| 스피커 |
성적 증명서 |
| 히스 러싱 |
저는 히스 러싱입니다. 저는 애드서고(Adsurgo)의 대표입니다. 저희는 다양한 회사와 협력하는 교육 및 컨설팅 회사입니다. |
| |
오늘 아침에는 제약 및 생물제약 회사에서 일하면서 겪었던 몇 가지 경험에 대해 이야기해 보겠습니다. |
| |
많은 과학자와 엔지니어가 공정 및 제품 개발, 특성 분석, 제형 최적화와 같은 일을 하고 있습니다. |
| |
그리고 제가 발견한 것은 많은 과학자들이 과거에 비슷한 제품이나 공정, 제형에 사용했던 디자인을 가지고 있었다는 것입니다. |
| |
그리고 그들이 한 일은 계속해서 "이제 제가 과거에 사용했던 디자인을 가져와 볼게요"라고 말하는 것이었습니다. |
| |
효과가 있었죠. 예전에는 꽤 효과가 있었거든요. 그러니까 그냥 그 디자인을 그대로 써 봅시다." |
| |
이 모든 경우에 있어서 우리가 한 일은 원래 디자인을 가져와서 조금 다른 것을 할 수 있는 메커니즘을 고안해 낸 것입니다. 그렇죠. 우리는 그것을 보강하거나 |
| |
다른 종류의 최적화 기준을 적용하거나 실행을 추가하기 전이나 실행을 추가한 후에 확장했습니다. |
| |
첫 번째 사례는 하이브리드 디자인을 구축한 것이었습니다. 맞습니다. 그리고 첫 번째 사례는 제품 공식화... 죄송합니다... 공식 최적화 문제였습니다. |
| |
과거 과학자가 운영했던 곳은... 30회 운영되는 셰프-큐빅 혼합 설계였습니다. 혼합 설계에서, |
| |
공정 변수는 실험에서 변수이고, 요인은 혼합물입니다. 그리고 전체 혼합물의 합이 100%가 되는 특정 비율이 있습니다. |
| |
네, 그들은 이 방법이 충분히 효과적이라고 생각했고, 제형에 가장 적합한 설정을 찾는 데 도움이 된다고 생각했습니다. 하지만 그들이 정말 더 자세히 다루고 싶어 했던 한 가지는, |
| |
이러한 디자인은 실험에서 가장자리 근처의 디자인 지점을 살펴보는 경향이 있었습니다. 그리고 우리가 하고 싶은 것은 디자인 공간을 더욱 구체적으로 특성화하는 것입니다. |
| |
그래서 우리는 원래의 30회 실행 디자인을 채택했고, 그 대신 우리가 한 일은 18회를 실행한 실험을 개발하여 실험을 구성하는 것이었습니다. |
| |
혼합 실험을 한 후, 12개의 공간 충진 설계를 추가했습니다. 공간 충진 설계는 컴퓨터 시뮬레이션에서 많이 사용됩니다. |
| |
그리고 사실, 제가 한 번 컨퍼런스에서 이렇게 말했죠. "공간을 채우는 데 쓰인다는 거 아시죠?" 하지만 이 디자인들이 실제로 하는 일은, 두 가지를 비교해서 보여드리겠습니다. |
| |
디자인 포인트를 배치하는 겁니다. 이 경우에는 각 디자인 포인트 사이의 거리를 최소화하려고 노력합니다. |
| |
왼쪽 디자인에서 보시다시피, 그들이 충분히 잘하거나 적절하다고 생각했던 것은 30런 혼합 디자인이었습니다. 보시다시피, 이 디자인은 가장자리와 디자인의 정중앙에서 많이 작동합니다. 오른쪽 디자인은 정말... |
| |
18개의 혼합 디자인 포인트에 12개의 공간 채우기 디자인 포인트가 추가되었습니다. 즉, 사실상 혼합 디자인과 공간 채우기 디자인의 하이브리드 디자인이라고 할 수 있습니다. |
| |
보시다시피, 당신은 그들의 목표에 따라 특성을 파악하려고 노력합니다. |
| |
