| 揚聲器 |
抄本 |
| 希思·拉辛 |
我叫希斯‧拉欣 (Heath Rushing)。我是 Adsurgo 的負責人，我們是一家培訓和顧問公司，與許多不同的公司合作。 |
| |
今天上午，我將談談我在製藥和生物製藥公司工作的一些經歷。 |
| |
許多科學家和工程師正在從事製程和產品開發以及特性配方優化等工作。 |
| |
我發現其中很多……很多科學家過去都曾使用過類似的產品、工藝或配方的設計。 |
| |
他們所做的就是繼續前進，他們只是說，「嘿，讓我採用我過去使用過的設計。 |
| |
它成功了。你知道，它過去一直運作良好。所以我們就繼續使用這個設計吧。 |
| |
在每一個例子中，我們的做法是，在原有設計的基礎上，設計出某種機制，做一些稍微不同的事情。對。我們要么用一個 |
| |
使用不同類型的最佳化標準，或者我們在他們添加運行之前或之後對其進行增強。 |
| |
第一個案例我們做的是，我們建立了一個混合設計。對。然後第一個案例是產品配方……抱歉……配方優化問題， |
| |
過去有一位科學家…進行了30次Scheffe-Cubic混合設計。在混合設計中， |
| |
製程參數是變量，實驗中的因素是混合物。因此，存在一個特定的百分比，使整體混合物加起來等於100%。 |
| |
是的，他們覺得這個方法效果很好，能幫他們找到配方的最佳設定。不過，他們真正想進一步談談的一件事是，他們說， |
| |
這些設計傾向於在實驗中關注邊緣附近的設計點。我們想要做的是進一步刻畫設計空間。 |
| |
因此，我們採用了最初的 30 次運行設計，但我們沒有這樣做，而是進行了一次……我們開發了一個實驗，構建了 18 次運行的實驗 |
| |
混合實驗，然後我們用12空間填充設計對其進行了擴展。空間填充設計在電腦模擬中被廣泛使用。 |
| |
真的，你知道，我曾經在一次會議上說過，「你知道它是用來填充空間的。」但這些設計到底起什麼作用，我要對兩者進行比較， |
| |
它會放置設計點。在這個例子中，我嘗試最小化每個設計點之間的距離。 |
| |
如你所見，左邊的設計，他們認為足夠好或合適的是30次混合運行設計。如你所見，它在設計的邊緣和中心附近運行得很多。右邊的設計實際上 |
| |
18個混合設計點數加上12個空間填滿設計點。所以這實際上是一種混合設計，是混合設計和空間填充設計的混合。 |
| |
正如你所看到的，你知道，基於他們的目標，試著描述 |
| |
那個設計空間稍微好一點，正如你所看到的，右邊的那個在表徵那個設計空間方面做得更好，對吧？它有足夠的預測方差。這是他們選擇運行的一個設計，他們找到了一個，並在此基礎上找到了最優解。 |
| |
第二種設計選擇 |
| |
在過去，很多人使用實驗設計來描述製程特性， |
| |
許多科學家會做的是，他們會像設定點一樣運行中心點 |
| |
然後還要進行所謂的PAR運行，或者說要驗證可接受範圍。假設他們有四個製程參數。他們會做的是，將其中三個製程參數保持在設定點，並將第四個 |
| |
走向極端。最低值和最高值。他們會針對每個製程參數進行一系列類似的實驗。 |
| |
它們實際上表明的是，如果所有東西都在設定點，而其中一個在邊緣附近偏離， |
| |
然後我們只需要證明它完全符合規格。對。所以他們仍然喜歡做很多這樣的運行。 |
| |
我開始的設計是，我有一個科學家，他採用了那些 PAR 和那些中心點運行，並在他們建立了 I 最優設計之後將它們添加進去。 |
| |
I 最優設計用於預測和最佳化。在本例中，這就是他們想要的設計類型，但他們在 I 最優設計之後添加了它。 |
| |
我問他們，為什麼不直接把這些測試結果加進去，然後再建造最優設計呢？如果是這樣的話， |
| |
JMP 中的 ??? 演算法會說，“你知道，我要獲取這些點，然後得出下一組最佳的運行結果。” |
| |
