| Lautsprecher |
Transkript |
| Heath Rushing |
Mein Name ist Heath Rushing. Ich bin Geschäftsführer von Adsurgo. Wir sind ein Schulungs- und Beratungsunternehmen, das mit vielen verschiedenen Unternehmen zusammenarbeitet. |
| |
Heute Morgen werde ich über einige Erfahrungen sprechen, die ich bei der Arbeit mit Pharma- und Biopharmaunternehmen gemacht habe. |
| |
Viele Wissenschaftler und Ingenieure beschäftigen sich mit Prozess- und Produktentwicklung sowie der Optimierung von Charakterisierungsformulierungen. |
| |
Und ich habe festgestellt, dass viele dieser Wissenschaftler Entwürfe hatten, die sie in der Vergangenheit mit einem ähnlichen Produkt, Verfahren oder einer ähnlichen Formulierung verwendet hatten. |
| |
Und was sie gemacht haben, ist, dass sie für die Zukunft einfach gesagt haben: „Hey, lasst mich einfach das Design nehmen, das ich in der Vergangenheit verwendet habe.“ |
| |
Es hat funktioniert. Wissen Sie, es hat in der Vergangenheit gut genug funktioniert. Also lasst uns einfach weitermachen und dieses Design verwenden.“ |
| |
In jedem dieser Fälle haben wir das ursprüngliche Design genommen und einen Mechanismus entwickelt, um etwas anderes zu machen. Richtig. Wir haben es entweder mit einem |
| |
mit einer anderen Art von Optimierungskriterien oder wir haben es erweitert, bevor oder nachdem sie Läufe hinzugefügt haben. |
| |
Im ersten Fall haben wir ein Hybriddesign entwickelt. Genau. Und im ersten Fall ging es um eine Produktformulierung... Entschuldigung... ein Problem der Formulierungsoptimierung. |
| |
wo ein Wissenschaftler in der Vergangenheit einen 30-Run-Scheffe-Cubic-Mischungsplan hatte. In einem Mischungsplan |
| |
Die Prozessparameter sind Variablen, Faktoren im Experiment sind Mischungen. Und dann gibt es einen bestimmten Prozentsatz, bei dem die Gesamtmischung 100 % ergibt. |
| |
Sie waren der Meinung, dass dies gut genug funktionierte und ihnen half, eine optimale Einstellung für die Formulierung zu finden. Sie wollten jedoch noch etwas genauer darauf eingehen: |
| |
Bei diesen Entwürfen ging es in unserem Experiment eher darum, Entwurfspunkte in der Nähe der Ränder zu betrachten. Und was wir tun möchten, ist, den Entwurfsraum weiter zu charakterisieren. |
| |
Also nahmen wir das ursprüngliche Design mit 30 Durchläufen und führten stattdessen ein Experiment durch, bei dem wir 18 |
| |
Mischungsexperimente und dann haben wir es mit 12 raumfüllenden Designs erweitert. Und ein raumfüllendes Design wird häufig in Computersimulationen verwendet. |
| |
Und tatsächlich, wissen Sie, ich habe das einmal auf einer Konferenz gesagt: „Sie wissen, dass es verwendet wird, um Platz zu füllen.“ Aber was diese Designs wirklich bewirken, und ich werde den Vergleich der beiden anstellen, |
| |
Es werden Designpunkte gesetzt. Hier versuche ich, den Abstand zwischen den einzelnen Designpunkten zu minimieren. |
| |
Wie Sie am linken Design sehen, war das 30-Run-Mischdesign dasjenige, das sie für ausreichend oder angemessen hielten. Und wie Sie sehen, wirkt es stark an den Rändern und genau in der Mitte des Designs. Das rechte war wirklich |
| |
18 Mischungsdesignpunkte, ergänzt durch 12 raumfüllende Designpunkte. Es handelt sich also um ein Hybriddesign, eine Mischung aus Mischungsdesign und raumfüllendem Design. |
| |
Wie Sie sehen, basierend auf ihrem Ziel, zu charakterisieren |
| |
