Cerba Research è un'azienda di fama mondiale specializzata nella fornitura di soluzioni analitiche e diagnostiche di prim'ordine, su misura per le sperimentazioni cliniche in tutto il mondo. Presso Cerba Research Montpellier, il nostro team dedicato personalizza protocolli di immunoistochimica per rilevare espressioni target specifiche nelle sezioni di tessuto dei pazienti. Per rispondere alla crescente domanda di sviluppo di protocolli e migliorare la redditività del processo, riconosciamo la necessità vitale di semplificare le tempistiche di sviluppo e ridurre i costi.
Data la diversità dei protocolli personalizzati da sviluppare, l'approccio OFAT convenzionale (un fattore alla volta) non è più sufficiente. Abbiamo quindi intrapreso una valutazione approfondita, confrontando varie metodologie di progettazione di esperimenti (DOE), tra cui la progettazione personalizzata e la progettazione di riempimento dello spazio, utilizzando JMP. Questi approcci DOE vengono valutati rispetto ai protocolli OFAT sviluppati in precedenza. Presentiamo dati che illustrano i vantaggi comparativi degli approcci OFAT e DOE, in termini di rapporto costo-efficacia e qualità.
Salve. Sono Marie Gérus-Durand e lavoro presso Cerba Research come ingegnere di convalida. Oggi vi mostrerò come possiamo ridurre i costi e migliorare la nostra qualità utilizzando la progettazione di esperimenti quando si impostano protocolli clinici di immunoistochimica. Come introduzione, Cerba Research è un'azienda mondiale con attività in tutti i continenti. Ho evidenziato in giallo il dipartimento per cui lavoro.
È il dipartimento di patologia e IHC. Il dipartimento di ricerca principale per IHC ha sede a Montpellier, dove lavoro. Cos'è l'immunoistochimica? L'immunoistochimica è uno studio delle proteine o di vari target nei tessuti. Quando si eseguono biopsie, tagliamo vetrini di rilascio del tessuto e si usa la tecnologia basata sugli anticorpi per rilevare diversi target di un terrorista sul tessuto che possiamo vedere al microscopio o con uno scanner, su immagini digitalizzate.
Qui, ad esempio, hai un tessuto cutaneo dove vedi un bel bersaglio, macchiato di rosso. Più di un quarto delle nostre attività in protocollo impostato per i nostri clienti presso Cerba Research Montpellier. Abbiamo più di 50 clienti. Ognuno di questi bersagli preferiti. È fondamentale per noi essere in grado di essere veloci nella migliore strategia di sviluppo per rimanere competitivi in un'intera area di un protocollo impostato per le sperimentazioni cliniche.
Ecco un esempio di un'altra colorazione, e questa è la colorazione che userò nel primo esempio. Ve la mostrerò. È il rilevamento di un target in marrone qui tramite IHC, quindi questo protocollo ha permesso di rilevare solo un target. Lo chiamiamo simplex, ed è molto di ciò che stiamo facendo.
Il nostro approccio attuale è un fattore alla volta, quindi valuteremo prima l'accessibilità dell'antigene del tessuto affinché i target vengano riconosciuti, quindi faremo una titolazione dell'anticorpo per trovare la condizione migliore, che fornisca il miglior rapporto segnale/rapporto, e faremo un'ulteriore ottimizzazione se necessario. Ogni freccia qui, è un passaggio nel protocollo di sviluppo, e ogni passaggio è almeno un ciclo di automa, e ogni ciclo dura almeno quattro giorni dalla richiesta ai risultati del test.
Per migliorare la redditività delle nostre sovvenzioni e la quantità di protocolli sviluppati, dobbiamo ridurre il tempo e la quantità di test per arrivare al protocollo ottimizzato. Qui schematizzo la nostra strategia, quindi testiamo due condizioni di accessibilità dell'antigene senza anticorpi o una consultazione di anticorpi definita, e quindi abbiamo questi quattro punti. Quindi scegliamo il migliore, quindi è la condizione due per fare una titolazione dell'anticorpo che ha più punti, ma cosa succederebbe se in effetti il punto ottimale fosse da qualche parte con la condizione uno al di fuori dell'intervallo testato?