對。所以我們取了這18個設計點，然後又增加了11個……抱歉，是11個……加上……原來的11個設計點和18個最佳點。每次我們這樣做的時候，如果你在設計中查看，你會發現，這就是PAR運行被添加的地方… |
| |
在先前加入，你會發現，在因子交互作用中，主效應的功效，即二次效應，比在之後添加PAR運行的結果要高。你會看到，生產方差， |
| |
如果你看預測方差，你會發現預測方差非常相似。但你看，就像在設計空間的邊緣附近，你會看到那些 |
| |
每當我們用 I 最優值增強 PAR 運行時，PAR 運行次數就會少很多。 |
| |
這裡的關鍵是，每當我觀察相關性時，我認為相關性，特別是主效應，在使用 PAR 增強和兩個 I 最優時要好得多，而他們之前的做法是採用 I 最優，然後用 PAR 運行來增強它們。 |
| |
第三個設計。第三個設計是，我讓一位科學家進行了 17 次運行的 D 最優設計，然後又進行了 8 次運行，最終從 D 最優設計變成了 I 最優設計。 |
| |
現在他們從D最優設計（一種篩選設計）開始，然後通過點集擴充，最終過渡到I最優設計。 JMP |
| |
有一個……這並非真正的新設計，但它是 JMP 的新設計；它被稱為“最優設計”。 “最優設計” |
| |
允許你權衡這些因素。對。所以我有了一個主意。我說：「你知道，我過去很多次，從D開始 |
| |
擴展到 I 最優設計。如果我們這樣做會怎麼樣？實際上，如果我們把原來的 17 次運行的 D 最優設計擴展到 I 最優設計，然後再擴展到 A 最優設計，我們會怎麼樣？其中我們將這些二次項加權， |
| |
或者我們採用 D 最優設計，將其增強為 A 最優設計，其中我們對二次項進行加權，然後增強為 I 最優設計？ 「所以這實際上是兩種不同的增強，從 D 到 A 再到 I， |
| |
以及 D 到 I 到 A。也直接變成了 D 到 A。對。我想把它和最初的設計選擇做個比較，最初的設計選擇是 |
| |
D 型與 I 型最優設計。現在，我真的很想告訴你們，我的想法是可行的。但作為一名優秀的統計學家，我應該告訴你們，我認為事實並非如此。 |
| |
如果我看一下預測方差，就響應曲面設計而言，我們試圖最小化整個設計區域的預測方差， |
| |
你看，他們原始設計的預測方差更低了。好吧，甚至比我做A類最優設計時低很多，直接用A類最優設計。 |
| |
如果你看一下設計空間的比例，你會發現整個設計空間的預測變異數比 A 最優設計小得多，而且比我從 D 到 A 再到 I 時要好一點， |
| |
D 到 I 到 A。與其他設計選擇相比，我發現原始設計唯一的缺點是，你知道，有一些二次效應，對，有一些二次效應 |
| |
相關性比我希望看到的要高一點。而且你看，最優設計，它的二次效應低很多。所以我最初的論點是 |
| |
很多時候，科學家和工程師都有過去做過的設計。 |
| |
我總是說，我們不想重複過去的設計，這很正常。讓我們來嘗試一些不同的東西吧。 |
| |
產品可能略有不同，工藝可能略有不同，配方也可能略有不同。如果你用這些與原始設計比較，就能選出最佳的設計方案。 |
| |
最後，我想感謝 Adsurgo 的團隊成員。 |
| |
您知道，我們一直都有團隊成員和客戶......我們的客戶提出了具有挑戰性的問題，而我們的團隊成員始終致力於為我們的客戶提供最佳解決方案。 |
| |
現在，我最後要說的是，這些設計確實是從客戶的例子中藉鏡而來，但並非完全相同的例子。它們的數據沒有任何意義。 |
| |
因此，我想向我的一位客戶 Sean Essex（來自 Poseida Therapeutics）表示感謝，他經常遇到一些非常棘手的問題，有時 |
| |
他會提出一個問題。然後我會說，你知道，這是一個解決方案，而且是我們還沒見過的。所以 |
| |
祝你有美好的一天。 |
