| Vocero |
Transcripción |
| Heath Rushing |
Me llamo Heath Rushing. Soy director de Adsurgo, una empresa de capacitación y consultoría que colabora con diversas empresas. |
| |
Esta mañana voy a hablar de algunas experiencias que tuve trabajando con empresas farmacéuticas y biofarmacéuticas. |
| |
Muchos científicos e ingenieros están haciendo cosas como desarrollar procesos y productos y optimizar la formulación y caracterización. |
| |
Y lo que encontré es que muchos de estos... muchos de estos científicos tenían diseños que usaron en el pasado con un producto, proceso o formulación similar. |
| |
Y lo que hicieron fue seguir adelante y simplemente dijeron: "Oye, déjame tomar ese diseño que he usado en el pasado. |
| |
Funcionó. Ya sabes, funcionó bastante bien en el pasado. Así que sigamos adelante y usemos ese diseño. |
| |
En cada uno de estos casos, lo que hicimos fue tomar el diseño original y crear algún tipo de mecanismo para hacer algo un poco diferente. Correcto. Lo mejoramos con un... |
| |
con un tipo diferente de criterio de optimización o lo aumentamos antes de que agregaran carreras o después de que agregaran carreras. |
| |
En el primer caso, lo que hicimos fue crear un diseño híbrido. Correcto. Y luego, el primer caso fue la formulación de un producto... perdón... un problema de optimización de la formulación. |
| |
Donde un científico en el pasado... tenía un diseño de mezcla Scheffe-Cúbica de 30 ejecuciones. En un diseño de mezcla, |
| |
Los parámetros del proceso son variables, factores en el experimento y mezclas. Por lo tanto, existe un porcentaje donde la mezcla total suma el 100%. |
| |
Bien, sintieron que esto funcionaba bastante bien y les ayudó a encontrar la configuración óptima para la formulación. Sin embargo, algo que realmente querían abordar con más detalle es... |
| |
Estos diseños tendían a centrarse en puntos de diseño en nuestro experimento cerca de los bordes. Y lo que queremos hacer es caracterizar aún más el espacio de diseño. |
| |
Entonces tomamos el diseño original de 30 ejecuciones y, en lugar de hacer eso, lo que hicimos fue ejecutar un... desarrollamos un experimento construyendo el experimento donde ejecutamos 18 |
| |
Experimentos de mezcla y luego lo ampliamos con un diseño de relleno de espacio de 12. Este diseño se usa mucho en simulaciones por computadora. |
| |
Y, de verdad, ya sabes, dije esto en una conferencia: "Se usa para llenar espacio". Pero, en realidad, lo que hacen estos diseños, y voy a mostrar la comparación entre ambos, |
| |
Se van a colocar puntos de diseño. En este caso, intento minimizar la distancia entre cada punto de diseño. |
| |
Como pueden ver en el diseño de la izquierda, el que consideraron adecuado fue el diseño de mezcla de 30 carreras. Y, como pueden ver, opera mucho cerca de los bordes y justo en el centro del diseño. El de la derecha fue realmente... |
| |
18 puntos de diseño de mezcla, complementados con 12 puntos de diseño de relleno. Por lo tanto, se trata de un diseño híbrido entre un diseño de mezcla y uno de relleno. |
| |
Como podéis ver, ya sabéis, basándose en su objetivo de intentar caracterizar |
| |
Ese espacio de diseño mejoró un poco. Como pueden ver, el de la derecha lo caracterizó mucho mejor, ¿verdad? Tuvo una varianza de predicción adecuada. Fue un diseño que eligieron ejecutar y encontraron su solución óptima a partir de esto. |
| |
La segunda opción de diseño |
| |
era, y esto se usa mucho, en la caracterización de procesos, es decir, en los viejos tiempos, antes de que mucha gente usara el diseño de experimentos en términos de caracterización de procesos, |
| |
Lo que muchos científicos hacían era ejecutar carreras en el punto central como si fuera su punto de ajuste. |
| |
Y luego también hacen lo que se llama ejecuciones PAR, o rango aceptable comprobado, ¿cierto? Digamos que tenían cuatro parámetros de proceso. Lo que harían es mantener tres de los parámetros de proceso en el punto de ajuste y tener el cuarto... |
| |
Llegaban a los extremos. El valor más bajo y el más alto. Y lo hacían para cada... hacían una serie de experimentos similares para cada parámetro del proceso. |
| |
Lo que realmente están mostrando es que, ya sabes, si todo está en un punto establecido y uno de estos se desvía cerca de los bordes, |
| |
Entonces, simplemente probaremos que cumple con las especificaciones. Correcto. Y luego, les gusta hacer muchas de estas pruebas. |
| |
El diseño con el que comencé fue que tenía un científico que tomó esos PAR y esas carreras de punto central y los agregó después de construir un diseño óptimo. |
| |
El diseño óptimo se utiliza para la predicción y la optimización. En este caso, ese es el tipo de diseño que buscaban, pero lo añadieron después del diseño óptimo. |
| |