Quando lo guardiamo, mi ricorda molto la progettazione degli esperimenti e i webinar che ho visto con JNP. Questa è una diapositiva di esempio da una stanza manuale, dove si confronta l'approccio offerto un fattore alla volta, che è quello che stiamo usando ora con il DOE e si vede che si ha una maggiore copertura della propria area sperimentale. Il che può essere un grande miglioramento, nella nostra configurazione. Ho deciso di provarci.
Per prima cosa, inizio con la cosa più semplice, che è lo sviluppo di un semplice protocollo come vi mostro, rilevando solo un target su questo problema. Dobbiamo prima definire i nostri vincoli e parametri. Nel nostro automa, quello che sto usando per questo esperimento, questo automa ha posizioni indipendenti. Mescolato con un test dal design degli esperimenti è una diapositiva nell'automa, e dobbiamo definire le risposte e i fattori.
La risposta che vogliamo analizzare è un'intensità di segnale. Vogliamo massimizzarla e vogliamo minimizzare lo sfondo. I fattori con cui possiamo giocare in questa fase sono il recupero dell'antigene, che è un fattore categoriale, e la concentrazione dell'anticorpo primario, che è una variabile continua. Andiamo con il design. Ho scelto di confrontare design diversi.
Vi mostro il Custom Design e il design di riempimento dello spazio. Imposteremo insieme questo design. Vado semplicemente alla piattaforma DOE e al design personalizzato, e dovremo inserire le risposte e i fattori o le risposte dell'anno scorso qui. Il primo è un'intensità di segnale che vogliamo massimizzare.
Assumerò la sua valutazione arbitraria tra zero, che non è un segnale, e tre, che è un segnale, e aggiungerò un'altra risposta qui. È uno sfondo che vogliamo minimizzare, quindi dovrei minimizzare questa volta, e metto lo sfondo qui. Allo stesso modo, zero non è uno sfondo, e tre è uno sfondo molto alto, e poi aggiungeremo i fattori.
Ve lo mostro solo perché ero un po' nascosto qui. Come fattori, abbiamo il fattore categoriale, che è a due livelli, il recupero dell'antigene. È abbastanza facile da cambiare e abbiamo due PH, di solito PH 6 e PH 9. Che viene chiamato in modo diverso a seconda dell'automa, ma questo non ha molta importanza.
Abbiamo il fattore continuo, che è una concentrazione di anticorpi. Di solito, testiamo 10 e il massimo, quindi farò variare da zero a 10. Una volta detto questo, non ho covariate. Come ti ho detto, ho scelto quella più semplice. Continueremo con il modello. Voglio vedere tutte le possibili interazioni, quindi faccio RSM. Non faccio repliche. Non faccio punti centrali. Sono già andato al più semplice, e lo vedi per impostazione predefinita, ha detto, okay.
Dovresti fare 11 one, 11 one si adatta a quello che stiamo facendo, di solito, quindi va bene. Per sfruttare questo design explorer che si trova in JNP 17, clicco qui e dico, okay. Esploriamo forse un design diverso. Vedi che quando clicchi, hai di nuovo i fattori, il modello qui, e hai diverse opzioni, quindi a sinistra, è solo per esprimere il design tramite il design. A destra, puoi fare una combinazione. Per RSM di solito, facciamo l'ottimalità degli occhi, e una volta, diciamo, voglio provare un numero diverso di esecuzioni.
Diciamo un minimo di cinque. Diciamo, cominceremo con questo, e andiamo fino a, quindi diciamo 11. E se facessimo 15 per esempio, con il passo di diciamo uno. I punti centrali, non mi interessano molto, ma possiamo provare a vedere cosa fa e replicare. Vediamo, è meglio se replichiamo.
Clicco su Genera tutto il design, e ha anche progettato con i diversi parametri, quindi ho scelto l'ottimalità dell'occhio, quindi è l'ottimalità dell'occhio ovunque. Scelgo le serie da cinque a 15, e poi hai le repliche.
