Cerba Research est une société de renommée mondiale spécialisée dans la fourniture de solutions analytiques et diagnostiques de premier ordre adaptées aux essais cliniques dans le monde entier. Chez Cerba Research Montpellier, notre équipe dédiée personnalise les protocoles d'immunohistochimie pour détecter des expressions cibles spécifiques dans les coupes de tissus des patients. Pour répondre à la demande croissante de développement de protocoles et améliorer la rentabilité des processus, nous reconnaissons le besoin vital de rationaliser les délais de développement et de réduire les coûts.
Compte tenu de la diversité des protocoles personnalisés à développer, l'approche OFAT conventionnelle (un facteur à la fois) n'est plus suffisante. Nous avons donc entrepris une évaluation approfondie, en comparant diverses méthodologies de conception d'expériences (DOE), y compris la conception personnalisée et la conception de remplissage d'espace, en utilisant JMP. Ces approches DOE sont évaluées par rapport aux protocoles OFAT précédemment développés. Nous présentons des données illustrant les avantages comparatifs des approches OFAT et DOE, en termes de rentabilité et de qualité.
Bonjour. Je m'appelle Marie Gérus-Durand et je travaille chez Cerba Research en tant qu'ingénieure validation. Aujourd'hui, je vais vous montrer comment nous pouvons réduire les coûts et améliorer la qualité en utilisant la conception d'expériences lors de la mise en place de protocoles cliniques d'immunohistochimie. En guise d'introduction, Cerba Research est une entreprise mondiale avec des activités sur tous les continents. J'ai surligné en jaune le département pour lequel je travaille.
C'est le département de pathologie et d'IHC. Le principal département de recherche en IHC est basé à Montpellier où je travaille. Qu'est-ce que l'immunohistochimie ? L'immunohistochimie est une étude des protéines ou de diverses cibles dans les tissus. Lorsque vous faites des biopsies, nous découpons des lames de tissu libérables, et vous utilisez une technologie basée sur des anticorps pour détecter différentes cibles d'un terroriste sur le tissu que nous pouvons voir au microscope ou avec un scanner, sur des images numérisées.
Ici, par exemple, vous avez un tissu cutané où vous voyez une belle cible, colorée en rouge. Plus d'un quart de nos activités dans la mise en place de protocoles pour nos clients de Cerba Research Montpellier. Nous avons plus de 50 clients. Chacun de ces clients a une cible de prédilection. Il est crucial pour nous de pouvoir être rapide et de mettre en place la meilleure stratégie de développement afin de rester compétitifs sur tout un pan d'un protocole mis en place pour les essais cliniques.
Voici un exemple d'une autre coloration, et c'est la coloration que j'utiliserai dans le premier exemple. Je vais vous la montrer. Il s'agit de la détection d'une cible en marron ici par IHC, donc ce protocole permet de détecter une seule cible. Nous l'appelons un simplex, et c'est une grande partie de ce que nous faisons.
Notre approche actuelle est un facteur à la fois, nous allons donc d'abord évaluer l'accessibilité de l'antigène du tissu pour les cibles à reconnaître, puis nous ferons un titrage de l'anticorps pour trouver la meilleure condition, donnant le meilleur rapport signal/rapport, et nous ferons une optimisation supplémentaire si nécessaire. Chaque flèche ici, c'est une étape dans le protocole de développement, et chaque étape est au moins un cycle d'automate, et chaque cycle dure au moins quatre jours depuis la demande jusqu'aux résultats du test.
Pour améliorer la rentabilité de nos subventions et le nombre de protocoles développés, nous devons réduire le temps et le nombre de tests pour arriver au protocole optimisé. Je schématise ici notre stratégie, nous testons donc deux conditions d'accessibilité aux antigènes sans anticorps ou avec une consultation d'anticorps définie, et nous avons donc ces quatre points. Ensuite, nous choisissons la meilleure, c'est-à-dire la condition deux pour effectuer un titrage de l'anticorps qui a le plus de points, mais que se passe-t-il si en fait, le point optimal se trouve quelque part avec la condition un en dehors de la plage testée ?
Quand on regarde cela, cela me rappelle beaucoup la conception des expériences et les webinaires que j'ai vus avec JNP. Il s'agit d'un exemple de diapositive d'une salle manuelle, où vous comparez l'approche proposée un facteur à la fois, celle que nous utilisons actuellement, au DOE et vous voyez que vous avez une meilleure couverture de votre zone expérimentale. Ce qui peut être une grande amélioration dans notre configuration. J'ai décidé de l'essayer.
