| スピーカー |
トランスクリプト |
| ヒース・ラッシング |
ヒース・ラッシングと申します。Adsurgoの代表を務めており、様々な企業と提携したトレーニングとコンサルティング会社です。 |
| |
今朝は、製薬会社やバイオ製薬会社で働いた経験についてお話ししたいと思います。 |
| |
多くの科学者やエンジニアが、プロセスや製品の開発、特性評価の配合の最適化などの作業を行っています。 |
| |
そして私が発見したのは、これらの科学者の多くが、過去に同様の製品やプロセス、配合で使用した設計を持っていたということです。 |
| |
そして彼らがやったことは、前進するために、「ねえ、過去に使ったデザインをそのまま使おう」と言ったのです。 |
| |
うまくいきました。ご存知の通り、過去にも十分うまくいきました。だから、このデザインをそのまま使いましょう。」 |
| |
それぞれのケースで、私たちは元の設計を基に、少し違うことをするための何らかの仕組みを考案しました。つまり、それを拡張したり、 |
| |
異なる種類の最適化基準を使用して、実行を追加する前または実行を追加した後に拡張しました。 |
| |
最初のケースでは、ハイブリッド設計を構築しました。そうです。そして最初のケースは、製品の配合…すみません、配合の最適化問題でした。 |
| |
過去の科学者が30回の実験を行ったところ、シェッフェ・キュービック混合計画が採用されました。混合計画では、 |
| |
プロセスパラメータは変数であり、実験における要因であり、混合物です。そして、全体の混合物が100%になる特定の割合が存在します。 |
| |
そうです、彼らはこれが十分にうまく機能し、処方に最適な設定を見つけるのに役立つと感じていました。しかし、彼らが本当にもっと詳しく触れたかったのは、 |
| |
これらの設計は、実験においてエッジ付近の設計点に注目する傾向がありました。そして私たちがやりたいのは、設計空間をさらに特徴づけることです。 |
| |
そこで、私たちは元々の30回の実行計画を採用しましたが、それを実行する代わりに、18回実行する実験を構築する実験を開発しました。 |
| |
混合実験を行い、さらに空間充填計画を導入しました。空間充填計画はコンピュータシミュレーションでよく用いられます。 |
| |
以前、ある会議でこう言いました。「空間を埋めるために使われるのはご存じの通りです」。しかし、これらのデザインが実際に何をするのか、そして2つのデザインを比較してみましょう。 |
| |
デザインポイントを配置します。この例では、各デザインポイント間の距離を最小限にするようにしています。 |
| |
左側のデザインを見ると、彼らが十分だと考えていた、あるいは適切だと考えていたのは30回混合デザインでした。そして、ご覧の通り、デザインの端と中央付近で多くの作用が見られます。右側のデザインは本当に |
| |
18個の混合設計ポイントに12個の空間充填設計ポイントが追加されています。つまり、これは混合設計と空間充填設計のハイブリッド設計と言えるでしょう。 |
| |
ご覧の通り、彼らの目的に基づいて特徴づけようとしています |
| |
ご覧の通り、右側のほうが設計空間をうまく表現できていますね。適切な予測分散がありました。これは彼らが選択した設計で、そこから最適解が見つかりました。 |
| |
2番目のデザイン選択 |
| |
これはプロセス特性評価でよく使われますが、昔は多くの人がプロセス特性評価の観点で実験計画法を使っていました。 |
| |
多くの科学者がやっていたのは、設定点のように中心点実行を実行することでした |
| |
そして、PARラン、つまり実証済み許容範囲と呼ばれるものも行います。例えば、4つのプロセスパラメータがあるとします。そこで、3つのプロセスパラメータを設定値に保ち、4つ目のパラメータを |
| |
極限まで行くのです。最低値と最高値。そして彼らはそれぞれについて、そしてそれぞれのプロセスパラメータについて、そのような一連の実験を行うのです。 |
| |
彼らが実際に示しているのは、もしすべてが設定値にあり、そのうちの1つが端の近くで逸脱すると、 |
| |
後は仕様範囲内であることを証明するだけです。そうですね。そして彼らは今でもこういった実験を何度も繰り返し行うのが好きなのです。 |
| |
私が最初に採用した設計は、PAR と中心点実行を採用した科学者が、最適な設計を構築した後でそれらを追加するというものでした。 |
| |
最適設計は予測と最適化に使用されます。この場合、まさに彼らが望んでいたのはまさにそのような設計ですが、最適設計の後に追加されました。 |
| |