Non l'ha fatto, ma ecco una replica per cinque. Non so perché, ma va bene. Vedi, per sette, ad esempio, ho due repliche, una o zero come la stessa per tutte. Anche per i punti centrali, ho un punto centrale o due punti centrali quando possibile. In basso, hai un tavolo di lino, così puoi realizzarlo e aggiunge una bella colonna.
Questo è semplicemente progettato su misura per tutti loro. Se scegli un design in questa tabella, fai clic su Custom Design e si apre la tabella dei costi. Il che è bello qui, in quanto puoi fare alcuni grafici e dire, ok. Vediamo. Efficienza, a seconda del numero di fronti, lo farò.
Vedete che c'è una grande correlazione tra i due. Possiamo giocare e aggiungere altre variabili da guardare con lo switcher di colonna. Una volta voglio vedere le corse e voglio vedere anche i punti centrali e le repliche. Scusate. Ho dimenticato. Per selezionare le corse, ma comunque, ecco qui le corse.
I punti centrali non sembrano avere un buon impatto e non replicano nessuno dei due, quindi sembra che sia pronto. Dovremmo giocare con il numero di run. Se guardo il numero di run, tornerei a questo. Bloccherei semplicemente gli utenti, i punti centrali, e ora guardi solo i numeri di riferimento.
Non ho rimosso tutto. Spero che tu abbia rimosso tutto prima. Altrimenti, è solo un'aggiunta. Ho rimosso tutto. Solo una selezione. Non ho preso nota. Mi dispiace. Ci vuole quello, quindi diciamo, sceglierò, cosa è stato selezionato, quindi 12 run.
Tornerò qui e dirò, okay. È di default? 11? Infatti, voglio essere sicuro di avere i miei due controlli negativi, che non sono affatto anticorpi con isotopi, quindi direi 10.
Farei un design con 10, e poi aggiungerei manualmente i miei due controlli. Ecco, vedi, è un piccolo design. Ci vogliono solo 10 secondi, ed ecco una tabella. Infatti, ogni volta che lo eseguiamo, farà numeri diversi qui. Userò quello che ho fatto prima. Sto solo eseguendo questo script. Avrò esattamente gli stessi dati di chiunque ti stia mostrando. Ecco una tabella, quindi vedi che era diverso.
Ho solo 0 o 10 o cinque della concentrazione, ma teniamola stabile. Nella tabella, vedi che hai già il modello, la valutazione del design, e puoi tornare alla finestra di dialogo DOE. Valutazione, non lo farò perché voglio confrontare due design. Lo farò in questo momento. L'ho appena portato, quindi il design che ho, duplica per ogni punto alla fine.
Anche se non ho chiesto duplicati, mi ha dato duplicati. Copre quest'area dello spazio sperimentale. Provo un design che riempie lo spazio. È lo stesso. Buon DOE, ma questa volta è un design speciale, che riempie lo spazio qui, e quello che voglio mostrarti, quindi dovrei tornare al mio Custom Design. Voglio confrontare il design, ma le risposte e i fattori sarebbero gli stessi. Posso semplicemente salvare le mie risposte e i miei fattori. Oh, salverei semplicemente le risposte, allo stesso modo, salverei le foto.
Poi se torno allo Space Filling Design. Posso caricare le risposte. Mi dispiace tanto. Devi avere la finestra selezionata, così la trovi. Lo stesso per i fattori, e ho scritto i fattori. Nessun vincolo. Ancora una volta, il numero di warrant è 20, ma voglio confrontare due design, quindi farò 10 lo stesso.
Non ho scelta. È solo una sensazione flessibile. Genera questo design e vedi che questa volta la concentrazione non è rigida come 0105. È un'ampia gamma di concentrazioni e puoi fare la tabella allo stesso modo. Posso chiudere tutto questo. Per quanto riguarda il Custom Design, ho rieseguito quello che ho fatto, quindi ho esattamente gli stessi numeri e quindi volevo confrontare il design. Come si confronta il design? Oh, prima. Scusa. Ho dimenticato.
