자로부터 유래합니다. 미국에서 승인된 최초의 이러한 치료법은 2017년 킴리아(Kymriah)였습니다. 그 이후로 수많은 회사가 환자 치료에 대한 이러한 새로운 접근법을 모색해 왔습니다. 규제 승인의 주요 장벽 중 하나는 환자의 요구(효능과 안전성 모두)를 일관되게 충족하는 프로세스를 개발하는 것입니다. 한 가지 분명한 과제는 환자 간 또는 기증자 간 변동성을 모델링하는 것이며, 이는 변동성의 상당 부분을 설명할 수 있습니다(그리고 일반적으로 설명됩니다).

본 발표에서는 JMP에서 공여자 간 변동성을 모델링하는 다양한 방법에 초점을 맞춰, 환자/공여자와 무관한 유의미한 공정 매개변수 결정, 검증된 허용 및 정상 운전 범위(PAR 및 NOR) 설정, 그리고 공정 능력 추정과 같은 중요한 연구 질문에 대한 해답을 제시합니다. 공여자를 고정 블록 효과로 모델링할 때의 의미를 설명한 후, 저자들은 공여자를 임의 효과로 모델링할 때의 이점을 제시합니다. 먼저 JMP의 모델링 및 시뮬레이션 기능을 소개하고, 이어서 JMP Pro의 추가 기능을 소개합니다.

자동 생성된 대본...

스피커	성적 증명서
히스 러싱	홍해를 지배하는 모든 사람들.
	고삐.
로빈 고드프리	응.
	나는 약간 집착하는 편인가 보다.
	안녕하세요. 잘 지내세요.
히스 러싱	좋습니다, 좋습니다. 이건 영원합니다.
로빈 고드프리	잘됐네요, 오.
히스 러싱	네 오 네.
로빈 고드프리	오 좋다 오.
	내가 제대로 하고 있는지 확인하려면 여기 체크리스트를 확인하세요.
	그럼 녹음할게요. 알겠죠, 녹음이 제대로 되었는지요.
	나는.
	당신의 마이크가 조금 말을 하니까 당신의 말이 들릴 겁니다.
히스 러싱	안녕하세요 캐스트 123.
로빈 고드프리	퍼센트.
	반품.
로빈 고드프리	모든 휴대전화와 모든 컴퓨터를 꺼주세요.
히스 러싱	네, 앤드류 앤드류가 합류할 거예요.
	그게 한 가지인데, 어떻게 되었는지 잘 모르겠어요. 제가 포스터를 혼자 만들었거든요. 그래서 올해는 그가 특정 지점에 도달할 때까지 할 거예요.
	화면을 보세요.
로빈 고드프리	좋아요.
히스 러싱	그러니까 우리는 그를 위해 나를 위해 갈 거야. 하지만 우리는 앞뒤로 바뀌지 않을 거야.
	혼란을 주지 않기 위해서요. 무슨 말인지 아시죠?
로빈 고드프리	좋아요, 지난번에는 녹음을 시작하면서 끄는 걸 깜빡했는데, 그들이 정말 좋아할 것 같아요.
히스 러싱	플로리다.
	플로리다 플로리다는 해변에 바로 살고 있어요.
로빈 고드프리	좋아요 좋아요.
히스 러싱	네 네.
	콜로라도 랜타에 있어요. 9월에 다시 가서 땅에서 놀 거예요.
로빈 고드프리	오, 멋지네요.
	응.
히스 러싱	응.
로빈 고드프리	나는 지금 시원한 곳에 있었고, 여기는 아무것도 없었습니다. 습기와 숨 막힐 듯한 더위에 지쳤습니다.
히스 러싱	네, 당신은 노스캐롤라이나 해안 근처에 살고 있죠.
로빈 고드프리	내륙으로 약 4마일 들어가면 새가 날아다닙니다.
	좋아요.
로빈 고드프리	네, 저는 케이프 피어 강과 정말 가깝습니다.
	응.
로빈 고드프리	강이 있고 길 바로 아래에는 스노우 스카이라는 영화가 있는데, 강에서 수로로 이어지는 장면 같아요.
	네, 지금은 정말 가까운 곳에 많은 사람들이 있습니다.
	물은 있지만 해변에 접근할 수 있는 곳은 아니고 그저 그런 곳일 뿐입니다.
	네, 내륙 수로는 기억나는데 바다는 그보다 조금 더 멀리 있었어요.
	하지만 오늘 아침에 해변에서 달렸어요. 여기서 사는 좋은 점은, 그렇게 할 수 있다는 거예요.
	아침에 교통량이 많지 않으면 해변으로 갈 수 있고 비가 쏟아지지만 아름다운 일출을 볼 수 있습니다.
	그러니 망막에 뭔가를 퍼붓는 것을 멈추세요.
	그거 좋네요.
히스 러싱	네, 저는 해변 부분에 살고 있는데, 제가 사는 곳은 해변의 끝이에요. 그래서 국립 해안 쪽으로 10마일 떨어져 있어요.
	10마일도 안 돼.
	그러니까, 자전거가 있는 거예요.
	자전거 도로.
	네. 약 3마일 동안 자전거 도로가 있고, 그로부터 7마일 동안은 바까지 이어지는 자전거 도로가 있어요.
	멋진.
로빈 고드프리	펜실베이니아주.
히스 러싱	윌 비치 비치 네.
로빈 고드프리	우리는 데스틴에 있었습니다.
	크리스마스 때.
	응.
로빈 고드프리	네, 그 지역이 38개 지역 전체에 걸쳐 있죠.
히스 러싱	1년 된 좋은 지역이에요.
	아, 그렇군요.
로빈 고드프리	좋아요, 앤드류를 기다려야겠어요.
히스 러싱	괜찮아요, 아니, 아니, 아니, 아니 우리는 꼭 그를 기다릴게요.
로빈 고드프리	네, 그렇죠.
히스 러싱	알겠습니다. 제가 말씀드릴게요.
	메시지를 보내주세요. 잠깐만요.
	씨.
	방금 나한테 메시지를 보냈으면 좋겠어.
	제가 할 일은 슬라이드의 첫 번째 부분을 하는 것입니다. 몇 장의 슬라이드로 유전자 치료가 무엇인지 소개하겠습니다.
	그리고 나서 과학자들과 앤드류에게 "방금 데이터 세트를 보냈는데 도움이 필요해요"라고 말하고, 앤드류와 대화를 나눈 다음, 그가 존과 함께 그 일을 맡을 거라고 말할 거예요.
	저는 그것이 좋은 방법이라고 생각했습니다.
	그리고 실제로 우리는 그런 상호작용적인 것들을 알아냅니다.
	월요일
	알다시피, 우리가 하려는 일이 이거였고, 그러다가 '이걸 알아내려고 노력하는 사람과 상호작용할 방법이 필요하겠어'라는 생각이 들었어요.
로빈 고드프리	신문에 나와 롭, 그리고 내 동료 테드가 나오는데.
	영상 전체가 매우 우스꽝스럽습니다.
히스 러싱	우리는 항상 그렇게 하려고 노력했습니다.
	저는 뜨거운 물을 사용하고 있지만, 항상 뭔가를 첨가하도록 노력합니다.
	그게 재밌는 이유죠.
	잠깐이라도 놀면서 얘기해 보세요. 특히 화면 오른쪽에 있다면요.
	네, 여러분이 강연을 해주실 수 있나요?
로빈 고드프리	우리는 그것을 마치 시나리오처럼 했습니다.
	사람들은 생산 환경에서 일하는 것을 좋아하고, 제조 환경에서 일하는 것을 좋아합니다.
	네, 그래서 우리는 관리자가 컨설턴트를 고용해서 애플리케이션을 만들기로 결정한 시나리오를 좋아했습니다.
	그리고 컨설턴트가 떠나고 제대로 제조된 씰을 알려주려고 노력하지만 실패하고 컨설턴트가 떠나고 코드가 작동하지 않습니다.
	그래서 JMP 경로를 택했다면 그들이 무엇을 얻었을지 알 수 있고, 방금 4R, 즉 재현성, 견고성, 신속성, 반응성에 대해 이야기했습니다.
	우리는 세 가지 다른 시나리오를 만들어내는 데 집중했고, 이를 데이터에 대한 도박이라고 부르죠. 우리는 이 전체적인 도박 테마를 만들었습니다.
	걷는 것과, 마지막에, 하지만 가장 좋은 부분은 케니 로저스가 노래하고, 이 비디오를 촬영하는 동안 나오는 아웃테이크 같은 부분이에요.
	아웃테이크는 항상 가장 재밌는 부분이죠. 그래서 롭은 케니 로저스처럼 이 모든 아웃테이크를 마지막에 도박꾼처럼 찍었고, 그는 정말 재밌는 크레딧을 찍었어요. 그래서 라이브로 시작했던 것 같아요.
	하지만 말도 안 돼, 정말 재밌었어. 프로젝트 매니저나 엔지니어 같은 다른 역할을 맡아서 다양한 시나리오와 제작 환경을 다루고, 어떻게 하면 더 잘할 수 있을지 생각해 보는 거야.
	그들이 그랬다면 좋았을 텐데.
히스 러싱	네 네.
로빈 고드프리	그리고 데모 종류도 있고, 프로파일러를 사용해서 다양한 것들을 만들어낼 수도 있고, 그게 제가 말할 수 있는 전부입니다.