Dieser Designraum wurde etwas besser charakterisiert. Wie Sie sehen, hat der rechte Entwurf diesen Designraum deutlich besser charakterisiert, nicht wahr? Er hatte eine ausreichende Vorhersagevarianz. Es war ein Design, das sie für die Ausführung ausgewählt hatten, und sie fanden ihre optimale Lösung auf dieser Grundlage. |
| |
Die zweite Designwahl |
| |
wurde, und das wird oft bei der Prozesscharakterisierung verwendet, früher, bevor viele Leute Versuchsplanung im Hinblick auf die Prozesscharakterisierung verwendeten, |
| |
Viele Wissenschaftler führten Center Point-Läufe durch, wie den Sollwert |
| |
und dann auch sogenannte PAR-Läufe (Proof Acceptable Range) durchführen. Nehmen wir an, sie hätten vier Prozessparameter. Sie würden drei der Prozessparameter auf dem Sollwert halten und den vierten |
| |
Gehen Sie bis zum Äußersten. Der niedrigste und der höchste Wert. Und sie führten für jeden Prozessparameter eine Reihe solcher Experimente durch. |
| |
Was sie wirklich zeigen ist, dass, wenn alles am Sollwert ist und einer dieser Werte in der Nähe der Ränder abweicht, |
| |
Dann beweisen wir, dass es innerhalb der Spezifikation liegt. Genau. Und dann führen sie immer noch viele dieser Läufe durch. |
| |
Das Design, mit dem ich begann, war folgendes: Ich hatte einen Wissenschaftler, der diese PAR- und Centerpoint-Läufe nahm und sie hinzufügte, nachdem er ein optimales Design erstellt hatte. |
| |
Und das I-Optimaldesign wird für Vorhersagen und Optimierungen verwendet. Und in diesem Fall ist es genau das Design, das sie wollten, aber sie haben es nach dem I-Optimaldesign hinzugefügt. |
| |
Meine Frage an sie war: Warum nehmen Sie diese Läufe nicht einfach und fügen sie hinzu, bevor Sie ein optimales Design erstellen? Wenn das der Fall wäre, |
| |
Der ???-Algorithmus in JMP würde sagen: „Wissen Sie, ich nehme diese Punkte und erstelle den nächstbesten Satz von Läufen.“ |
| |
Richtig. Wir haben also diese 18 Designpunkte genommen und sie um elf weitere erweitert. Entschuldigung, die elf bis ... die ursprünglichen elf Designpunkte und 18 optimale Punkte. Wann immer wir das gemacht haben, wenn Sie sich das Design ansehen, hier wurden die PAR-Läufe hinzugefügt ... |
| |
wurden vorher hinzugefügt, und Sie sehen, dass die Stärke der Haupteffekte, bei Faktorinteraktionen, die quadratischen Effekte, höher sind, als wenn Sie die PAR-Läufe danach hinzugefügt hätten. Sie sehen, dass die Produktionsvarianz, |
| |
Wenn Sie sich die Vorhersagevarianz ansehen, ist die Vorhersagevarianz sehr ähnlich. Aber Sie sehen, es ist wie direkt am Rand der Designräume, Sie sehen, dass diese |
| |
PAR-Läufe waren viel kleiner, wenn wir die PAR-Läufe mit I optimal erweitert hatten. |
| |
Der Schlüssel liegt hier darin, dass ich, wann immer ich mir die Korrelation ansehe, denke, dass die Korrelation, insbesondere bei den Haupteffekten, mit der PAR-Erweiterung und zwei I-Optimalen viel besser ist als mit dem, was sie vorher gemacht haben, wo sie das I-Optimum genommen und dieses einfach mit den PAR-Läufen erweitert haben. |
| |
Der dritte Entwurf. Der dritte Entwurf war, als ich einen Wissenschaftler einen 17-Lauf-D-Optimalentwurf nehmen ließ, ihn um acht Läufe erweiterte und so von einem D- zu einem I-Optimalentwurf kam. |
| |
Sie begannen mit einem D-optimalen Design, einem Screening-Design, und erweiterten es um Punkte, um zu einem I-optimalen Design zu gelangen. JMP |
| |
hat ein hat ein...es ist nicht wirklich ein neues Design, aber es ist ein neues Design für JMP; es heißt Ein optimales Design. Und Ein optimales Design |