Tout d'abord, je commence par la chose la plus simple, qui est le développement d'un protocole simple comme je vous le montre, en détectant une seule cible sur ce problème. Nous devons d'abord définir nos contraintes et nos paramètres. Dans notre automate, celui que j'utilise pour cette expérience, cet automate a des positions indépendantes. Il est mélangé à un test du plan d'expériences dans une diapositive de l'automate, et nous devons définir les réponses et les facteurs.
La réponse que nous souhaitons analyser est une intensité de signal. Nous souhaitons la maximiser et minimiser le bruit de fond. Les facteurs avec lesquels nous pouvons jouer à ce stade sont la récupération de l'antigène, qui est un facteur catégorique, et la concentration primaire d'anticorps, qui est une variable continue. Passons au design. J'ai choisi de comparer différents designs.
Je vous montre la conception personnalisée et la conception de remplissage d'espace. Nous allons mettre en place ensemble cette conception. Je vais simplement sur la plateforme DOE et la conception personnalisée, et nous devrons saisir les réponses et les facteurs ou réponses de l'année dernière ici. Le premier est une intensité de signal que nous voulons maximiser.
Je vais supposer l'évaluation arbitraire de celle-ci entre zéro, qui est l'absence de signal, et trois, qui est un signal, et j'ajouterai ici une autre réponse. C'est un arrière-plan que nous voulons minimiser, donc je dois minimiser cette fois-ci, et je mets l'arrière-plan ici. De la même manière, zéro, c'est l'absence de fond, et trois, c'est un arrière-plan très élevé, et ensuite nous ajouterons les facteurs.
Je vais juste vous montrer parce que j'étais un peu caché ici. Comme facteurs, nous avons le facteur catégoriel, qui est à deux niveaux, la récupération d'antigène. Il est assez facile à changer, et nous avons généralement deux PH, PH 6 et PH 9. Qui sont appelés différemment selon l'automate, mais cela n'a pas vraiment d'importance.
Nous avons le facteur continu, qui est une concentration d'anticorps. En général, nous testons 10 et le maximum, donc je vais le faire varier de zéro à 10. Une fois que nous avons dit cela, je n'ai pas de covariables. Comme je vous l'ai dit, j'ai choisi le plus simple. Nous allons continuer avec le modèle. Je veux voir toutes les interactions possibles, donc je fais RSM. Je ne fais pas de réplications. Je ne fais pas de points centraux. Je suis déjà allée au plus simple, et vous voyez cela par défaut, dit-elle, d'accord.
Vous devriez faire 11 unités, 11 unités correspondent à ce que nous faisons habituellement, donc c'est bien. Pour profiter de cet explorateur de conception qui se trouve dans JNP 17, je clique simplement ici et je dis, ok. Explorons peut-être une conception différente. Vous voyez que lorsque vous cliquez, vous avez à nouveau les facteurs, le modèle ici, et vous avez différentes options, donc à gauche, c'est juste pour exprimer la conception par conception. À droite, vous pouvez faire une combinaison. Pour RSM, généralement, nous faisons l'optimalité de l'œil, et une fois, disons, je veux essayer différents nombres d'exécutions.
Disons un minimum de cinq. Disons que nous commençons par cela et que nous montons jusqu'à, disons, 11. Et si nous faisions 15 par exemple, avec un pas de, disons, un. Les points centraux, je m'en fiche vraiment, mais nous pouvons essayer de voir ce que cela donne et de reproduire. Voyons, c'est mieux si nous reproduisons.
Je clique sur "générer toute la conception", et il a également conçu avec les différents paramètres, j'ai donc choisi l'optimalité oculaire, donc c'est l'optimalité oculaire partout. Je choisis les exécutions numérotées de cinq à quinze, puis vous avez des répliques.
Ce n'est pas le cas, mais voici une réplique pour cinq. Je ne sais pas pourquoi, mais c'est bon. Vous voyez, pour sept par exemple, j'ai deux répliques, une ou zéro comme pour toutes. Pour les points centraux également, j'ai un point central ou deux points centraux lorsque c'est possible. En bas, vous avez une table en lin pour pouvoir la fabriquer et cela ajoute une belle colonne.
C'est juste conçu sur mesure pour tous. Si vous choisissez un design dans ce tableau, vous cliquez sur Design personnalisé et cela ouvre le coût du tableau. Ce qui est bien ici, car vous pouvez faire des graphiques et dire, ok. Voyons voir. L'efficacité, en fonction du nombre de fronts, je le ferai.