히스 러싱	우리는 슬라이드를 많이 만드는 것을 좋아하지 않습니다.
	하지만 누가 합류했는지 살펴보겠습니다.
	우리와 함께 할 시간을 살펴보세요.
	안녕, 앤드류.
앤드류 칼	야, 달려.
히스 러싱	당신은 일찍이군요.
앤드류 칼	네, 4분 일찍 로프를 잡았어요.
	응.
로빈 고드프리	그러니까 그는 당신에게 카메라 같은 종류의 안녕을 말하는 거예요.
히스 러싱	안녕하세요, 제 이름은.
로빈 고드프리	네, 좀 더 낮춰야 할 것 같아요. 당신을 더 많이 보세요.
	잘하고 있네, 형.
앤드류 칼	저는 그걸 원하지 않아요.
히스 러싱	난 아니야, 나도 아니야, 나도 아니야, 내 얼굴이 뭐인지 말야.
로빈 고드프리	턱 바로 아래와 같은 곳이에요.
히스 러싱	저는 항상 어제 피부과에 매년 가서 진찰을 받는 걸 결심했어요. 그곳에서 먼지 같은 것도 제거할 수 있을 거예요.
	그 위에 붉은 반점이 생겼어요. 네, 네, 제 말은, 항상 그런 생각조차 하지 않았어요. '휴가를 낸 것 같아', 그들이 자주 그랬듯이요.
	가장 큰 부분은 프레젠테이션과 관련해 뭔가 해야 할 일이 있을 경우를 대비해서였고, 그래서 정원에 나가곤 했습니다.
로빈 고드프리	무료로 큰 슬롯을 즐겨보세요.
히스 러싱	네, 꽤 그렇죠.
	네 네.
	응.
로빈 고드프리	좋아요, 카메라를 끄겠습니다.
	그리고 찾아야만 해요.
	여기서 나를 잃어버려, 여기 가자.
히스 러싱	안녕 앤드류, 어느 순간 "안녕, 내가 과학자 역할을 할 거야"라고 말할 거야. 슬라이드의 첫 부분을 말할 거야.
	안녕하세요, 저는 과학자 역할을 할 거예요. 통계학자 앤드류 역할을 맡으시면 돼요. 저는 과학자, 데이터 역할을 맡게요.
	그리고 앤드류라고 말할게. 좋아, 그럼 시작해 볼까, 앤드류. 방금 데이터 세트를 보냈어. 내 두 가지 응답이나 누군가의 능력과 부산물 말이야.
	알겠어요? 그러면 거기서부터 시작하면 돼요. 제가 그런 말을 할 때마다 화면을 공유하기 시작하면 돼요.
앤드류 칼	네, 알겠습니다.
로빈 고드프리	앤드류를 여기에 포함시키시겠습니까?
	당신이 말하는 동안 그는 자신을 숨길 수도 있습니다.
	그가 나타날 준비가 될 때까지요.
히스 러싱	네, 우리는 같은 시간에 있을 수 있어요.
로빈 고드프리	네, 그는 지금 듀얼 스크린을 사용하고 있는데, 한쪽은 망가졌고 다른 쪽은 망가졌습니다.
히스 러싱	네 네 나.
	뭐, 뭐, 언제든, 언제든, 우리가 시작했을 때, 멈출 거야. 우리의 못생긴 얼굴만 보일 테니까, 내 화면을 공유할게. 그럼, 우리는 정말 얘기하지 않는 데 집중할 거야. 내가 지금 공유할 세 가지에 대해 이야기할 거야. 주제를 소개하기 위해 슬라이드를 몇 장 만들 거야.
	그리고 주제를 소개하는 데는 시간이 많이 걸리지 않을 겁니다. 그리고 나서 우리가 할 일은 소개를 하느냐, 아니면 자기소개를 하느냐는 것입니다. 제가 들은 바에 따르면 그런 일이 있다고 합니다.
로빈 고드프리	여러분.
	제가 마치 작은 소개를 하는 것처럼 할 거예요. 마치 당신이 발견자라면 그렇게 할 것처럼요.
	알았어, 그들은 내가 두 가지 모두에 있기를 원하지 않아. 그들은 내가 두 가지 모두에 있기를 원하지 않아. 괜찮아.
	그러니까 여러분은 컴퓨터에 새로운 이메일이 뜨거나 하는 모든 것을 숨겨두었군요.
히스 러싱	응.
	그건 틀렸어. 난 그게 아니야.
	소리를 냈다.
로빈 고드프리	좋아요, 그럼 카메라를 끄고 음소거한 다음 여러분께 알려드리겠습니다.
	시작하세요. 방해가 된다면 다시 시작하게 하세요.
히스 러싱	언제쯤인지 말해주는 데 익숙하신가요? 언제인지만 말씀해주시면 시작하겠습니다. 앤드류, 소개를 해드릴게요. 소개가 끝나면 바로 말씀드릴게요.
	제가 할 일은 화면을 공유하는 것입니다. 알겠어요. 좋은 것 같아요.
로빈 고드프리	좋은 것 같아요.
	제가 가라고 한 후 5초 정도 기다려 주세요.
	내 개들이 지켜보고 있어요.
	여러분 모두 제 목소리를 음소거한 다음 녹음을 시작하세요. 저는 지금 당장 제 자신에게로 돌아가서 더 심하게 말하려고 합니다. 5초 정도만 주세요.
	좋아요.
히스 러싱	안녕하세요. 오늘 아침 앤드류 칼과 저는 바이오제약 분야의 응용 분야에 대해 발표할 예정입니다. 세포 및 유전자 치료법을 살펴보는 것이죠. 치료제를 만드는 매우 독특한 방법입니다.
	제 경력에 대해 간략히 말씀드리겠습니다. 몇 마디 하고, 앤드류가 자신의 경력에 ​​대해 몇 마디 할게요. 저는 군 복무를 마치고 대학 교수로 재직하며 응용 통계학과 에너지부(DOE)를 가르쳤습니다. 그 후 바이오제약 분야에서 일하다가 소규모 바이오테크 기업에서 일하게 되었습니다.
	Applied Molecular Genetics 또는 Amgen이라는 회사에서는 제조 부문에서 일한 후 R&D 부문에서 일했습니다.
	그 전에는 수년간 교육 관리자로 일했고, 그 후 SAS에서 컨설턴트로 일했습니다.
	그리고 실제로 저희가 하는 일은 제약, 의료기기 분야의 바이오제약 분야에 집중하고, 교육과 컨설팅을 활발히 진행하며, 저희가 직면한 고유한 문제들을 해결하고 기업에 가치를 창출하는 것입니다. 앤드류, 몇 마디 해주시겠어요?
앤드류 칼	네, 제 이름은 앤드류 칼이고, 2012년에 애리조나 주립대학교를 졸업하고 통계학 박사 학위를 취득한 직후 히스에서 일하기 시작했습니다.
	그리고 저는 Heath와 Jim Wisnowski와 함께 온갖 흥미로운 일을 해왔고 최근에는 많은 제약 응용 프로그램을 개발해왔습니다.
	제형 개발부터 공정 특성 분석까지, 그리고 그 사이의 모든 것에 이르기까지, 오늘 히스와 함께 이 자리에 와서 당사의 응용 분야에 대해 이야기하게 되어 기쁩니다.
히스 러싱	좋습니다. 시작해 볼까요. 바로 제 화면을 공유해 드리겠습니다.
	그리고
	슬라이드가 몇 장 있는데, 저는 별로 좋아하지 않아요... 저는 별로 좋아하지 않아요
	JMP 프레젠테이션의 슬라이드에 초점을 맞추겠지만, 제가 하고 싶은 것은 그 주제를 간략하고 독특한 응용 프로그램을 소개하는 것입니다. 그리고 오늘 우리가 이야기할 매우 독특한 과제에 대해 더 중요하게 생각합니다.
	흥미로운 건 우리가 이걸 했을 때, 아마 이 초록을 다시 썼을 거라는 거야.
	4월 초에, 그리고 저는 혁신에 관한 기사가 있다는 것을 보았습니다. ??? 아주 이런 식이었어요.
	아무도... 아무도 우리가 기사를 베꼈다고 생각하지 않도록 하고 싶어요. 하지만 사실 우리가 하는 일은 여러분이 아는 대로 모델링하는 거예요.
	알다시피, 환자/기증자의 변동성이 무엇인지 말하는 것은 생물약학 분야에서 매우 독특한 응용 분야에서 기증자/기증자 변동성을 고려하는 방법입니다.
	그럼 유전자 및 세포 치료에 대해 이야기해 볼까요? 그럼 가장 먼저, 왜 이것이 새로운 영역인지부터 이야기해 볼까요?
	그렇죠. 유전자 치료와 세포 치료가 무엇인지에 대해 잠깐 이야기하고, 그 둘의 차이점을 알아보겠습니다.
	여기서 핵심은, 기증자 간 변동성을 어떻게 모델링할 것인가입니다. 고정 효과로 취급할 것인가, 아니면 무작위 효과로 취급할 것인가?
	그리고 우리가 관심을 가질 만한 아주 특별한 응용 분야는 무엇일까요? 첫째, 제가 이것이 새로운 영역이라고 말했을 때, 매우 혁신적이고 매우 유망합니다. 현재로서는, 세상에, 10개 미만입니다.