| |
ermöglicht es Ihnen, jeden dieser Faktoren zu gewichten. Genau. Und da hatte ich eine Idee. Ich sagte einfach: „Wissen Sie, ich bin in der Vergangenheit oft von einem D |
| |
erweitert zu einem I-optimalen Design. Was wäre, wenn wir das täten? Was wäre, wenn wir das ursprüngliche 17-Lauf-D-optimale Design nehmen und es zu einem I, dann zu einem A erweitern würden, wobei wir diese quadratischen Terme gewichten würden, |
| |
Oder wir haben das D-optimale Design genommen, es zu einem A-optimalen Design erweitert, bei dem wir die quadratischen Terme gewichtet haben, und dann zu einem I-optimalen Design? Es sind also eigentlich zwei verschiedene Erweiterungen, von D zu A zu I, |
| |
und D zu einem I zu einem A. Außerdem ging es direkt von D zu A. Richtig. Und ich wollte es mit der ursprünglichen Designentscheidung vergleichen, die war |
| |
ein D- versus ein I-optimales Design. Ich würde Ihnen gerne sagen, dass meine Idee funktioniert hat. Aber als guter Statistiker sollte ich Ihnen sagen, dass ich das nicht glaube. |
| |
Wenn ich mir die Vorhersagevarianz anschaue, die wir im Hinblick auf das Design der Antwortoberfläche versuchen, ist es so, dass wir die Vorhersagevarianz über den Designbereich hinweg minimieren wollen. |
| |
Sie sehen, dass die Vorhersagevariation für ihr ursprüngliches Design niedriger ist. Okay, sogar viel niedriger als bei meinem A-optimalen Design, direkt zum A-optimalen Design. |
| |
Wenn Sie sich den Bruchteil des Designraums ansehen, werden Sie sehen, dass die Vorhersagevarianz über den Designraum hinweg viel kleiner ist als beim optimalen Design A und ein bisschen besser als beim Übergang von D zu A zu I. |
| |
und D zu I zu A. Der einzige Nachteil, den ich beim ursprünglichen Design im Vergleich zu den anderen Designentscheidungen sah, war, wissen Sie, es gab einige quadratische Effekte, richtig, es gab einige quadratische Effekte |
| |
Das hatte eine etwas höhere Korrelation, etwas höhere Korrelation, als ich es gerne gesehen hätte. Und Sie sehen, das optimale Design hat deutlich geringere quadratische Effekte. Meine ursprüngliche These |
| |
Wissenschaftler und Ingenieure verfügen häufig über Entwürfe, die sie bereits in der Vergangenheit erstellt haben. |
| |
Und ich sage immer: Es ist verständlich, dass wir nicht dasselbe Design wie in der Vergangenheit verwenden wollen. Lasst uns etwas anderes ausprobieren. |
| |
Das Produkt kann etwas anders sein. Der Prozess kann etwas anders sein. Die Formulierung kann etwas anders sein. Wenn Sie dies zum Vergleich mit dem Originaldesign verwenden, können Sie Ihr bestes Design auswählen. |
| |
Als letztes möchte ich meinen Teammitgliedern bei Adsurgo danken. |
| |
Wir haben immer, wissen Sie, Teammitglieder und auch unsere Kunden … unsere Kunden kommen mit herausfordernden Problemen und unsere Teammitglieder arbeiten immer an optimalen Lösungen für unsere Kunden. |
| |
Als Letztes muss ich noch sagen, dass diese Designs tatsächlich von Kundenbeispielen übernommen wurden, aber nicht exakt dieselben. Ihre Daten enthalten nichts. |
| |
Ich möchte einem meiner Kunden, Sean Essex von Poseida Therapeutics, ein Lob aussprechen, der oft mit einigen sehr schwierigen Problemen kommt und manchmal |
| |
Er wird mit einem Problem aufwarten. Und ich werde sagen: „Das ist eine Lösung, und das ist etwas, was wir bisher noch nicht gesehen haben.“ Also |
| |
Ich wünsche ihnen einen wunderbaren Tag. |