그 설계 공간은 조금 더 나아졌는데, 보시다시피 오른쪽 설계 공간이 그 설계 공간을 훨씬 더 잘 특성화했습니다. 그렇죠? 적절한 예측 분산을 가지고 있었죠. 그들이 선택한 설계를 실행했고, 최적의 해를 찾았습니다. |
| |
두 번째 디자인 선택 |
| |
이었고, 이것은 프로세스 특성화에서 많이 사용됩니다. 예전에는 많은 사람들이 프로세스 특성화 측면에서 실험 설계를 사용하기 전이었습니다. |
| |
많은 과학자들이 하던 일은 중심점을 설정점과 같은 방식으로 실행하는 것이었습니다. |
| |
그리고 PAR 실행, 즉 검증된 허용 범위(Provided Acceptable Range)를 수행합니다. 네 가지 공정 변수가 있다고 가정해 보겠습니다. 그러면 세 가지 공정 변수는 설정값으로 유지하고 네 번째 변수는 |
| |
극단으로 가세요. 가장 낮은 값과 가장 높은 값. 그리고 그들은 각각에 대해 그렇게 했습니다... 그들은 각 공정 매개변수에 대해 그런 일련의 실험을 했습니다. |
| |
그들이 실제로 보여주는 것은 모든 것이 설정 지점에 있고 이 중 하나가 가장자리 근처에서 벗어나면 |
| |
그러면 사양에 잘 맞는다는 걸 증명하면 됩니다. 그렇죠. 그런데도 그들은 여전히 이런 실험을 많이 하는 걸 좋아하죠. |
| |
제가 시작한 설계는 과학자가 PAR과 중심점 실행을 수행한 후 최적의 설계를 구축한 후 이를 추가하는 것이었습니다. |
| |
그리고 I 최적 설계는 예측 및 최적화에 사용됩니다. 이 경우에는 그들이 원했던 종류의 설계였지만, I 최적 설계 이후에 추가했습니다. |
| |
제가 그들에게 한 질문은 이렇습니다. 최적의 설계를 구축하기 전에 그 런들을 그냥 추가하면 안 될까요? 만약 그렇다면, |
| |
JMP의 ??? 알고리즘은 "알다시피, 그 점들을 취해서 다음으로 가장 좋은 실행 세트를 찾아내겠습니다."라고 말합니다. |
| |
맞아요. 그래서 저희는 그 18개의 설계 포인트를 더해서 11개를 더 추가했습니다... 죄송해요, 11개에서... 원래 11개의 설계 포인트와 18개의 최적 포인트로 말이죠. 이렇게 할 때마다 설계를 보면, 바로 여기에 PAR 실행이 추가된 것을 알 수 있습니다... |
| |
이전에 추가되었고, 요인 상호작용에서 주효과의 검정력, 즉 2차 효과가 PAR 실행을 나중에 추가했을 때보다 더 높다는 것을 알 수 있습니다. 생산 분산이 |
| |
예측 분산을 보면, 예측 분산은 매우 유사합니다. 하지만 보시다시피, 설계 공간의 경계에 바로 가까워요. |
| |
PAR 실행은 I optimal로 증강될 때마다 훨씬 더 작았습니다. |
| |
여기서 핵심은 상관관계를 살펴볼 때마다 상관관계, 특히 주요 효과와의 상관관계가 PAR 증가와 두 가지 I 최적치를 사용했을 때 이전에 했던 방식보다 훨씬 좋아졌다는 것입니다. 이전에는 I 최적치를 사용하고 PAR 실행으로만 증가시켰습니다. |
| |
세 번째 설계입니다. 세 번째 설계는 과학자가 17회 실행 D 최적 설계를 채택하고, 여기에 8회 실행을 추가하여 D 최적 설계에서 I 최적 설계로 전환한 것입니다. |
| |
이제 그들은 D 최적 설계, 즉 스크리닝 설계로 시작해서 포인트를 추가하여 I 최적 설계로 전환했습니다. JMP |
| |