	시중에는 유전자 치료나 세포 치료 같은 그런 종류의 치료법이 있습니다. 하지만 현재 파이프라인에는 1,000개가 넘는 치료법이 있습니다.
	그리고 당신이 보게 될 것은 이러한 유전자 및 세포 치료법에는 매우 독특한 과제가 있다는 것입니다. 알겠어요, 이것은 치료하는 매우 혁신적인 방법입니다.
	질병, 특히 희귀 질환의 경우, 매우 독특한 과제들이 있습니다. 물론 하나는 어떻게... 어떻게 하면 효과가 있고, 효능이 있는지, 그리고 안전성은 어떻게 보장할 수 있는지입니다.
	좋아요, 다른 하나는 우리가 다루려는 것인데, 기증자 간 변동성을 어떻게 다룰 것인가?
	환자 간 변동성을 말하는 건 맞지만, 우리는 기증자 간 변동성에 초점을 맞추고 싶습니다.
	그럼 유전자 치료와 세포 치료에 대해 이야기해 볼까요? 유전자 치료란 무엇일까요?
	여러분 중 많은 분들이 아시다시피, 암과 같은 많은 질병은 결함이 있는 유전자를 가지고 태어나거나 시간이 지나면서 어떤 종류의 유전자가 돌연변이를 일으켜서 발생합니다.
	그래서 이런 질환을 치료하는 매우 독특한 방법이 있는데, 그 중 하나가 바로 유전자 치료입니다. 유전자 치료란 게 뭔지 아시나요? 유전자 치료란 어떤 걸 하는 건가요? 유전자 하나를 대체하는 거죠.
	건강한 다른 사람에게는, 하지만 사실 중요한 건, 우리가 어떤 유전 물질을 옮기는 거거나, 어떤 유전자를 추가하거나, 변형하거나, 아니면 아예 없애는 거라는 거예요. 이 과정은 두 가지 방법으로 할 수 있는데, 예를 들어,
	특정 질병을 앓고 있는 환자를 위해 할 수 있는 한 가지 방법은 주사를 맞는 것입니다. (여기서 '전달'이라는 용어를 사용하겠습니다.)
	그 건강한 유전자, 알겠어요. 그 유전 물질이... 그 건강한 유전 물질을 환자에게 주입하는 거죠.
	우리가 할 수 있는 또 다른 일은 어떤 종류의 혈액이나 골수를 채취하는 것입니다.
	환자로부터 추출한 유전 물질을 환자에게 주입한 다음 다시 환자에게 전달할 수 있습니다. 네, 생체 내(in vivo)나 시험관 내(in vitro)에서 모두 가능합니다. 제가 이렇게 말할 때마다...
	건강한 유전자를 환자나 골수에 주입하려면 전달 방식이 필요합니다. 좋아요, 이걸 '수단'이라고 부르겠습니다.
	우리는 종종 이것이 유전 물질을 환자에게 전달하는 수단이라고 말하는데, 이제 이것을 '이제'라고 부르겠습니다.
	벡터, 좋아요. 이걸 벡터라고 부르죠. 정말 독특한 기술이거든요. 벡터는 바이러스인 경우가 많아요.
	바이러스는 그 유전 물질을 세포에 삽입할 수 있습니다. 자, 그럼 몇 가지 독특한 과제가 있을까요? 첫째, 효과가 있을까요? 둘째, 안전한가요?
	우리가 종종 10억 달러짜리 질문이라고 부르는 바로 그 질문은 내가 이 유전 물질을 주입한다면
	환자에게 주입하면 거부 반응을 보일까요? 거부 반응을 보일 가능성이 있을까요? 아니면 신체가 뭔가 이상하다고 생각하는 걸까요?
	그리고 아시다시피, 이 세포들이 정말로 죽기 시작할 겁니다. 또 다른 정말 독특한 어려움은 각 환자가 서로 다른 집단이라는 점입니다.
	네. 제조, 개발, 물류에 대해 생각해 보세요. 유전자 치료는 세포 치료와 어떻게 다른가요?
	겹치는 부분이 많지만, 세포 치료 측면에서는 세포를 삽입하는 겁니다. 꼭 유전 물질일 필요는 없죠. 이 세포들은 유전적 변형을 가했을 수도 있습니다.
	물질적인 것이 아니라, 실제 세포를 채취하여 환자에게 주입하여 이러한 질병을 치료하는 것입니다. 따라서 현재 이러한 세포는 환자 본인에게서 채취할 수도 있고,
	맞아요, 아니면 그들이 할 수 있는 건 기증자로부터 채취할 수 있다는 거예요. 알겠어요? 골수 이식 같은 걸 생각해 보세요. 그런 일을 할 때마다 건강한 기증자에게서 뭔가를 빼내서 다른 사람에게 이식하는 거죠.
	환자에게 주입하는 거죠. 아시다시피, 이 모든 게 체외에서 이뤄진다는 걸 이해하세요. 건강한 세포를 환자에게 주입하는 거죠.
	그리고 그럴 때마다 무엇을 하려고 하는 건가요? 아시다시피, 어떤 종류의 손실된 세포를 대체하거나 정말로 대체하려고 하는 건가요?
	병든 사람들, 그렇죠. 그러니까 똑같은 건, 우리가 전에 얘기했던 것과 똑같은 고유한 어려움들이 있다는 거예요.
	또 다른 문제는 이 두 가지 모두에 대한 또 다른 장벽은 제조 규모가 매우 작아서 대규모로 할 수 없다는 것입니다.
	자, 이제 조금 후에 알게 되실 겁니다. 아니면, 아시다시피, 가장 큰 과제 중 하나는 이걸 어떻게 대규모로 할 수 있느냐는 겁니다. 어떻게 하면...
	우리는 이런 일을 단지 실험실에서만 할 수 있는 게 아니라, 더 큰 규모로 할 수 있다는 겁니다.
	네, 제가 전에 말씀드렸듯이, 이 분야의 진짜 장벽 중 하나는 효능과 안전성입니다. 아시다시피, 그것이 가장 큰 과제 중 하나입니다.
	또 다른 큰 과제는, 만약 당신이 그걸 보고 있다면... 이건 다른 환자나 다른 기증자에게 적용되어야 한다는 겁니다. 어떻게 설명해야 할까요?
	기증자 간 변동성에 대해 말씀해 주시겠어요? 한 시간 전쯤 수업에 참석했는데, 누군가 똑같은 말을 하더군요.
	아시다시피, 우리는 세포 치료에서 기증자 간 변동성을 고려해야 하며, 이것이 우리 프로세스에서 볼 수 있는 대부분의 변동성을 설명합니다.
	맞아요. 그리고 그것에 대해 생각해 보세요. 음, 그걸 어떻게 설명할 수 있을까요?
	흔히 "히스, 공정 특성 분석 연구를 하고 있는데, 한 명의 기증자를 대상으로 해야 할 것 같아."라고 말하게 됩니다. 그러면 가능할지도 모르겠네요...
	어떻게... 가능할 수도 있지만, 조금 후에 알게 될 것은, 상업적 제조 공정을 진행할 때마다 어떻게 설명해야 하는가입니다.
	기증자 간 변동성을 감안하고 다양한 기증자에게 맞춰 프로세스를 더욱 강력하게 만들려고 노력할 건가요?
	그래서 대부분의 경우, 우리는 이런 일을 하고 싶지 않습니다. 대부분의 경우, 실현 가능하지도 않고, 설령 실현 가능하다 하더라도 우리는 하고 싶지 않습니다.
	그래서 우리가 할 일은 여러 명의 기증자를 확보하는 것입니다. 그래서 지금... 가장 중요한 질문은... 오늘 우리가 답하려고 하는 것은... 기증자 간 변동성을 설명할 수 있는 다양한 방법은 무엇일까요?
	그리고 즉시, 실험 설계에 대해 아는 사람이라면 누구나 떠올릴 수 있는 것은, 그냥 진행하는 것입니다.
	그리고 다음 질문은 고정 블록이 필요한가, 아니면 무작위 블록이 필요한가입니다.
	그리고 그것들의 효과는 무엇일까요? 그럼 과학자가 이것을 어떻게 활용할 수 있을지에 대해 이야기해 볼까요? 그리고 우리가 할 일은 다음과 같습니다.
	저는... 과학자 역할을 할 거예요. 앤드류는 과학자를 돕는 통계학자 역할을 할 거예요. 그러니까 앤드류라는 이름으로 불리고, 저는 과학자 역할을 할 거예요.
	도움이 필요한 과학자, 알겠어요. 그럼 저는 브래디라고 할게요. 알겠어요. 그럼, 아시다시피, 도움이 필요한 과학자 브래디는...
	도움이 필요하신가요? 음, 하나는 추론 및 공정 특성 분석 연구이고, 브래디는 공정 능력을 추정해야 합니다. 네, 이게 매우 중요한데,
	공정 검증 및 상업적 생산에 들어가기에 앞서, 우리 공정의 성능을 이해해야 합니다. 따라서 기존 방식에 대해 이야기해 보겠습니다.
	우리는 정상 작동 범위라고 불리는 것을 소개할 것입니다. 실제로 여러분이 하는 일은 다음을 고려하는 것입니다.
	항상 정해진 목표 지점에 도달하는 건 아니고, 목표 지점에 따라 달라질 수 있다는 거죠. 그리고 제가 뭔가 보여드릴게요...