私が彼らに尋ねたのは、なぜそれらの実行を最適な設計を構築する前に追加しないのか、ということです。もしそうなら、 |
| |
JMP の ??? アルゴリズムは、「これらのポイントを取得して、次善の実行セットを作成します」と言います。 |
| |
そうです。それで、18個の設計点に、さらに11個の…すみません、11個を…元の11個の設計点と18個の最適点に追加しました。これを実行するたびに、設計を見ると、PAR実行が追加されたことがわかります… |
| |
事前に追加した主効果と因子交互作用における二次効果の検出力は、PAR実行を後から追加した場合よりも高いことがわかります。生産分散は、 |
| |
予測分散を見ると、予測分散は非常に似ています。しかし、設計空間の端のすぐ近くでは、 |
| |
PAR 実行は、I 最適で拡張された PAR 実行があったときは常に、はるかに小さくなりました。 |
| |
ここで重要なのは、相関関係を調べた際に、特に主効果との相関関係が、PAR 拡張と 2 つの I 最適値を使用した場合と、I 最適値を取得して PAR 実行で拡張した以前の方法と比べて、はるかに優れていると思うことです。 |
| |
3つ目のデザイン。3つ目のデザインは、科学者に17回の試行でD最適デザインを採用してもらい、それを8回試行してD最適デザインからI最適デザインへと改良したものです。 |
| |
彼らはスクリーニング設計であるD最適設計から始め、ポイントを追加してI最適設計に移行しました。JMP |
| |
これは本当に新しい設計ではありませんが、JMPの新しい設計です。「最適設計」と呼ばれています。そして「最適設計」とは |
| |
それらの要素に重み付けをすることができます。そうですね。それで私はあるアイデアを思いつきました。「ご存知のとおり、私は過去に何度も、Dから |
| |
I最適設計に拡張するとどうなるでしょうか？実際、元の17回のD最適設計をI最適設計、さらにA最適設計に拡張し、二次項に重み付けをするとどうなるでしょうか？ |
| |
それとも、Dの最適設計をAの最適設計に拡張し、二次項に重み付けし、さらにIの最適設計に拡張したのでしょうか？つまり、DからA、そしてIへと、実際には2つの異なる拡張です。 |
| |
DからI、そしてAへ。そしてDからAへ。そう、これを元のデザインの選択と比較したかったのです。 |
| |
D最適設計とI最適設計の比較です。さて、私のアイデアはうまくいったと言いたいところですが、優れた統計学者として、そうではないと申し上げるべきでしょう。 |
| |
予測分散を見ると、応答曲面設計の観点から、設計領域全体で予測分散を最小化しようとしていることがわかります。 |
| |
元の設計の予測分散が低いことがわかります。A最適設計を行った時よりもずっと低く、A最適設計に直接移行した時よりもずっと低いのです。 |
| |
設計空間の割合を見ると、予測の分散はAの最適設計よりも設計空間全体ではるかに小さく、DからA、そしてIへと進んだときよりも少し良くなっていることがわかります。 |
| |
DからI、そしてAです。他のデザインと比較して、元のデザインで私が見た唯一の欠点は、二次効果があったことです。 |
| |
少しだけ高い相関関係を示しました。私が期待していたよりも少し高い相関関係です。そして、最適な設計では、二次効果ははるかに低いことがわかります。これが私の当初の論文です |
| |
多くの場合、科学者やエンジニアは過去に設計したことのあるものを所有しています。 |
| |
そして私がいつも言っているのは、過去と同じデザインをやりたくないのは当然だということです。何か違うものを試してみましょう。 |
| |
製品が少し違うかもしれません。プロセスが少し違うかもしれません。配合が少し違うかもしれません。それを元のデザインと比較することで、最適なデザインを選ぶことができます。 |
| |
最後に、Adsurgo のチーム メンバーに感謝したいと思います。 |
| |
ご存知のとおり、私たちには常にチームメンバーがいて、お客様もいます。お客様は難しい問題を抱えており、チームメンバーは常にお客様にとって最適なソリューションを提供するために取り組んでいます。 |
| |
さて、最後に確認しておきたいのは、これらのデザインは実際に顧客からの例を参考にしたものですが、全く同じ例ではありません。彼らのデータには何の根拠もありません。 |
| |
そこで私は、私の顧客の一人であるPoseida TherapeuticsのSean Essex氏に、非常に難しい問題を抱えていることが多いこと、そして時には |
| |
彼は問題を持ち出す。そして私はこう言う。「これが解決策だ。まだ誰も見たことのないものだ」と。だから |
| |
すてきな一日を。 |