Mi pregunta fue: ¿por qué no toman esas carreras y las agregan antes de construir el diseño óptimo? Si ese fuera el caso, |
| |
El algoritmo ??? en JMP diría: "Voy a tomar esos puntos y crear el siguiente mejor conjunto de ejecuciones". |
| |
Correcto. Tomamos esos 18 puntos de diseño y los ampliamos con 11 más... Disculpe, los 11... los 11 puntos de diseño originales y 18 puntos óptimos. Siempre que hicimos esto, si observan el diseño, aquí es donde se añadieron las carreras PAR... |
| |
Se añadieron antes, y se observa que la potencia de los efectos principales, en las interacciones factoriales, los efectos cuadráticos son mayores que si se añadieran las ejecuciones PAR después. Se observa que la varianza de producción, |
| |
Si observas la varianza de la predicción, es muy similar. Pero, como ves, justo cerca del borde de los espacios de diseño, ves que esos... |
| |
Las ejecuciones PAR, siempre que las aumentamos con I óptimo, fueron mucho más pequeñas. |
| |
La clave aquí es que cada vez que miraba la correlación, creo que la correlación, especialmente con los efectos principales, es mucho mejor con el aumento de PAR y dos I óptimos en comparación con lo que hicieron antes, donde tomaron los I óptimos y simplemente los aumentaron con las ejecuciones de PAR. |
| |
El tercer diseño. El tercer diseño fue cuando un científico tomó un diseño óptimo D de 17 ejecuciones y lo amplió con ocho ejecuciones, pasando de un diseño D a uno I. |
| |
Ahora comenzaron con un diseño óptimo D, un diseño de cribado, lo aumentaron con puntos para pasar a un diseño óptimo I. JMP |
| |
Tiene un... no es realmente un diseño nuevo, pero es un nuevo diseño para JMP; se llama un diseño óptimo. Y un diseño óptimo |
| |
Te permite ponderar cualquiera de esos factores. Correcto. Y entonces tuve una idea. Dije: "Sabes, muchas veces en el pasado pasé de una D... |
| |
Aumentado a un diseño óptimo I. ¿Qué pasaría si hiciéramos esto? En realidad, ¿qué pasaría si tomáramos ese diseño óptimo D original de 17 ejecuciones y lo aumentáramos a un I, luego a un A, donde ponderáramos esos términos cuadráticos? |
| |
¿O tomamos el diseño óptimo D, lo ampliamos a un diseño óptimo A donde ponderamos los términos cuadráticos y luego a un diseño óptimo I? Entonces, son realmente dos ampliaciones diferentes, pasando de un D a un A a un I, |
| |
y D a una I a una A. También fue directo a D a A. Correcto. Y quería compararlo con la elección de diseño original, que era |
| |
Un diseño óptimo D versus uno I. Ahora bien, me gustaría decirles que mi idea funcionó. Pero, como buen estadístico, debo decirles que no creo que fuera así. |
| |
Si observo la varianza de predicción, que, en términos del diseño de la superficie de respuesta, estamos tratando de minimizar la varianza de predicción en toda la región de diseño, |
| |
Como ven, la varianza de la predicción para su diseño original es menor. Bueno, incluso mucho menor que cuando hice el diseño óptimo A, directamente al diseño óptimo A. |
| |
Si observas la fracción del espacio de diseño, verás que la variación de predicción es mucho menor en todo el espacio de diseño que en el diseño óptimo A y es un poco mejor que cuando pasé de D a A a I. |
| |
y D a I a A. Lo único negativo que vi con el diseño original en comparación con las otras opciones de diseño fue que, ya sabes, había algunos efectos cuadráticos, cierto, había algunos efectos cuadráticos. |
| |
que tenía una correlación ligeramente mayor, un poco mayor de la que me gustaría ver. Y, como ven, el diseño óptimo tiene efectos cuadráticos mucho menores. Así que mi tesis original... |
| |
Muchas veces, los científicos e ingenieros tienen diseños que han realizado en el pasado. |
| |
Y siempre digo que tiene sentido que no queramos repetir el mismo diseño que hemos hecho antes. Probemos algo diferente. |
| |
El producto puede ser ligeramente diferente. El proceso puede serlo. La formulación puede serlo. Si comparas esto con el diseño original, podrás elegir la mejor opción. |
| |
Me gustaría, ya sabes, lo último que me gustaría agradecer a los miembros de mi equipo en Adsurgo. |
| |
Siempre contamos, ya sabes, con miembros del equipo y también con nuestros clientes... nuestros clientes se presentan con problemas desafiantes y nuestros miembros del equipo siempre trabajan para encontrar soluciones óptimas para nuestros clientes. |
| |
Ahora, lo último que tengo que hacer es... estos diseños se tomaron de ejemplos de clientes, pero no eran los ejemplos exactos. No hay nada con sus datos. |
| |
Así que me gustaría saludar a uno de mis clientes, Sean Essex de Poseida Therapeutics, que a menudo se enfrenta a problemas muy difíciles y, a veces, |
| |
Se le ocurrirá un problema. Y yo diré, ya sabes, esta es una solución y es algo que realmente ni siquiera hemos visto todavía. Así que... |
| |
qué tengas un lindo día. |