	프로세스 또는 프로세스 역량을 평가하는 또 다른 방법, 즉 입증된 허용 범위(Provided Acceptable Ranges)를 보여드리겠습니다. 모든 것이 설정 지점에 있다면 어떻게 될까요?
	하지만 한 가지 변수는 달라질 수 있겠죠? 바로 공정 역량입니다. 마지막으로, 우리는 가장 큰 과제 중 하나인 대규모 제조에 대해 이야기했습니다. 소규모 제조와 대규모 제조를 어떻게 비교할 수 있을까요?
	앤드류, 아까 말씀드렸듯이, 도움이 필요한 과학자 브래디 역할을 맡아볼 거예요. 그리고 당신이 해줬으면 하는 건, 이메일을 열어서 제가 보낸 데이터 세트를 확인해 보는 거예요.
	앤드류, 제가 보내드린 데이터 세트에 대해 이야기해 볼까요? 네, 맞아요. 네, 맞아요. 앤드류, 제가 한 건 이렇습니다. 제 작업 과정은...
	저는 최적 설계와 공정 특성 분석을 수행했고, 시간, 온도, pH를 변화시켰습니다. 그리고 세포 생존율을 측정했습니다.
	부산물입니다. Andrew, 제가 JMP 데이터 테이블의 열 속성에서 이미 이 작업을 수행했다는 것을 아마 알고 계실 겁니다. Andrew가 가르쳐 주신 내용이니까요.
	하지만 세포 생존율을 살펴보면, 그 주변에 규격이 있습니다. 그리고 규격은... 자, 70에서 90 사이입니다. 알겠죠? 자, 이제
	Andrew, 우리는 보통 세포 생존력을 극대화하고 싶어하지만 양면적인 프로세스 능력을 수행하는 방법을 사람들에게 보여주고 싶습니다. 알겠어요. 그래서 세포 생존력이 양면적일 것이라고 말한 거예요. 알겠어요. 청중 중 누군가가 이렇게 말할 수도 있겠죠.
	세포 생존율을 극대화하고 싶지 않으세요? 저희가 여기서 하고 싶은 건 양면성을 보여주는 거예요.
	좋습니다. 그리고 우리는 또한... 예, 거기 있습니다... 글쎄요, ???가 있는데, 이것은 우리가 35 이하로 유지하고 싶은 부산물입니다. 이제 우리는 부산물을 넣었지만, 생각해 보세요.
	유전자 및 세포 치료 분야에서는 엔도옥신 같은 것이 될 수 있습니다. 엔도톡신이나 엔도톡신 같은 엔도톡신의 비율을 최소화해야 합니다. 네, 알겠습니다. 네, 맞습니다. 바로 그... 앤드류, 데이터 세트입니다.
앤드류 칼	고마워요, 브래디. 그리고 여기로 모델 대본의 첫 번째 버전을 보내신 걸 봤어요.
	그걸 살펴보다가 당신이... RSM을 설계하고 그 세 가지 요인에 대한 연구를 진행하셨잖아요. 시간, 온도, pH가 있죠.
	그리고 여기서 제가 알아차린 건, 정말 많은 잡음만 보인다는 겁니다. 이 요소들과 당신의 반응 사이에는 연관성이 거의 없어 보입니다. 그리고 사실, 제가
	ANOVA 표,
	아무것도 없다는 것을 알 수 있습니다... 여기에는 신호가 많지 않으므로 예측할 수 있는 것이 많지 않으며 중요하지 않은 효과를 제거하여 역방향 선택을 통해 모델을 줄이려고 시도하더라도
	아무것도 안 보여요. 그래서 한 가지 여쭤보고 싶은 게 있는데, 이걸 실행했을 때 이 세 가지 요인 외에 다른 요인이 있었는지 궁금합니다.
히스 러싱	아니, 아니, 아니, 내가 다 통제했어
	제 작업 방식입니다. 이제 여러분께 말씀드리고 싶은 것은...
	여러 기증자를 대상으로 실험을 진행해야 했거든요. 그래서... 한 기증자에게 24가지 실험을 모두 진행할 수는 없었어요. 그래서 결국 제가 해야 했던 건 여러 기증자를 대상으로 실험을 진행하는 거였어요. 여러 기증자를 대상으로 실험을 진행해도 괜찮을까요?
앤드류 칼	이제 보이네요. 숨겨진 열이거든요. 숨기도록 하죠.
히스 러싱	네, 그냥... 사실 제가 한 일은, 앤드류, 기증자가 우리 목적을 위해 그걸 기록한 것뿐인데, 실제로 어떻게 처리해야 할지 잘 모르겠어요.
앤드류 칼	좋아요, 잠깐 살펴보겠습니다.
	그리고 이것을 모델에 포함시켜 보도록 하자
	...로서
	차단 효과로요. 와우.
히스 러싱	그래서 조금 다르게 보이네요.
앤드류 칼	네, 그래서 제가 모델 대화상자에 이 내용을 넣기 위해 한 일은, "construct model effects" 아래에 "donor"를 추가한 것입니다. 이렇게 하면 가산 효과로 추가되고, 이제 donor가 세포 생존율에 중요하다는 것을 알 수 있습니다. 이제 부산물을 살펴보겠습니다.
	기부자의 부산물도 정말 중요합니다. 그게 중요할 뿐만 아니라, 우리가 부산물을 포함시키고 그 변동성을 고려하면,
	이제 몇 가지 중요한 효과가 있다는 것을 알 수 있습니다. 적어도 여기 부산물에 대한 효과 중 하나는 pH입니다. 그리고 여기에는 몇 가지 중요한 효과가 있습니다.
	세포 생존율. 혹시 아시나요? 이걸 만들 때 맞춤 설계에 이걸 포함했나요? 거기에 공여 인자도 포함했나요?
히스 러싱	네, 알죠, 저는 그랬어요. 처음 이 일을 시작할 때는, 사실 잘 이해하지 못했어요. 디자인에 포함시키지 않았거든요.
	기억하실지 모르겠지만, 몇 달 전 일이었는데, 제가 이전에도 언급한 적이 있었던 것 같아요.
	그리고 당신이 실제로 저를 도와주셨죠. 그래서 당신이 한 일은, 네, 바로 이거예요, 이거예요.
	그래서 우리가 오래전에 했던 일이 바로 그거예요. 이걸 어떻게 분석해야 할지 정말 이해가 안 됐지만,
	우리가 그걸 미리 디자인하고 싶어하는 건 당연하다고 생각합니다. 당신이 그렇게 말씀하신 게 기억나네요. 방금 말씀하셨죠.
	이봐, 또 뭐가 달라질 수 있지? 내가 "물론 기부자 간 변동성을 고려해야겠지"라고 했더니, "그걸 미리 설계하자"라고 했잖아. 만약 우리가 끝낼 거라면...
	설계 시 이를 고려했는지 확인하기 위해서입니다. 설계는 기증자 수와 기증자당 실행 횟수 등을 기반으로 할 수 있기 때문입니다.
앤드류 칼	알았어요. 그렇게 해주셔서 정말 좋았어요. 그러면 예방할 수 있을 테니까요.
	모델에 내장된 이러한 요소들, 즉 이 RSM과 이 기증자의 세 가지 요소 사이에 별칭 또는 교란이 발생합니다. 예를 들어,
	높은 pH는 한 기증자에만 적용하고 낮은 pH는 다른 기증자에만 적용할 수는 없습니다. 이 요소들은 전체적으로 균형을 이룰 것입니다. 좋습니다.
	몇 가지 질문이 더 있습니다. 그럼 이 기부자들, 앞으로 이 과정을 진행하면서 이 네 명만 기부자로 사용하실 건가요, 아니면 다른 기부자들도 참여하실 건가요?
히스 러싱	아, 아니, 저는, 아시다시피, 우리가 앞으로 나아가서 이 치료제를 환자들에게 제공할 때,
	와, 정말 건강한 기증자가 엄청 많을 거예요. 그러니까... 건강한 기증자라고 부르는 건 당연히 환자에게 이 세포를 주입할 거니까요.
	그래서 당신은 알다시피, 그것은 단지 우리 세포 은행에서 내가 선택한 4개일 뿐이고, 당신이 나에게 이전에 말했던 것 같아요, 알다시피,
	우리가 처음 이 일을 시작했을 때, 당신은 이렇게 말했습니다... 이것은 오래전 일이지만, 당신은 이렇게 말했습니다. "우리가 하는 것처럼 여러 기부자가 있다면, 우리는 단일 기부자가 아닙니다."
	아시다시피, 많은 수의 기증자들이 있죠. 하지만 기증자들을 무작위로 선정하는 방법을 시도해 보라고 하셨잖아요. 실제로 그렇게 했거든요. 그래서 저희는 무작위로 기증자 몇 명을 선정해서 네 명의 기증자를 데려왔어요.
	하지만 당신 말이 맞아요. 앞으로는 기증자가 네 명만 있는 게 아니고, 그 네 명에 대해서만 결론을 내리고 싶지도 않아요. 앤드류, 우리가 가질 수 있는 모든 기증자에 대해 결론을 내릴 수 있기를 바랍니다.
앤드류 칼	좋아요. 음, 여기서 한 가지 고려해 볼 점은, 제가 방금 보여드린 것을 보면, 이건...
	이것은 우리가... 축소한 모델입니다.
	우리는 역선택을 통해 유의하지 않은 효과를 제거했습니다. 기부자를 고정 효과로 포함하는 대신, 무작위 효과로 포함하는 것도 한 가지 방법입니다. 이렇게 하는 이유는 다음과 같습니다.