has a has a... 사실 새로운 디자인은 아니지만 JMP의 새로운 디자인입니다. 최적 디자인이라고 합니다. 그리고 최적 디자인 |
| |
그 요소들을 어느 정도 가중할 수 있게 해 줍니다. 그렇죠. 그래서 아이디어가 떠올랐습니다. "저도 예전에 여러 번 D에서 |
| |
I 최적 설계로 확장했습니다. 이렇게 하면 어떨까요? 실제로 원래 17번 실행된 D 최적 설계를 I로 확장한 다음 A로 확장하고, 이차 항의 가중치를 적용하면 어떨까요? |
| |
아니면 D 최적 설계를 취하고 이를 A 최적 설계로 확장하여 2차 항을 가중한 다음 I 최적 설계로 확장한 것입니까? 따라서 실제로는 D에서 A로, A에서 I로 확장하는 두 가지 다른 확장입니다. |
| |
그리고 D에서 I로, I에서 A로. 그리고 D에서 A로 바로 갔죠. 맞아요. 그리고 저는 이것을 원래 디자인 선택과 비교하고 싶었는데, |
| |
D 최적 설계 대 I 최적 설계. 자, 제 아이디어가 성공했다고 말씀드리고 싶습니다. 하지만 훌륭한 통계학자로서, 저는 그렇지 않았다고 생각합니다. |
| |
반응 표면 설계 측면에서 예측 분산을 살펴보면 설계 영역 전체에서 예측 분산을 최소화하려고 합니다. |
| |
원래 설계의 예측 분산이 더 낮다는 것을 알 수 있죠. 네, 제가 A 최적 설계를 할 때마다 그랬던 것보다 훨씬 더 낮습니다. 바로 A 최적 설계로 넘어갔죠. |
| |
설계 공간의 분수를 살펴보면 설계 공간 전체에서 예측 분산이 A 최적 설계보다 훨씬 작고 D에서 A로, 그리고 I로 갔을 때보다 약간 더 나은 것을 알 수 있습니다. |
| |
그리고 D에서 I로 A로. 다른 디자인 선택과 비교했을 때 원래 디자인에서 내가 본 유일한 단점은, 아시다시피, 2차 효과가 있었다는 것입니다. |
| |
제가 보고 싶었던 것보다 상관관계가 조금 더 높았습니다. 그리고 최적 설계 A는 이차 효과가 훨씬 낮다는 것을 알 수 있습니다. 그래서 제 원래 논문은 |
| |
과학자와 엔지니어가 과거에 만들었던 디자인을 다시 사용하는 경우가 많습니다. |
| |
그리고 제가 항상 하는 말은, 우리가 과거에 했던 것과 똑같은 디자인을 하고 싶지 않다는 건 당연하다는 겁니다. 뭔가 다른 걸 시도해 보자는 거죠. |
| |
제품은 조금씩 다를 수 있습니다. 제작 과정도, 제형도 조금씩 다를 수 있습니다. 이를 바탕으로 원래 디자인과 비교해보면 가장 마음에 드는 디자인을 고르실 수 있을 겁니다. |
| |
마지막으로, Adsurgo의 팀원들에게 감사의 말씀을 전하고 싶습니다. |
| |
우리에게는 항상 팀원이 있고, 고객도 있습니다... 어려운 문제를 안고 오는 고객과, 항상 고객을 위해 최적의 솔루션을 찾기 위해 노력하는 팀원이 있습니다. |
| |
마지막으로 제가 해야 할 일은, 이 디자인들이 실제로 고객들의 예시에서 따온 것이지, 정확한 예시는 아니라는 점입니다. 고객들의 데이터에는 아무런 정보가 없습니다. |
| |
그래서 저는 종종 매우 어려운 문제를 안고 있는 Poseida Therapeutics의 고객 중 한 명인 Sean Essex에게 감사의 말을 전하고 싶습니다. |
| |
그는 문제를 제기할 겁니다. 그러면 저는 "이게 해결책이고, 우리가 아직 본 적도 없는 거야"라고 말할 겁니다. 그래서 |
| |
좋은 하루 보내세요. |
