| Conférencier |
Transcription |
| Heath Rushing |
Je m'appelle Heath Rushing. Je suis directeur d'Adsurgo, une société de formation et de conseil qui travaille avec de nombreuses entreprises. |
| |
Ce matin, je vais parler de certaines expériences que j’ai vécues en travaillant avec des sociétés pharmaceutiques et biopharmaceutiques. |
| |
De nombreux scientifiques et ingénieurs s'occupent de développement de processus et de produits, ainsi que d'optimisation de la formulation de caractérisation. |
| |
Et ce que j’ai découvert, c’est que beaucoup de ces… beaucoup de ces scientifiques avaient des conceptions qu’ils utilisaient dans le passé avec un produit, un processus ou une formulation similaire. |
| |
Et ce qu'ils ont fait, c'est qu'en allant de l'avant, ils ont juste dit : « Hé, laissez-moi simplement prendre ce design que j'ai utilisé dans le passé. |
| |
Ça a marché. Ça a plutôt bien fonctionné par le passé. Alors, allons-y et utilisons ce modèle. |
| |
Dans chacun de ces cas, nous avons repris la conception originale et imaginé un mécanisme permettant de faire quelque chose d'un peu différent. Soit nous l'avons enrichie avec un |
| |
avec un type différent de critères d'optimisation ou nous l'avons augmenté avant qu'ils aient ajouté des exécutions ou après qu'ils aient ajouté des exécutions. |
| |
Dans le premier cas, nous avons construit une conception hybride. D'accord. Ensuite, il s'agissait d'un problème de formulation de produit… pardon… d'optimisation de formulation. |
| |
Un scientifique a déjà effectué un essai avec un mélange de 30 essais Scheffe-Cubic. Dans un tel essai, |
| |
Les paramètres du processus sont des variables, des facteurs de l'expérience, des mélanges. Il existe donc un certain pourcentage où le mélange total atteint 100 %. |
| |
Ils ont estimé que cela fonctionnait bien et les aidait à trouver un cadre optimal pour la formulation. Cependant, ils souhaitaient approfondir un point : |
| |
Ces conceptions ont tendance à se concentrer sur les points de conception de notre expérience, situés près des bords. Notre objectif est de caractériser plus précisément l'espace de conception. |
| |
Nous avons donc pris la conception originale de 30 essais, et au lieu de faire cela, ce que nous avons fait, c'est que nous avons exécuté un... nous avons développé une expérience en construisant l'expérience où nous avons exécuté 18 |
| |
Des expériences de mélange ont été réalisées, puis nous avons complété le tout par 12 modèles de remplissage d'espace. Ce type de modèle est très utilisé en simulation informatique. |
| |
Et en fait, vous savez, je l'ai dit lors d'une conférence : « Vous savez, c'est utilisé pour remplir l'espace. » Mais à quoi servent réellement ces conceptions ? Je vais comparer les deux. |
| |
Il va y avoir des points de conception. Dans ce cas, j'essaie de minimiser la distance entre chaque point de conception. |
| |
Comme vous pouvez le constater, la conception de gauche, celle qu'ils jugeaient adéquate, était celle à 30 passages. Et comme vous le voyez, elle fonctionne beaucoup près des bords et au centre de la conception. Celle de droite était vraiment satisfaisante. |
| |
18 points de conception mixte, complétés par 12 points de conception de remplissage d'espace. Il s'agit donc d'une conception hybride, à la fois mixte et de remplissage d'espace. |
| |
Comme vous pouvez le voir, vous savez, en fonction de leur objectif essayant de caractériser |
| |
Cet espace de conception est un peu mieux caractérisé. Comme vous pouvez le constater, celui de droite a bien mieux caractérisé cet espace de conception. Sa variance de prédiction était adéquate. C'était une conception qu'ils ont choisie d'exécuter et ils ont trouvé leur solution optimale à partir de celle-ci. |
| |
Le deuxième choix de conception |
| |
était, et c'est beaucoup utilisé, dans une caractérisation de processus, c'est, à l'époque, avant que beaucoup de gens utilisent la conception d'expériences en termes de caractérisation de processus, |
| |
Ce que beaucoup de scientifiques faisaient, c'était d'effectuer des tests à partir du point central comme s'il s'agissait du point de consigne. |
| |
et ensuite effectuer ce qu'on appelle des analyses PAR, ou plage acceptable prouvée. Supposons qu'ils aient quatre paramètres de procédé. Ils maintiennent trois paramètres de procédé à la valeur de consigne et le quatrième |
| |
Ils allaient jusqu'aux extrêmes. La valeur la plus basse et la valeur la plus haute. Ils procédaient ainsi pour chaque paramètre du processus. |
| |
Ce qu'ils montrent vraiment, c'est que, vous savez, si tout est au point de consigne, et que l'un d'entre eux dévie près des bords, |
| |
Ensuite, nous allons simplement prouver que c'est bien conforme aux spécifications. D'accord. Et puis, ils aiment toujours faire beaucoup de ces courses. |
| |
La conception avec laquelle j'ai commencé était la suivante : j'avais un scientifique qui prenait ces PAR et ces points centraux et ils les ajoutaient après avoir construit une conception optimale. |
| |
La conception optimale est utilisée pour la prédiction et l'optimisation. Dans ce cas, c'est le type de conception qu'ils souhaitaient, mais ils l'ont ajoutée après la conception optimale. |
| |
Ma question était la suivante : pourquoi ne pas simplement prendre ces exécutions et les ajouter avant de concevoir une conception optimale ? Si tel était le cas, |