	입니다...그래프 빌더를 불러와서 보여드리겠습니다. 여기 세포 생존율과 부산물이 있습니다. 세포 생존율은 왼쪽에 있습니다.
	그리고 각 색깔은 다른 기증자이고, 이는 실험 결과에서 나온 것입니다. 이제 고정 효과 모델은 추정치만 사용합니다.
	하나의 분산 성분은 오차 또는 잔차 분산 성분이며, 이것이 각각의 개별 분포에서 볼 수 있는 것입니다.
	그리고 그것이 상수이고 동일하다고 가정하고, 그것들을 합쳐서 추산치를 내는 겁니다.
	그리고 고정 효과를 사용하기 위해, 각 분포의 평균을 사용하여 세포 생존율의 평균 변화가 있고, 부산물의 평균 변화가 있다고 말할 것입니다.
	하지만 여기서 고려하지 않는 것은, 우리가 여기서 보는 분포들 사이의 변동성입니다. 예를 들어, 녹색은 왼쪽에 있는 세 번째 기증자의 세포 생존율을 나타내는 아주 먼 곳에 있습니다.
	그리고 이 보라색은 오른쪽 끝까지 이어집니다. 기부자마다 받는 금액이 다릅니다. 그래서 만약
	신뢰 구간을 구축하거나 매개변수 추정치에 대한 표준 오차를 구하려고 하는 경우
	그 추가적인 변동성 요인을 고려하지 않으면 놓치는 정보가 있습니다. 그래서 이런 것들을 무작위 효과로 취급하는 게 유용하죠.
	기증자가 네 명이라면 여기서는 가능한 일이죠. 하지만 기증자가 두 명뿐이라면 불가능한 일이죠.
	3은 할 수 있는 일의 경계선에 있는 것 같습니다. 왜냐하면 실제로 하는 일은 기증자 수에 대한 추가 변이 구성 요소를 추정하는 것이기 때문입니다. 따라서 이 경우에는 추가 변이 구성 요소가 있는 셈입니다.
	표본 크기가 기본적으로 4개이므로, 여기서는 실현 가능한 작업입니다. 어떤 모습일지 살펴보겠습니다.
히스 러싱	앤드류, 질문 하나 해도 될까요? 한 번 더 말씀해 주시겠어요? 정말... 마음에 들어요.
앤드류 칼	네, 네.
히스 러싱	이 부분에 대해 잠깐 질문 하나 드려도 될까요? 이렇게 할 때마다, 그리고 기부자 간 변동성은 고려하지 않았는데, 어떤 식으로 진행될까요? 제 말은, 이 모든 걸 하나로 모아서 하나의 큰 분배처럼 만드는 것 같은 건가요?
앤드류 칼	글쎄요, 그럼 우리는 이것에 대해 더 잘 볼 수 있을 겁니다. 제가 대답하겠습니다.
	우리가 함께 가면서
	모니터 보고서는 둘 다이지만 그래서
	그것이 앞으로 당신의 예측에 영향을 미칠 것입니다.
	고정 효과 모델이 맞습니까? (여기서 조준선을 켜겠습니다.) 고정 효과 모델은 이 네 명의 기부자가 평균적으로 다음과 같이 표현된다고 말합니다.
	80. 그리고 이게 할 일은, 이것의 너비가 무엇이든 그것을 사용하는 것입니다. 표준을 계산할 수 있다고 가정해 보세요.
	이들 중 하나에 대한 편차가 개별적으로 존재하고, 기증자 내 변동성을 80을 중심으로 하여 볼 수 있는 그 양의 변이가 있는 분포를 갖게 될 것입니다.
	무작위 효과 모델이 할 일은 추가 세포 생존력 결과를 예측할 때 다음과 같이 말하는 것입니다.
	우리는 표본을 추출할 뿐만 아니라, 여기에 변동 영역이 있는지도 살피고, 인구와 비슷한 기증자를 무작위로 골라낼 것입니다.
	이 네 명과 같은 인구 집단 출신입니다. 그러니까 평균이 실제로 80이 아닐 수도 있고, 평균이 여기 아래 75에 더 가까울 수도 있습니다.
	여기 82에 더 가까워지고 그래서 변동성의 추가 소스가 형성될 것입니다.
	반드시 평균에 대한 추정치가 아니라 신뢰 구간과 예측 구간에 대한 변형 추정치이므로 이러한 추가 변동성을 반영하기 위해 추정치가 더 넓어집니다.
	그렇지 않으면 당신은...당신은 당신의 예측에 지나치게 자신감을 갖게 될 것이고 그 간격이 얼마나 넓은지에 대해서도 지나치게 자신감을 갖게 될 것입니다.
히스 러싱	저는 놀라움을 좋아하지 않아서 그게 꽤 도움이 됐어요.
앤드류 칼	네, 그럼 이건 한번 살펴보는 게 좋을 것 같아요.
	그럼 이 점을 말씀드리죠.
	왼쪽에서는 이미 이 부분을 살펴보았습니다. 여기에 포함된 기부자는 고정 효과가 있고, 오른쪽에는 기부자를
	무작위 효과입니다. 제가 이걸 맞추기 위해 한 일은, 모델 대화창을 상기시켜 드리기 위한 것뿐입니다. 여기서 제가 하는 일은 무작위 효과로 바꾸는 것뿐입니다.
	그리고 이것을 실행합니다.
	좋아요, 오른쪽에 있는 것이 바로 그것입니다.
	몇 가지 강조할 점이 있습니다. 우선, 기증자가 더 이상 효과 요약에 나열되지 않고 매개변수 추정치에도 표시되지 않는다는 점을 알 수 있습니다. 이는 기증자가 모델에 다르게 내장되어 있기 때문입니다. 즉, 더 이상 고정 효과가 아닙니다.
	또 다른 점은 실제와 예측에 큰 차이가 있다는 것입니다. 고정 효과 모델에서는 실제로 더 좋아 보입니다.
	첫눈에 보면 랜덤 효과 모델보다 더 나은데, 그런 다음 조인트 프로파일러까지 아래로 스크롤하면
	우리는 이 수직 축이 두 축 사이에서 동일하다는 것을 볼 수 있으며 훨씬 더 넓은 신뢰 구간을 볼 수 있습니다.
	무작위 효과 모델에서는 약간 어색할 수 있습니다. 하지만 그 이유를 좀 더 자세히 살펴볼 필요가 있습니다.
	그 예로, 여기 아래에 있는 부산물에 대한 예측 표현식을 살펴보겠습니다. 그리고 부산물과 관련하여, 이 두 가지 모두의 매개변수 추정치를 살펴보면,
	우리는 ...을 가지고 있다는 것을 봅니다.
	따라서 pH는 유일하게 중요한 효과이며, 두 모델 모두에서 유의미한 효과이고, 고정 효과 모델에서는 공여체 효과도 있습니다. 예측식에서...
	무작위... 고정 효과 모델의 경우, 예측 표현식은 어떤 공여체를 가지고 있는지에 따라 달라집니다. 따라서 예측 표현식을 도출하려면 pH 정보를 포함하고
	기증자에 대한 정보도 있습니다. 여기서는 기증자를 통제하고 있습니다. 그러면 else=> zero라는 것을 보실 수 있을 겁니다. 일종의
	휴리스틱 솔루션입니다. 고정 효과 모델에 실제로 내장되어 있지는 않지만, 새로운 기부자라면 0이라고 가정합니다. 기부자로부터 아무런 영향도 받지 않습니다.
	그리고 새로운 기부자에 대한 일반적인 일반화는 고정 효과 모델에 실제로 내장되어 있지 않습니다. 그것은 무작위 효과 모델에 조금 더 내장되어 있는데, 이 경우에는 일종의...
	다행히 고정 효과 모형과 확률 효과 모형의 절편과 기울기에 대한 모수 추정값이 동일하다는 것을 확인할 수 있었습니다. 하지만 항상 그런 것은 아닙니다.
	주로 이 기능은 사용자 정의 디자인과 직교하는 디자인에 가깝다는 것입니다.
	하지만 여기에는 플러스 기증자에 대한 정보가 없습니다.
	...의 오른쪽에 있는 것은 무작위 효과 모델에서 혼합 모델인 한계 모델이라고 불리는 것인데, 이는 기부자에 대한 평균 반응을 제공한다는 의미입니다.
	반면 이 고정 효과 모델의 왼쪽에서는 이러한 각각에 대한 조건을 갖는 조건부 모델을 얻습니다.
	기부자. 따라서 혼합 모델의 예측 프로파일러에서 조건부 예측을 선택하면 실제로 볼 수 있습니다.
	이제 우리는 다음을 볼 수 있습니다...
	이것들은 지금 우리가 왼쪽에서 보는 것과 비교적 유사하며 또한 그것이 도움이 되는 것은 우리가 종속성을 볼 수 있다는 것입니다.
	지금 기증자에 대해서요. 이게... 이게 각 기증자 내부의 반응 표면이에요.
	그건 고정 효과 모델의 예측 프로파일러에 숨겨져 있어서 약간 혼란스러울 수도 있습니다.
	숨겨진 이유는 그것이 차단 요소였고 예측 프로파일러에 자동으로 표시되지 않기 때문입니다. 하지만 재설정 요소 그리드를 사용하면 켤 수 있습니다.