Vous voyez qu'il y a une grande corrélation entre les deux. Nous pouvons jouer et ajouter d'autres variables à regarder avec le sélecteur de colonnes. Une fois, je veux voir les exécutions et je veux voir les points centraux et les répliques également. Désolé. J'ai oublié. Pour sélectionner les exécutions, mais bon, nous avons donc ici les exécutions.
Les points centraux ne semblent pas avoir un bon impact et ne se répliquent pas non plus, donc il semble que ce soit prêt. Nous devrions jouer avec le nombre d'exécutions. Si je regarde le nombre d'exécutions, je reviendrais à cela. Je bloquerais simplement les utilisateurs, les points centraux, et maintenant vous ne regardez que les numéros de référence.
Je n'ai pas tout supprimé. J'espère que vous devriez tout supprimer avant. Sinon, il s'agit simplement d'ajouter tout. J'ai tout supprimé. Je sélectionne simplement. Je n'ai pas pris de note. Désolé. Il faut cela, alors disons que je vais choisir ce qui a été sélectionné, donc 12 exécutions.
Je vais revenir ici et dire, ok. Est-ce la valeur par défaut ? 11 ? En fait, je veux être sûr d'avoir mes deux contrôles négatifs, qui ne sont pas du tout des anticorps avec des isotopes, donc je dirais 10.
Je ferais un design avec 10, puis j'ajouterai manuellement mes deux contrôles. Ici, vous voyez, c'est un petit design. Vous ne prenez que 10 secondes, et voici un tableau. En fait, à chaque fois que nous l'exécuterons, il fera des nombres différents ici. Je vais utiliser celui que j'ai fait avant. Je lance simplement ce script. J'aurai exactement les mêmes données que toutes celles que je vous montre. Ici, c'est un tableau, donc vous voyez que c'était différent.
Je n'ai que 0 ou 10 ou 5 de la concentration, mais gardons cela stable. Dans le tableau, vous voyez que vous avez déjà le modèle, l'évaluation de la conception, et vous pouvez revenir à la boîte de dialogue DOE. Évaluation, je ne le ferai pas car je veux comparer deux conceptions. Je le ferai à ce moment-là. Je viens de l'apporter, donc la conception que j'ai, elle se duplique pour chaque point à la fin.
Même si je n'ai pas demandé de doublons, il m'a donné un doublon. Il couvre cette zone d'espace d'expérimentation. J'essaie une conception de remplissage d'espace. C'est la même chose. Bon DOE, mais cette fois, c'est une conception à usage spécial, un remplissage d'espace ici, et ce que je veux vous montrer, donc je devrais revenir à ma conception personnalisée. Je veux comparer la conception, mais les réponses et les facteurs seraient les mêmes. Je peux simplement enregistrer mes réponses et mes facteurs. Oh, je sauvegarderais simplement les réponses, de la même manière, j'enregistrerais les photos.
Ensuite, si je retourne à la conception de remplissage d'espace, je peux charger les réponses. Désolé. Vous devez avoir la fenêtre sélectionnée, donc vous la trouvez. La même chose pour les facteurs, et j'ai écrit les facteurs. Aucune contrainte. Encore une fois, le nombre de garanties est de 20, mais je veux comparer deux conceptions, donc je vais faire 10 de la même manière.
Je n'ai pas le choix. C'est juste une sensation de flexibilité. Cela génère ce design, et vous voyez que cette fois, la concentration n'est pas stricte comme 0105. C'est une gamme énorme de concentrations, et vous pouvez faire le tableau de la même manière. Je peux fermer tout ça. Quant au Custom Design, j'ai relancé celui que j'ai fait, donc j'ai exactement les mêmes chiffres, et donc je voulais comparer le design. Comment comparez-vous le design ? Oh, d'abord. Désolé. J'ai oublié.
Vous voyez que la variation de la concentration en anticorps n'est pas la même. Je n'ai pas de doublons à l'exception de ce contrôle ici. Il couvre une gamme plus large de concentrations en anticorps, ce qui est en fait bien pour ce que nous recherchons.
Je voulais comparer les conceptions. D'abord, je peux le faire graphiquement, car la zone couverte par chaque conception est différente. Et de mon point de vue, le remplissage de l'espace me permettra d'essayer plus de concentration d'anticorps, ce qui peut être un bon point, mais je peux comparer la conception. Dans DOE, vous avez des diagnostics de conception, comparez les conceptions, donc vous voyez que j'ai les deux.