| |
L'algorithme ??? dans JMP dirait : « Vous savez, je vais prendre ces points et je vais trouver le prochain meilleur ensemble d'exécutions. » |
| |
Bien. Nous avons donc pris ces 18 points de conception et les avons augmentés de 11 autres… pardon, de 11 à… les 11 points de conception initiaux et 18 points optimaux. À chaque fois que nous avons fait cela, si vous regardez la conception, c'est là que les courses PAR ont été ajoutées… |
| |
On constate que la puissance des effets principaux, dans les interactions factorielles, et les effets quadratiques, sont plus élevés que si l'on ajoutait les exécutions PAR après. On constate également que la variance de production… |
| |
Si vous observez la variance de prédiction, elle est très similaire. Mais, voyez-vous, juste à la limite des espaces de conception, vous voyez que ces |
| |
Les courses PAR, chaque fois que nous avions les courses PAR augmentées avec I optimal, étaient beaucoup plus petites. |
| |
La clé ici est que chaque fois que j'examine la corrélation, je pense que la corrélation, en particulier avec les effets principaux, est bien meilleure avec l'augmentation du PAR et deux I optimaux par rapport à ce qu'ils faisaient auparavant, où ils prenaient les I optimaux et les augmentaient simplement avec les exécutions PAR. |
| |
La troisième conception. J'ai demandé à un scientifique de prendre une conception optimale D à 17 essais et de l'augmenter de huit essais, passant ainsi d'une conception optimale D à une conception optimale I. |
| |
Ils ont commencé avec une conception optimale D, une conception de criblage, ils l'ont augmentée avec des points pour passer à une conception optimale I. |
| |
a un a un... ce n'est pas vraiment une nouvelle conception, mais c'est une nouvelle conception pour JMP ; elle s'appelle une conception optimale. Et une conception optimale |
| |
Cela permet de pondérer n'importe lequel de ces facteurs. D'accord. J'ai donc eu une idée. Je me suis dit : « Vous savez, il m'est souvent arrivé de passer d'un D à un |
| |
augmentée à un plan optimal I. Et si on faisait ça ? Vraiment, et si on prenait ce plan optimal D initial à 17 passages et qu'on l'augmentait à un I, puis à un A, en pondérant ces termes quadratiques ? |
| |
Ou bien nous avons pris la conception optimale D, nous l'avons augmentée vers une conception optimale A où nous avons pondéré les termes quadratiques, puis vers une conception optimale I ? " Donc, ce sont vraiment deux augmentations différentes, passant d'un D à un A à un I, |
| |
et D à un I à un A. Je suis également passé directement de D à A. C'est vrai. Et je voulais comparer cela au choix de conception original, qui était |
| |
Un plan optimal D contre I. J'aimerais vraiment vous dire que mon idée a fonctionné. Mais en bon statisticien, je dois vous dire que je ne pense pas que ce soit le cas. |
| |
Si je regarde la variance de prédiction, qui, en termes de conception de surface de réponse, nous essayons de minimiser la variance de prédiction dans la région de conception, |
| |
Vous voyez que la variance de prédiction de leur conception initiale est plus faible. D'accord, même bien plus faible que lorsque j'ai utilisé la conception optimale A, pour passer directement à la conception optimale A. |
| |
Si vous regardez la fraction de l'espace de conception, vous verrez que la variance de prédiction est beaucoup plus petite dans l'espace de conception que dans la conception optimale A et c'est un peu mieux que lorsque je suis passé de D à A à I, |
| |
et D à I à A. Le seul point négatif que j'ai vu avec la conception originale par rapport aux autres choix de conception était, vous savez, il y avait des effets quadratiques, n'est-ce pas, il y avait des effets quadratiques |
| |
Cette corrélation était légèrement supérieure à ce que j'aurais souhaité. Et comme vous le voyez, le modèle optimal A a des effets quadratiques bien plus faibles. Voilà ma thèse initiale. |
| |
Souvent, les scientifiques et les ingénieurs ont des conceptions qu'ils ont déjà réalisées dans le passé. |
| |
Et je dis toujours qu'il est logique que nous ne souhaitions pas reproduire le même design que par le passé. Essayons quelque chose de différent. |
| |
Le produit peut être légèrement différent, tout comme le procédé et la formulation. En comparant ces informations avec le modèle original, vous pourrez choisir le modèle qui vous convient le mieux. |
| |
J'aimerais, vous savez, une dernière chose que j'aimerais remercier, c'est les membres de mon équipe chez Adsurgo. |
| |
Nous avons toujours, vous savez, des membres de l'équipe et aussi nos clients... nos clients qui posent des problèmes difficiles et les membres de notre équipe qui travaillent toujours pour trouver des solutions optimales pour nos clients. |
| |
Enfin, ces designs sont vraiment inspirés d'exemples de clients, mais ce ne sont pas des exemples exacts. Leurs données ne contiennent rien. |
| |
Je voudrais donc remercier l'un de mes clients, Sean Essex de Poseida Therapeutics, qui rencontre souvent des problèmes très difficiles et parfois |
| |
Il va me proposer un problème. Et je vais lui dire : « Voilà une solution, et c'est quelque chose qu'on n'a même pas encore vraiment vu. » |
| |
passe une bonne journée. |