	기부자들을 보여줄 수 있고, 이제 이 반응이 기부자들에 따라 어떻게 달라지는지 알 수 있습니다. 따라서 이제 우리의 추론이 이 기부자들 외의 다른 사람들까지 일반화되기를 원한다면,
	혼합 모델의 이점이 바로 여기에 있습니다. 개별 기부자에 대한 의존성이 사라지고 기부자 전체에 대한 평균을 적용하게 되었기 때문입니다. 마지막으로 보여드리고 싶은 것은
	브래디, 다시 말해 이게 왜 이렇게 더 나빠 보이는지 설명할 수 없는 건데요.
	고정 효과 모형에서 제가 예측한 실제 결과는 어땠나요? 기부자들을 통제할 수 있다는 장점이 있기 때문입니다.
	여기서 이러한 예측 표현식을 사용합니다. 따라서 노이즈가 제거된 반면, 기부자를 통제하지 않은 실제 I 예측값은 다음과 같습니다. JMP Pro가 있다면 다음을 살펴보세요.
	같은 모델입니다.
	표준 최소 제곱법 대신 혼합 모델로 전환하면 두 플롯이 모두 제공됩니다.
	표준 최소 제곱법. 하지만 내부적으로는 이러한 것들을 제어한다면
	무작위 효과... 무작위 효과 예측을 적용하면, 기본적으로 적합도와 같은 결과를 얻게 됩니다... 고정 효과 모형이죠. 고정 효과 모형이 더 좋다는 게 아니라, 조건부 모형과 한계 모형의 차이를 보여주는 것일 뿐입니다.
히스 러싱	좋아요.
	자, 두 가지를 살펴보죠. 첫째, 고정 블록의 재설정 계수 그리드를 보여주셔서 감사합니다. 뭐라 하지는 마세요. 하지만 저는 그냥... 그냥
	그냥 과학자일 뿐이에요. 저는 JMP 전문가가 아니어서 JMP가 있는 줄도 몰랐어요. 정말 대단하네요.
	두 번째는 이 접근 방식이 정말 마음에 든다는 겁니다. 무작위 ??? 효과로 사용하는 게 정말 마음에 들고, 특히 제가 다음에 정말 해야 할 일을 생각하면 이 방식이 더 합리적이라고 생각합니다. 제가 정말 다음으로 해야 할 일은 바로 프로세스 역량을 평가하는 것입니다.
	그리고, 정말로 제가 알고 싶은 것은...
	이 둘 모두에 대한 사양이 있습니다.
	앞으로 나아가면서, 제 제조 시설과 제 시설은 공정 능력 측면에서 우리가 기대하는 수준이어야 합니다. 사양, CPK 등 몇 퍼센트가 기준에 부합하는지 알려주시겠어요? 도와주실 수 있나요?
앤드류 칼	네, 사양 제한에 대한 사양을 열 속성으로 넣은 건 좋은 일이죠. 이미 로드해 놓았거든요. 이제...
	그 정보를 바탕으로 앞으로 이 과정을 반복하면서 기부자가 늘어나고, 다른 요인 설정에서와 같이 새로운 관찰 결과 중 몇 퍼센트가 사양 한계를 벗어나는지 살펴보겠습니다.
	그래서 예측 프로파일러로 가서 여기 시뮬레이터를 활용해 보겠습니다. 그리고
	제가 언급하고 싶은 게 있는데요... 좀 더 일찍 말씀드렸어야 했는데, 이 신뢰 구간의 폭이 더 넓어진 건 기증자를 통제했기 때문에 구간이 더 좁아졌다는 사실에서 비롯된 겁니다.
	하지만 이러한 추가적인 변동성은 어디서 오는 것일까요?
	그리고 이것은 REML 테이블 위쪽에서 나오므로, 이제 우리는 두 개의 분산 요소를 얻게 됩니다. 앞서 언급했듯이, 이것은... 오차 분산을 얻게 되는데, 이것을 잔차 분산이라고 합니다.
	그리고 분산, 즉 기증자 간 변동성도 얻습니다. 이 경우 부산물의 변동성의 93%는 기증자 간 변동성입니다. 어떻게 생각하시나요?
히스 러싱	네, 네. 그리고 정말, 전에도 말했듯이... 그 전에도 이런 대화를 나눴었는데,
	제가 방금 말씀드린 건, 여러분이 저에게 다른 것을 차단해야 할지 물으실 때마다, 저는 기부자 간에 많은 변동이 있을 것이라고 생각한다고 말씀드렸고, 그건 전혀 놀랍지 않다고 말씀드렸습니다.
앤드류 칼	알겠습니다. 제가 여기서 지적하고 싶은 것은 이것이 고정 효과 모델에 약간 숨겨져 있다는 것입니다. 하지만 여기서 오차 변동성을 보고 싶다면 ANOVA 표를 살펴보면 됩니다.
	그리고 평균 제곱 오차를 살펴보면, 오차 변동성, 잔차 변동성이 있는데, 부산물의 경우 .8477입니다.
	그리고 여기 혼합 모형의 부산물을 살펴보면 .847이 나옵니다. 알겠죠? 이건 아닙니다... 두 모형의 잔차 변동성이 비슷하기 때문입니다.
	두 모델 모두 기본적으로 같은 양을 추정합니다. 하지만... 이 모델, 즉 혼합 모델은 기증자에 대한 추가 분산 요소를 제공하며, 이는 이 프로세스 특성에 도움이 될 것입니다...
	질문하신 역량 분석에 대한 내용입니다. 자, 아래로 내려가서 살펴보겠습니다. 그러면 어떻게... 어떻게 해야 할까요?
	고정효과모형?
	음, 다시 말씀드리지만, 저희는... 여러분이 다른 기부자들을 만나게 될 거라는 걸 알고 있습니다. 그래서 여러분의 가치관이 바뀔 수도 있죠. 그래서 시뮬레이터를 켜면, 사실상 여기서는 여러분의 유일한 선택지가 됩니다.
	기부자가 한 명 이상이라면 그렇게 나쁜 추정은 아니지만, 이 부분을 살펴보겠습니다. 무작위 노이즈 추가 기능을 켜면 다음과 같은 결과가 나옵니다.
	이 값은 MSE의 제곱근에서 나온 것이므로 분산이 되고, 이 .8477의 제곱근은 오차 변동성에 대한 표준 편차가 됩니다.
	REML 테이블에서도 볼 수 있듯이 기본적으로 켜져 있지는 않지만 마우스 오른쪽 버튼을 클릭하고 열 제곱근 분산 구성 요소를 켜면 여기서 볼 수 있습니다.
히스 러싱	또 다른 비법이네요. 감사합니다.
앤드류 칼	응.
	그러니까 .92이고, 그게 똑같아요... 이 .92는 거기서 나온 거예요. 모델에서 이미 감지한 오류 변동성을 포함해서요.
	그리고 지금 우리가 시뮬레이션을 한다면,
	이제 우리는 이 좁은 범위를 얻었지만 이것은 기증자 1, 기증자 2에 대한 시뮬레이션이며 평균이 어떻게 위쪽으로 이동했는지 볼 수 있습니다.
	기증자 4의 경우, 여기보다 작은 기증자 3으로 이동하면 아래로 이동합니다.
	따라서 이 수치를 근사화하는 한 가지 방법은 기증자를 무작위로 설정하는 것입니다. 이렇게 하면 사용 가능한 기증자에 대한 부트스트랩과 같은 효과를 얻을 수 있습니다. 이제 표준 편차가 2에서 3으로 올라가는 것을 볼 수 있습니다.
	여기서 혼합 모델을 살펴보면 기부자의 무작위 효과가 있으므로 잔여 변동성뿐만 아니라 총 변동성도 있습니다.
	기증자를 포함한 변동성도 있습니다. 약 3.5입니다. 하지만 그렇게 하면 인위적으로 울퉁불퉁한 시뮬레이션 분포가 나오는데, 이는 기증자가 네 명뿐이기 때문에 발생하는 아티팩트입니다.
	가장 좋은 접근 방식은 아니지만 고정 효과 모델로 할 수 있는 가장 좋은 방법입니다.
	또한 너무 자세히 설명하지 않고도 지적할 또 다른 사항은 기부자 추정치입니다.
	고정 효과 모형에서의 예측은 혼합 모형에서의 임의 효과 예측과 매우 유사합니다. 차이점은 혼합 모형에서의 예측은 이 분산 비율에 따라 적절히 축소된다는 것입니다. 이를
	이러한 추정치를 축소하면 기부자 변동성에 대한 예측과 추정치가 조금 더 정확해집니다.
	기증자 효과에 대해 말씀드리겠습니다. 그래서 더 자세히 설명하지는 않겠지만, 두 가지가 꽤 비슷하다는 점만 말씀드리고 싶습니다. 하지만 직접 확인해 보셔야 할 경우를 대비해서 약간의 차이가 있습니다.
	하지만 지금 이 문제로 넘어가서, 무작위 기증자 효과가 있는 모델에서 이를 어떻게 구현할 수 있을까요? 시뮬레이터를 켜면 됩니다.
히스 러싱	좋아요.
앤드류 칼	그리고 올바른 방법을 보여주기 전에 주의할 점이 하나 있습니다. 여기서 조건부 예측을 켜고 노이즈를 추가하려고 하면,
	그리고 지금 노이즈는 이것으로 설정되어 있습니다... 고정 모델에서 본 것과 매우 유사하지만, 지금 당장만 그렇습니다. 지금 당장의 잔여 변동성도 포함됩니다.
