바이오의약품의 품질은 여러 요인의 영향을 받습니다. 이러한 요인들을 이해하는 것은 환자에게 최고 품질의 제품을 제공하고 규제 요건을 준수하는 데 필수적입니다. JMP는 데이터 탐색에 사용하기 간편합니다. 그러나 대규모 데이터 세트 내 또는 데이터 세트 간의 상관관계는 종종 복잡하여 표준 JMP 환경에서 사용할 수 없는 도구가 필요합니다.
반면에 파이썬의 머신러닝 기능은 거의 모든 데이터 과학 문제에 대한 해결책을 제공합니다. 하지만 많은 전문가들에게 파이썬 프로그래밍 코드는 어려운 경우가 많습니다. 이러한 어려움을 해결하기 위해, 본 논문에서는 JMP Pro의 확장된 기능을 대체할 수 있는 방법으로 파이썬을 머신러닝 문제에 활용하는 방법을 제시합니다.
본 연구에서는 JMP 저널을 활용하여 사용자가 머신러닝 워크플로우를 단계별로 따라갈 수 있도록 안내합니다. 데이터 보간 및 기타 데이터 정리 작업과 같은 데이터 시각화 단계는 JMP를 사용하여 수행됩니다. 머신러닝 알고리즘 적용 및 검증은 Scikit-learn 파이프라인을 사용하는 Python으로 진행됩니다. 마지막으로, 결과 시각화 또한 JMP를 통해 구현되어 사용자가 그래프를 간편하게 수정할 수 있도록 합니다.
본 연구에서는 이 도구를 사용하여 특정 출력 매개변수에 가장 큰 영향을 미치는 요인을 식별하는 방법을 보여줍니다.
오늘 저는 파이썬과 JMP를 통합하여 JMP의 데이터 탐색 기능과 파이썬의 머신러닝 기능을 활용하는 방법에 대해 이야기하고자 합니다. 하지만 그 전에, 왜 이러한 통합이 필요한지에 대한 간략한 소개부터 드리겠습니다.
저는 렌츠슐러 바이오파마에서 일하고 있으며, 저희 회사는 CDMO 방식을 통해 바이오의약품을 생산하고 있습니다. 물론 저희의 목표는 생산 공정을 이해하고 개선하는 것입니다. 하지만 그러기 위해서는 공정을 제대로 이해해야 하고, 그래야만 최상의 품질을 제공할 수 있습니다.
일반적인 생산 공정이나 공정 단계를 생각해 보면, 왼쪽에 보이는 크로마토그래피 컬럼이 있습니다. 이는 단백질을 정제하기 위해 수행하는 일반적인 단계 중 하나입니다. 이 공정 단계에 영향을 미치는 여러 요인들을 알고 있습니다. 예를 들어, 시료 밀도, 유속, pH, 온도 등이 있습니다.
물론 모든 생산 공정은 이러한 단계들을 많이 거칩니다. 예를 들어 생물반응기, 여과, 여러 단계의 크로마토그래피 또는 투석여과 등을 들 수 있습니다. 각 공정 단계는 수많은 요인의 영향을 받습니다.
공정 특성 분석, 즉 모든 개발 프로젝트의 초기 단계에서는 일반적으로 실험 설계 접근법을 사용합니다. 예를 들어 유속, pH, 투입 밀도를 변화시켜 이러한 요소들이 어떻게 상호 작용하고, 함께 또는 개별적으로 제품 품질에 어떤 영향을 미치는지 살펴봅니다. 이는 PPQ(제품 품질 평가) 캠페인을 시작하거나 상업 공정을 시작하는 데 매우 유용한 출발점입니다.
하지만 시간이 지나면서 상업적인 생산 과정에서 상당한 양의 데이터가 생성될 것입니다. 물론 이 데이터는 무작위 데이터이지만, 100개의 배치(batch)를 생산할 경우 어떤 일이 벌어질지, 그리고 제품 품질 데이터가 얼마나 다양하게 나타날지를 보여주는 좋은 예입니다. 여러분의 목표는 이러한 제품 품질에 어떤 영향이 미치는지, 또는 공정 특성 분석에서 놓친 부분이 무엇인지 파악하는 것입니다. 이를 위해 머신러닝은 이상적인 도구입니다.
하지만 대부분의 중소기업 전문가, 즉 해당 프로세스를 이해하는 전문가들은 머신러닝에 익숙하지 않고 코딩에도 능숙하지 않은 경우가 많습니다. 반면에 정보학자들은 생물학적 프로세스에 익숙하지 않은 경우가 많아 매우 엉뚱한 예측 결과가 나올 수도 있습니다.
여기서 핵심은 중소기업이 사용하기 쉬운 JMP를 활용하여 데이터를 최대한 활용하고, 코드가 드러나지 않도록 머신러닝을 적용하는 것입니다.