J'ai déjà le Fast Flexible, donc je vais ajouter le Custom Design. Les noms des colonnes sont les mêmes, donc je n'ai pas besoin de trop de colonnes. Il le fera, vous le savez, et donc récapitulons à ce jour les facteurs. Pour le Fast Flexible, il ne part pas exactement de zéro et ne monte pas jusqu'à 10, mais il y est presque. Le modèle que je ferai pour les effacer. Je ne peux pas avoir le facteur catégoriel dans celui-ci, mais je l'ai. Revenons au risque récompense anticorps par anticorps et anticorps par antigène. Je ne peux pas obtenir d'antigène au facteur deux, mais c'est bon, et nous allons passer à l'évaluation du design.
C'est pourquoi je ne l'ai pas fait un par un. Je voulais comparer. En bleu ici, si vous regardez le graphique de puissance, c'est un Fast Flexible Design, et en orange c'est le Custom Design. Vous voyez que [inaudible 00:17:23], Custom Design semble meilleur au nom de quatre des déterminations du modèle que le Fast Flexible Design. Si vous allez aux fractions des graphiques de l'espace de conception, c'est la même chose.
La conception personnalisée semble mieux convenir. Si nous comparons les diagnostics de conception, c'est relatif à la conception personnalisée. Cela signifie que la conception personnalisée ajoute une valeur, et si je recherche une efficacité élevée, une conception rapide et flexible, j'en ouvre sept, donc c'est 30 % moins efficace, disons, qu'une conception personnalisée de capteur. Je viens de mettre cela ici.
Je vous montre ici trois diagnostics, et il semble que la conception personnalisée soit meilleure que le remplissage d'espace [inaudible 00:18:18], mais voyons ce que les résultats nous diront. Les profileurs sont obtenus après avoir entré [inaudible 00:18:26] donc juste pour vous montrer un exemple de données, j'ai donc mon tableau DOE ici. Je viens d'ajouter l'intensité du signal et la réponse de fond, donc je regarde mes images et je dis, ok. Je n'ai pas d'intensité. J'en ai un peu. J'en ai plus, et ainsi de suite, et j'ai fait la même chose pour les deux conceptions.
Voici la même chose. Si ce n'était pas le cas, il s'agissait de deux exécutions, donc de deux ensembles de données différents. À la fin, j'ai fait le modèle. Il suffit de cliquer sur le modèle. Vous voyez qu'il s'agit d'un criblage à effet carré standard. Avec toute l'interaction ici, et j'ai tout mis ensemble. J'ai quelques facteurs que je pourrais supprimer, mais j'ai décidé de tout garder. Ensuite, je vais au profileur ici. Si nous regardons la meilleure condition, je maximiserai mon handicap comme cela a été fait.
Maximiser mon intensité. Vous voyez, il va jusqu'au point haut ici, minimise l'arrière-plan, et il a trouvé cette condition. Après cela, j'ai réalisé que ce n'était peut-être pas le cas, je ne voulais pas maximiser l'intensité du signal. Je veux juste faire correspondre une cible parce que peut-être que l'échantillon que j'utilise ici, ce n'est pas l'échantillon avec une faible intensité, donc je veux pouvoir détecter une faible intensité et l'expression de mes cibles.
Je vais changer un peu, et je dis, ok. Je veux correspondre à une cible, qui est d'intensité moyenne. Pas celle diagnostiquée, mais celle du milieu. Je veux toujours minimiser le bruit de fond, car le bruit de fond n'est pas bon. Maintenant, si je maximise la désirabilité, vous voyez que cela a changé la concentration d'anticorps à utiliser. C'est à peu près ce que nous avons obtenu ici. J'ai peut-être fait un petit nombre différent, mais c'est bien. J'ai fait la même chose, et c'est la même chose pour une conception flexible rapide.
J'ai obtenu deux conditions différentes, une où j'ai presque 3,8 d'anticorps en CC2 et deux en CC2. Là, ce n'est pas PHCCN9 parce que sur cet automatique, ça s'appelle CC1 et CC2, mais c'est pareil. Alors je dis, ok. J'ai ces deux conditions. Je comparerais au protocole initial.
C'est-à-dire notre référence, qui est notre pinceau standard, qui est les images que je vous ai montrées avant. Ici, vous avez les conditions de conception personnalisées et les conditions de conception de remplissage d'espace. Vous voyez que ces deux conditions donnent des données qui sont au moins aussi bonnes, je dirais même meilleures que celles que nous définissons avec notre approche standard. Pour moi, les données de remplissage d'espace, je les ai écrites pour tester plus de concentration d'anticorps, ce qui est utile lorsque vous avez des cibles difficiles.