	하지만 이 조건부 프로파일러로 이를 시도하면...
	그래서... 기증자 3으로 바꿔 봤는데, 기증자를 바꾸면 위아래로 움직이지 않으니... 같은 효과를 시도하지 마세요. 조건부 예측과 시뮬레이터에 문제가 있는 것 같습니다.
	조건부 예측에 대해서는 시뮬레이션하지 마세요. 우리는 ...에서 시뮬레이션하고 싶습니다.
	기본적으로 해당 옵션은 꺼져 있습니다.
	하지만 이제는 더 넓은 신뢰 구간에 비해 이런 종류의 좁은 분포가 있다는 것을 알 수 있습니다.
	그 이유는 이 기본 표준 편차가 우리가 사용하고 싶은 정확한 값이 아니기 때문입니다. REML 표를 활용하고 싶은데, 기부자 내 변동성만 고려하는 것이 아니라 전체 변동성을 고려하고 싶습니다.
	따라서 총 변동성 표준 편차는 3.53입니다.
히스 러싱	좋아요.
앤드류 칼	제품별로 REML 테이블을 사용하여 이를 변경하고 싶습니다.
	그리고 제가 컨트롤을 잡고 이전에 방송하지 않았기 때문에 이것을 추가할 것입니다.
	제곱근 분산 성분은 다시 3.16입니다.
	그리고 지금, 내가 그것을 하고 시뮬레이션을 하면, 당신은 볼 수 있습니다
	나는 이 더 넓은 분포를 얻습니다.
	응, 그게 될 거야
	동일한 인구 집단에서 추가 기부자가 있을 경우 앞으로 보게 될 상황을 더 잘 반영하고 결함률을 더 잘 추산할 수 있습니다.
	그리고 지금 이것을 여기 보이는 것과 비교할 수 있습니다. 이 울퉁불퉁한 분포, 이 인위적으로 울퉁불퉁한 분포
	고정 모델에서 말이죠. 만약 기부자가 1,000명이라면 (물론 예산은 부족하겠지만), 만약 예산이 있다면 이 분포는 서로 비슷할 것이고, 표준 편차도 크게 다르지 않음을 알 수 있습니다. 둘 다 3.1과 3.5에 가까워지고 있습니다.
히스 러싱	네, 제 생각에는 무작위 효과 모델이 우리가 실제로 예상했던 바일 것 같아요.
	네, 그 정도면 될 것 같아요. 특히 기부자가 많으면 더 그렇겠죠. 좋아요, 좋아요.
앤드류 칼	그리고 이제 당신이 이것들을 가지고 있는 것을 알았습니다... 이것들은 모두 고정되어 있습니다. 역량 분석을 위해 이런 식으로 하시겠습니까?
	보시다시피, 기부자의 변동성과 오류 변동성만 있고, 이것들은 고정되어 있나요?
히스 러싱	알다시피, 그게 우리가 전통적으로 해온 방식이에요...우리는 그걸 해왔지만, 제가 다루고 싶은 두 가지 사항이 있어요.
	하나는 정상 작동 범위라고 하는데, 혹시 이에 대한 예시가 있는지 볼까요? 하지만 실제로 정상 작동 범위는 다음과 같습니다...
	시간 같은 걸 보면, 알겠죠? 시간은 우리가 고칠 수 있는 거예요. 예를 들어 5.5시간으로 고정하고 싶다고 해 봅시다. 5.5를 입력하면 5.5시간에서 5.5시간으로 바뀌다가 멈추는 거죠.
	하지만 온도와 pH는 그렇지 않습니다. 예를 들어, 우리가 온도를 다음과 같이 설정하면,
	27.45 또는 특정 설정 지점에서, 하지만 그것이 할 일은, 아시다시피, 그 주변에 어떤 자연스러운 변동성이 있을 것입니다.
	아니면 그냥 바이오제약이잖아요. 그러니까 온도가 고정되어 있지 않을 텐데, 공정 능력 측면에서 그걸 고려할 수 있을까요?
	정상 작동 범위
	???
앤드류 칼	좋아요, 역사적으로 얼마나 차이가 있었는지 아시나요? 어떤 기준이 있을까요? JMP에서 할 수 있는 건 고정 난수(fixed random)로 처리할 수 있다는 겁니다.
	그리고 우리는 그것이 평균이라는 것을 말할 수 있습니다.
	27.45.
	그리고 혹시 아이디어가 있으시다면, pH에 대해서도 그렇게 할 수 있고, 그 표준 편차가 얼마나 합리적인지, 얼마나 차이가 나는지 아시면 좋겠습니다.
히스 러싱	네, 네, 맞아요. 예전에 했던 몇 가지 일에 대해 데이터 분석을 해 봤는데, 그런 걸 보면 95%는 분포처럼 보이더라고요.
	글쎄요, 아마도 플러스 마이너스 1 사이여야 할 거예요. 그러니까 표준 편차는 0.5가 될 거예요.
	온도는요. 알겠습니다. 그리고 pH는... pH는 6.54로 설정하면 6.5 정도 될 것 같고, 6.5를 보내면 비슷할 것 같아요. 뭐, 잘 모르겠네요.
	알잖아,
	표준 편차는 .1이 될 겁니다.
	그리고 저는 우리의 설정 포인트가...
	온도 설정값은, 음, 온도는 몇 도였나요? 27.45도와 6.54도였나요?
	6.5, 6.5라고 생각해요.
히스 루싱	어디 보자...
히스 러싱	20... 네, 6.5입니다. 6.5가 되고, 온도는 27.5가 됩니다. 바로 그겁니다. 자, 알겠습니다. 네. 바로 그겁니다, 앤드류. 정상 작동 범위라고 하는데, 공정 능력을 추정할 때 이 범위를 고려하고 싶습니다.
앤드류 칼	좋습니다. 이제 우리가 해당 설정을 활성화했고 기부자에 대한 총 변동성과 오류 변동성이 있습니다.
	이제, 우리가 시뮬레이션할 때, 우리는 이제 추가적인 변동성을 얻습니다.
	이는 요인의 변동성으로 인해 발생하며, 이는 결함률에 반영되어 있음을 확인할 수 있습니다.
	그리고 또한,
히스 러싱	여기서도 지적하고 싶은 것이 있습니다.
앤드류 칼	또한 실행하는 데 시간이 오래 걸리지 않으므로 실행 횟수를 늘릴 수도 있습니다.
	더 나은 추정치를 얻기 위해. 또한 시뮬레이션을 통해 더 매끄러운 분포를 얻는 방법을 여기에서 확인할 수 있습니다.
	그리고 이러한 값을 표로 시뮬레이션할 수도 있습니다. 이제 각 시뮬레이션에 대해 다른 행을 얻을 수 있으며 해당 시뮬레이터 설정에서 예측된 세포 생존율과 부산물을 볼 수 있으며 이를 통해 추가 분석을 수행할 수 있습니다.
히스 러싱	네, 그런 경우에는 다음과 같은 것을 얻을 수 있습니다.
	CPK 맞죠? 그렇게 하면 CPK 추정치를 얻을 수 있는 거죠?
앤드류 칼	네, 네, 그걸 해결할 수 있어요.
히스 러싱	좋아요, 좋아요. 좋아요, 첫 번째는 정상 작동 범위를 어떻게 계산할 것인가였습니다. 하지만 한 가지 더 말씀드리고 싶은 게 있습니다. 공정 능력입니다. 아시다시피, 꼭 필요한 건 아닙니다.
	하지만, 우리는 입증된 허용 범위라고 불리는 것을 살펴보고 싶습니다. 이것이 바로 입증된 허용 범위입니다.
	온도와 pH를 설정 지점에서 지정하고 이를 변경하지 않도록 했다면,
	하지만 저는 낮음과 높음 설정 사이에서 시간이 달라지도록 허용하고 이것이 이렇게 낮을 수도 있고 이렇게 높을 수도 있습니다.
	높은 설정값으로, 제가 기대하는 것과 공정 능력은 어떻게 될까요? 실제로 우리가 하는 것은 이 두 가지가 설정값에 있고 그 중 하나가 변한다면, 그것이 허용 가능한 공정 능력 내에 있다는 것을 증명하는 것입니다. 그렇다면 이 문제를 어떻게 해결할 수 있을까요?
앤드류 칼	알겠습니다. 시간과 온도, pH가 설정점에 도달했다고 말씀하셨죠.
히스 러싱	맞습니다.
앤드류 칼	그리고 시간은 상황에 따라 달라질 수 있습니다.
	따라서 우리가 할 일은 normal이라고 말하는 대신, 이것을 uniform으로 설정하는 것입니다.
	그리고 현재 실험에서 적용된 낮은 설정과 높은 설정은 1.9에서 9.1입니다.
	그리고 필요에 따라 바꿀 수는 있지만, 그게...
	제 말이 맞나요? 그게...
히스 러싱	그게 그거였어요...그게 바로 그거였어요...
	그게 바로 그거예요. 그러니까 만약 제가... 만약 제가 그런 짓을 한다면... 정말, 정말...
	이 경우에는, 혹시 바꿀 수 있을까요? 실험에서 말씀드린 것처럼, 2에서 9 사이로 검증된 허용 범위가 맞는지 확인하고 싶은데, 어떻게든 바꿀 수 있을까요?