이를 위해 저는 사용하기 쉬운 JMP 저널을 사용하는데, 몇 분 후에 보여드리겠습니다. 워크플로우 측면에서 보면, 몇몇 처리 단계에서는 JMP를 사용하고, 나머지 프로세스에서는 백그라운드에서 Python을 사용하지만, 사용자는 Python 코드를 전혀 볼 수 없습니다.
예를 들어 JMP의 경우, 데이터를 탐색하고, 정리하고, 확장하거나 특징을 생성하는 등 머신러닝 과학자의 시간을 가장 많이 소모하는 일반적인 단계를 모두 거치게 됩니다.
그런 다음 이 데이터는 파이썬으로 직접 전달되어 모델 선택이나 하이퍼파라미터 튜닝과 같은 일반적인 머신러닝 작업이 수행됩니다. 작업이 완료되면 데이터는 다시 JMP로 돌아와 시각화됩니다. 물론, 보고서를 작성하고 싶다면 사용자가 직접 코드를 작성할 필요 없이 파이썬을 통해 간편하게 생성할 수 있습니다.
한 가지 예를 들자면, 매개변수 스케일링을 생각해 볼 때 머신러닝 알고리즘은 모든 변수가 동일한 스케일일 때 선호합니다. 그렇지 않으면 특정 변수 하나가 모델에 지나치게 큰 영향을 미칠 수 있기 때문입니다. 물론 이는 사용하는 알고리즘에 따라 다릅니다. 하지만 일반적인 개념은 스케일링이 모델 성능 향상에 도움이 된다는 것입니다. 모든 변수를 비교 가능하게 만들고, 특정 변수가 모델에서 우위를 점하지 않도록 하는 것이 중요합니다.
이를 위해 저희는 JMP 저널을 사용하는데, 지금 보여드리겠습니다. 저널은 이렇게 생겼습니다. 시작 데이터로는 제품 품질 데이터를 사용하거나, 임의의 데이터로 구성된 예시 표를 사용할 수 있습니다.
종종 모든 데이터 유형이 올바르지 않은 경우를 볼 수 있습니다. 예를 들어, 여기에서 처음 세 열은 범주형 데이터입니다. 알고리즘을 위해 이러한 데이터를 숫자형 데이터로 변환해야 할 수도 있습니다. 반대로, 현재는 연속형 데이터인 요인을 범주형으로 바꾸고 싶을 수도 있습니다. 이 또한 매우 쉽게 처리할 수 있습니다.
그리고 흔히 발생하는 또 다른 문제는 데이터가 누락되는 경우입니다. 여기 pH 열을 보면 데이터가 일부 누락된 것을 알 수 있습니다. 이런 경우 어떻게 처리해야 할지 궁금하실 텐데요. 누락된 데이터는 쉽게 채울 수 있습니다. 예측값을 사용할 수도 있지만, 간단하게 평균값이나 중앙값을 입력하는 방법도 있습니다. 평균값을 입력해 보겠습니다. 자동으로 채워집니다.
마지막으로 스케일링 접근 방식을 살펴보겠습니다. 동일한 축을 기준으로 스케일링하고 싶다고 가정해 보겠습니다. 이것이 바로 표준화입니다. 여기에 이러한 요소들이 있습니다. 이를 원핫 인코딩으로 변환하고 싶을 것입니다. 클릭만 하면 됩니다. 로그 스케일링이 적용된 다른 요소들이 있을 수도 있습니다. 같은 방식으로 로그정규 변환을 수행하고, 필요에 따라 스케일링을 적용할 수 있습니다.
결론적으로, 여러분은 여전히 결과 열과 다양한 변환된 열들을 가지고 있으며, 이를 어떤 모델에든 활용할 수 있습니다. 그런 다음 이 데이터를 파이썬에 전달하기만 하면 됩니다. 예측하고 싶은 대상을 선택하면 됩니다. 예를 들어, 엘라스틱 넷이 괜찮은 성능을 보인다면, 어떤 회귀 모델이 가장 좋을지 판단할 수 있습니다. 두 모델 모두 사용해 보고 차이점을 비교해 볼 수도 있습니다. 그런 다음 백그라운드에서 하이퍼파라미터 튜닝을 수행하고 성능을 분석할 수 있습니다. 물론 이 과정은 컴퓨터에 다소 부담을 줄 수 있습니다.
이 두 모델을 통해 최종 컬럼의 pH, 시간, 기타 변수와 같이 최종 컬럼의 값을 예측하는 데 영향을 미치는 세 가지 요인을 모두 식별했음을 알 수 있습니다. 두 모델 모두 본질적으로 동일한 결과를 보여주는데, 이는 매우 고무적인 결과입니다. 따라서 여러분이 관심을 갖고 조사해 볼 만한 세 가지 요인은 바로 이 세 가지입니다. 지금까지 경청해 주셔서 감사합니다.