Vedete che quindi la variazione nella concentrazione di anticorpi non è la stessa. Non ho duplicati, tranne per questo controllo qui. Copre un intervallo più ampio di concentrazione di anticorpi, il che è buono in realtà per quello che stiamo cercando.
Volevo confrontare il design. Innanzitutto, posso farlo graficamente perché è l'area coperta da ogni design che è diversa. E dal mio punto di vista, lo Space Filling mi consentirà di provare una maggiore concentrazione di anticorpi, il che potrebbe essere un buon punto, ma posso confrontare il design. Nel DOE, hai la diagnostica del design, confronti i design, quindi vedi che li ho entrambi.
Ho già il Fast Flexible, quindi aggiungerò il Custom Design. I nomi delle colonne sono gli stessi, quindi non ho bisogno di troppe colonne. Lo farà lui, lo sai, e quindi riepilogherà per datare i fattori. Per il Fast Flexible, non parte esattamente da zero e non arriva a 10, ma ci siamo quasi. Il modello che farò per cancellarli. Non posso avere il fattore categoriale in questo, ma ce l'ho. Torniamo al rischio ricompensa anticorpo per anticorpo e anticorpo per antigene. Non riesco a ottenere l'antigene al fattore due, ma va bene, e andiamo per la valutazione del design.
Ecco perché non l'ho fatto uno per uno. Volevo fare un confronto. In blu qui, se guardi il grafico della potenza, è un Fast Flexible Design, e in arancione c'è il Custom Design. Vedi che [inudibile 00:17:23], il Custom Design sembra migliore nel nome di quattro della determinazione del modello rispetto al Fast Flexible Design. Se vai ai grafici della frazione di Design Space, è lo stesso.
Custom Design sembra adattarsi meglio. Se confrontiamo le diagnosi di progettazione, è relativo a Custom Design. Ciò significa che Custom Design aggiunge un valore e se cerco alta efficienza, Fast Flexible Design, ne apro sette, quindi è il 30% meno efficiente, diciamo, di un Custom Design del sensore. L'ho appena inserito qui.
Solo tre diagnosi che vi mostro qui, e sembra che Custom Design sia migliore di Space Filling uno [inudibile 00:18:18], ma vediamo cosa ci diranno i risultati. I profiler si ottengono dopo aver inserito [inudibile 00:18:26], quindi solo per mostrarvi un esempio dei dati, ho la mia tabella DOE qui. Ho appena aggiunto l'intensità del segnale e la risposta di fondo, quindi guardo le mie immagini e dico, okay. Non ho intensità. Ne ho un po'. Ne ho di più, e così via, e ho fatto lo stesso per entrambi i progetti.
Ecco la stessa cosa. Se non fosse così, sarebbero due esecuzioni, quindi due set di dati diversi. Alla fine, ho fatto il modello. Basta cliccare sul modello. Vedete, è uno screening standard a effetto quadrato. Con tutta l'interazione qui, e metto insieme tutto. Ho alcuni fattori che potrei rimuovere, ma ho deciso di mantenere tutto. Poi vado al profiler qui. Se guardiamo alla condizione migliore, massimizzerò la mia disabilità come è stato fatto.
Massimizzando la mia intensità. Vedete, qui va al punto più alto, minimizza lo sfondo, e ha trovato questa condizione. Dopo questo, ho capito che forse non lo è, non voglio massimizzare l'intensità del segnale. Voglio solo abbinare un target perché forse il campione che sto usando qui, non è il campione con basso, quindi voglio essere in grado di rilevare basso ed espressione dei miei target.
Cambierò un po' e dico, ok. Voglio abbinare un target, che è un'intensità media. Non diagnosticato, ma quello medio. Voglio comunque ridurre al minimo lo sfondo perché lo sfondo non è buono. Ora, se massimizzo la desiderabilità, vedi che ha cambiato la concentrazione di anticorpi da usare. Questo è quasi quello che abbiamo ottenuto qui. Forse ho fatto un numero un po' diverso, ma va bene. Ho fatto lo stesso, ed è lo stesso per un Fast Flexible Design.