	네, 그럴 수 있어요. 사실 저는 그것도 잘 모르겠어요.
	네, 그래서 그걸 바꿀 수 있고 그것이 무엇인지 시뮬레이션할 수도 있는데 그것을 입증된 허용 범위라고 합니다.
	저 두 가지를 고치는 거죠. 그럼 우리가 할 일은, 이걸 보여주셔서 감사하지만, 아, 그리고 제가 직접 해볼게요. 제가 할 일은 이 두 가지에 대해 각각 이렇게 하는 겁니다. 시간도 그렇고 온도도 그렇고,
	pH에 대한 내용입니다. 그리고 우리가 수용 가능한 공정 능력을 갖추고 있는지 확인하기 위해서입니다.
앤드류 칼	좋아요, 좋은 점은 여기서는 그걸 하기가 정말 쉽다는 거예요.
히스 러싱	하나만 더 보여 줄 수 있어? 응, 그냥, 바로 그거 해 봐. 25에서 30 사이, 유니폼도 25에서 30 사이. 25에서 30 사이. 좋아, 이걸 표로 만들어 볼 수 있어?
	표를 만들어서 살펴보세요... 그냥 세포 생존율과 부산물의 분포만 보세요.
	아, 맞아요. 프로세스 능력을 주는 거죠. 정말 좋아요.
앤드류 칼	당신이 노력한 만큼의 돈을 절약할 수 있기 때문입니다.
	해당 사양 제한에 대한 열 속성입니다.
히스 러싱	그거... 정말 쉽네요. 네, 네, 감사합니다. 제가... 물어보고 싶었던 건... 또 다른 데이터 세트를 보내드렸다는 거예요.
	우리가 보고 있는 곳은,
	아시죠, 소규모와 대규모를 비교하는 거죠. 그리고 우리가 비교 가능성을 통해 하려는 건
	저는 소규모로 몇 가지 실험을 했고, 대규모로 몇 가지 실험을 했는데, 제 CQA(?)에 대해 말씀드리자면, 그것들이 정확히 같지는 않지만, 어떤 면에서는... 범위 내에 있다는 걸 보여드리고 싶습니다.
	어떤 한계, 어떤 실질적인 의미, 그리고 그것을 비교 가능성과 동등하다고 합니다. 아시겠지만, 기증자 간 변동성을 어떻게 설명할 수 있을까요?
앤드류 칼	네, 맞아요. 저도 봤어요. 그리고 저도 봤어요. 그래서...
	우선, 이전 데이터 세트를 살펴봤던 것처럼 기부자 정보를 포함하지 않으면 어떤 일이 일어나는지 살펴보겠습니다.
	알겠습니다. 세포 생존율에 대해 EAC 동등값, 즉 2의 기준을 사용한다고 말씀하셨죠.
	그리고 우리가 여기서 보는 것
	최대 P-값이... 우리는 귀무가설을 기각하지 않습니다. 이 경우 동등성을 감지하지 못한다는 의미입니다.
	이것은 당신이 이것들이 실제로 동등한 과정이라고 생각한다는 우리의 기대와 일치하지 않습니다.
	그래서 일어나는 일은 이겁니다... 기부자들의 소음 속에서 정보가 사라지고 있다는 거죠.
	그리고....
히스 러싱	내가 그것을 볼 때마다... 그냥 위로 스크롤하면 됩니다.
	두 번째, 잠깐만요...저기 보여요.저기 보여요.저 그래프에서 제게 차이를 보여주는 지점이 보여요.
	마이너스 .49
	그래프에서 보면, 이건 그렇게 크지는 않지만 정말 넓어 보이는데요.
	좋아요.
앤드류 칼	그 이유는 신뢰 구간의 폭에 대한 추정치에 변동성이 더 커지기 때문입니다.
	기억하세요, 차단하면 추정치의 변동성이 없어집니다.
	계정...
히스 러싱	좋아요.
앤드류 칼	여기서 정확히 일어나고 있는 일은 이 두 경우 모두 대규모와 소규모 간의 동등성을 감지하지 못하는 것입니다.
	세포 생존율이나 부산물 둘 중 하나에 대해서요. 이 보고서에는 많은 내용이 담겨 있습니다. 이 보고서를 설정하는 데 꽤 많은 작업이 필요한데, 한 가지 더 보여드린 후에 보여드리겠습니다. 지금 보여드리고 싶은 것은 기증자 효과를 무작위 효과로 포함시켰다는 것입니다.
	그리고 이제 당신은 볼 수 있습니다
	작은 P 값을 사용하면 기각합니다. 즉, 세포 생존율에 대한 EAC가 2이고 현재 최대 P 값에 대해서도 동등성을 결론짓고 있다는 의미입니다.
히스 러싱	세 개.
앤드류 칼	3개의 EAC에 대해
	부산물 때문입니다. 그리고 이걸 설정하는 방법은, 제가 보여드리죠. 왜냐하면 여러분이 다른 회의로 1분 정도 더 가야 한다는 걸 알고 있거든요.
	척도를 정하고, 지금은 세포 생존율만 계산하겠습니다. 이렇게 하면 공여체 효과 없이 테스트를 설정할 수 있지만, 공여체를 추가하면 무작위 효과로 저장할 수 있습니다.
	모델을 실행합니다.
	그리고 우리는 추정과 다중 비교를 실시합니다.
	모두 쌍으로. 학생 T. 좋아요, 그리고 여기서부터는
	동등성 테스트.
	네, EAC 2를 사용하세요.
히스 러싱	응.
	그리고 그 신뢰 구간에서 두 개의 P값까지 보여줍니다.
	신뢰 구간에서도 표시됩니다.
	제 친한 친구 크리스는 박사 과정에서 간격에 대한 연구를 했는데, 그와 저는 간격에 대한 연구를 정말 좋아해요...
	러브 인터벌. 스키 탈 때 항상 그 얘기를 하던데, 95% 신뢰 구간 상하한이 그렇게 나와 있더라고요. 그거랑 비교하는 거겠죠.
	네, 그게 전부입니다.
앤드류 칼	음, 그리고.
	마지막으로 우리에게 전하고 싶은 마지막 요점은, 글쎄요, 앞서 우리는 기부자의 임의 효과와 고정 효과의 이점에 대해 이야기했습니다.
	비교 가능성도 동등성 검정도 아닌, 매개변수 검정만 합니다. JMP Pro를 사용하여 검정력 분석을 수행했습니다. JMP Pro에서 혼합 모델을 구축하면
	혼합된 성격 아래에는 '저장'이라는 멋진 기능이 있는데, 열 저장 시뮬레이션 공식이 있거든요. 이제...
	여기로 들어가면 혼합 모델을 매우 쉽게 시뮬레이션할 수 있습니다. 설정을 변경하고 살펴볼 수도 있습니다.
	그래서 저는 그렇게 했고, 혼합 모델에서 시뮬레이션을 한 후, 기증자를 고정 효과로 처리할지 아니면 임의 효과로 처리할지 어느 쪽이 더 나은지 알아보기 위해 검정력 분석을 실행했습니다. 적어도 제가 실행한 경우에는 여기 상자에서 볼 수 있듯이 더 높은 검정력을 얻었습니다.
	동일한 테스트에서 무작위 기증자 효과의 경우 .62인 반면...의 경우 .52였습니다.
	고정 효과에 대해서요. 두 효과 모두 명목 오차율을 유지하고 있었기 때문에, 제가 살펴보기 시작한 부분인데, 동등성 검정에서 공여 효과를 무작위로 처리하는 것도 이점이 있을 것 같습니다.
히스 러싱	네, 저는 Andrew, 당신이 우리가 앞으로 나아갈 때 확실히 나를 설득했다고 생각합니다.
	아시다시피, 세포 치료를 하다 보면 항상 기증자 간 효과가 나타날 수밖에 없다고 생각합니다. 그래서 무작위 차단 효과로 보는 게 타당하다는 생각이 들었습니다.
	따라서 여러분 모두가 프로세스 능력과 비교 가능성을 모두 살펴보는 응용 프로그램을 즐기셨기를 바랍니다. 이 두 가지는 매우 중요합니다.
	제약 및 바이오제약 분야에 종사하는 과학자와 엔지니어들을 위해. 우리가 언급한 매우 구체적인 응용 분야는 매우 중요하다고 생각합니다.
	우리가 지금 유전자 및 세포 치료법이라고 부르는 치료법을 개발하는 혁신적인 방법이 있고, 저는 그것이
	추론 프로세스 역량과 비교 가능성을 어떻게 처리할 수 있는지 보여드림으로써 가치를 제공했습니다. 컨퍼런스에서 다시 만나 뵙기를 기대합니다. 이 내용을 다시 발표하고 궁금한 점에 답변해 드리겠습니다.
앤드류 칼	고마워요, 브래디. 성을 모르겠어요, 브래디. 그게 뭐였더라?
	브래디 브래디.
	브래디.
히스 러싱	알았어요, 제 이름은 브래디이고, 제 성은 브래디예요. 알았어요.
앤드류 칼	좋아요.
히스 러싱	좋아요 예 예 예 당신에게 예 예 예.
앤드류 칼	고마워요, 앤드류. 정말 고마워요. 네, 함께해 주셔서 모두 감사합니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사실험 설계품질 및 공정 엔지니어링신뢰성 분석