Je vais opter pour cela car en plus, ces deux conditions que vous voyez ici. En fait, étaient présentes dans Space Filling Design. Je n'ai pas eu à courir contre les conditions car j'avais les données dans Space Filling Design et l'image est pour vérifier que cela fonctionne bien. J'ai choisi un Space Filling Design pour tester sur un autre protocole. Juste pour voir si cela fonctionne.
Je ne passe pas en revue tout. Je prends simplement le même papier et je change mes réponses pour les nouvelles cibles. J'ai obtenu ce modèle où pour faire correspondre la cible de deux ici d'intensité centrale et pour minimiser ce fond, il a dit, ok, vous devriez avoir 2,8 microgrammes par mâle d'anticorps et dans la condition CC2.
Si je le compare au protocole que nous avons développé, il était indiqué CC1 et programme 5 microgrammes, donc ce n'est pas la même chose. Les deux changent, mais comme vous pouvez le voir sur l'image, c'est le même protocole défini par Space Filing Design qui est au moins aussi bon que celui que nous développons habituellement. Maintenant, ce qui manque pour convaincre les opérations et les gestionnaires, c'est certainement le coût et le temps. Notre approche proposée pour la conception ici.
Tout d'abord, je compare le temps qu'il m'a fallu pour concevoir l'ensemble de mes projets avec notre approche standard. Notre approche standard est en bleu sur ce graphique et le remplissage de l'espace en rouge, la conception personnalisée en vert, et je compare le nombre de cycles, qui prend du temps, au nombre de diapositives, au temps écoulé entre la conception et le protocole, et au temps écoulé entre la prise d'une demande et la réservation.
Si vous regardez le temps écoulé entre la demande technique et la recherche, en passant par la conception de tout, y compris le fait qu'il s'agit d'une nouvelle façon de faire pour l'équipe technique, nous avons raccourci le temps nécessaire pour obtenir des résultats. Maintenant, avec un deuxième exemple, je n'ai pas eu à tout concevoir à nouveau. Il est plus probable que nous fassions la prochaine étape si nous adoptons cette approche comme notre nouvelle approche réelle, et je compare donc l'approche standard utilisée pour ce projet.
En bleu, en rouge rayé, j'ai mis la configuration DOE, j'ai appuyé sur le cycle de comparaison, car comme nous avons un protocole de référence. J'ai fait un cycle de comparaison, mais si c'est dans la nouvelle approche que nous utilisons, alors nous ne ferons pas de cycle de comparaison, car nous n'aurons pas de référence. Nous ferions juste la configuration DOE, et c'est en rouge. Comme vous pouvez le voir, cela a diminué le nombre de cycles, le nombre de sites, le nombre d'anticorps que nous avons utilisés et les résultats finaux en jours, c'est raccourci par ALF, ce qui est plutôt sympa.
En conclusion, j'aime cette citation de Steve Jobs : « Commencez petit, pensez grand ». Au début, quand j'ai vu tous ces [inaudible 00:24:53] oh, c'est bien, mais je peux l'appliquer. J'ai eu un peu de mal, mais je me suis dit, ok, je vais commencer de la manière la plus simple, et je l'ai mis en place pour ce simple IHC, et j'ai convaincu mon manager de mettre en place encore plus rapidement quand j'ai pensé. Puis l'équipe opérationnelle et éventuellement d'autres dirigeants que l'approche peut être appliquée à l'IHC.
Nous ne pouvons pas accorder d'accord si nous avons besoin d'optimisation comme nous le faisons actuellement, car nous ne savons pas au début si ce sera un développement facile ou non. La prochaine étape que je voudrais présenter au laboratoire est la configuration multiplex. Détecter plusieurs cibles sur le même tissu, en commençant par deux cibles contre la cible supprimée et en allant jusqu'à cinq cibles. C'est en cours.
Enfin, je tiens à vous remercier. Je tiens à remercier le comité de pilotage d'avoir sélectionné mon résumé. Je tiens à vous remercier, l'équipe de Cerba Research Montpellier ainsi que le technicien de laboratoire car il est parfois difficile de suivre mes idées folles.
Mon manager qui m'a déjà soutenu dans la nouvelle stratégie et la nouvelle façon de voir les choses, et toute l'équipe de conception et de validation dont je fais partie pour me suivre dans ce test aussi. Je tiens à remercier l'équipe française de JNP. Stéphane pour m'avoir soutenu et avoir posé toutes les questions, et puis ça m'a permis de charger cette nouvelle personne JNP 17 où je suis coincé avec le 16 et de pouvoir voir la belle plateforme d'exploration du design, et je vous remercie tous pour votre attention.