Ho ottenuto due condizioni diverse, una in cui ho quasi 3,8 anticorpi in CC2 e due in CC2. Qui, non è PHCCN9 perché su questo automatico, si chiama CC1 e CC2, ma è lo stesso. Quindi dico, ok. Ho queste due condizioni. Confronterei con il protocollo iniziale.
Cioè il nostro riferimento, che è il nostro pennello standard, che sono le immagini che vi ho mostrato prima. Qui, avete le condizioni di progettazione personalizzata e le condizioni di progettazione di riempimento dello spazio. Vedete che queste due condizioni forniscono dati che sono almeno altrettanto buoni. Direi persino migliori di quelli che definiamo con il nostro approccio standard. Per me, i dati di riempimento dello spazio, li ho scritti per testare una maggiore concentrazione di anticorpi, il che è utile quando si hanno obiettivi difficili.
Ci andrò perché, oltre a queste due condizioni che vedete qui, erano presenti in Space Filing Design. Non ho dovuto eseguire contro le condizioni perché avevo i dati in Space Filling Design e l'immagine è per ricontrollare che funzioni bene. Ho scelto Space Filling Design per testare su un altro protocollo. Solo per vedere se funziona.
Non passare in rassegna tutto. Prendo semplicemente lo stesso documento e cambio le mie risposte per i nuovi target. Ho ottenuto questo modello in cui per abbinare il target di due qui di intensità centrale e per minimizzare quello sfondo, ha detto, okay, dovresti avere 2,8 microgrammi per maschio di anticorpo e in condizioni CC2.
Se lo confronto con il protocollo che abbiamo sviluppato, si diceva CC1 e programma da 5 microgrammi, quindi non è lo stesso. Entrambi cambiano, ma come puoi vedere nell'immagine, è lo stesso protocollo definito da Space Filing Design ed è almeno buono quanto quello che sviluppiamo di solito. Ora, ciò che manca per convincere le operazioni e i manager è sicuramente il costo e il tempo. Il nostro approccio offerto alla progettazione qui.
Per prima cosa, confronto come Custom Design e Space Filling Design, il tempo che ho impiegato per progettare tutto rispetto al nostro approccio standard. Il nostro approccio standard è in blu in questo grafico e Space Filling in rosso, Custom Design in verde, e confronto per il numero di cicli, che richiede molto tempo, il numero di slide, il tempo dalla progettazione al protocollo e il tempo dall'accettazione di una richiesta alle riserve.
Se si considera il tempo dalla richiesta tecnica alla ricerca, anche dovendo progettare tutto, incluso il fatto che è un nuovo modo di procedere per il team tecnico, abbiamo accorciato il tempo per i risultati. Ora con un secondo esempio, non ho dovuto progettare di nuovo tutto. È più probabile che faremo il passo successivo se adottiamo questo approccio come nostro nuovo approccio effettivo, e quindi confronto l'approccio standard utilizzato per questo progetto.
In blu, in rosso striato, ho messo la configurazione DOE, premo il ciclo di confronto perché abbiamo un protocollo di riferimento. Ho fatto un ciclo di confronto, ma se è nel nuovo approccio che stiamo usando, allora non faremo il ciclo di confronto perché non avremo un riferimento. Faremo solo la configurazione DOE, ed è in rosso. Come puoi vedere, ha ridotto il numero di cicli, il numero di siti, il numero di anticorpi che abbiamo usato e i risultati finali in giorni, è abbreviato da ALF, il che è abbastanza bello.
In conclusione, mi piace questa citazione di Steve Jobs. "Inizia in piccolo, pensa in grande". All'inizio, quando ho visto tutti questi [inudibile 00:24:53] oh, è bello, ma posso applicarlo. Ho lottato un po', ma ho detto, ok, inizierò nel modo più semplice, e l'ho impostato per questo semplice IHC, e ho convinto il mio manager a impostarlo ancora più rapidamente quando ho pensato. Poi il team operativo e infine altri leader che l'approccio può essere applicato a IHC.
Non possiamo concedere nel caso in cui avessimo bisogno di ottimizzazione come facciamo ora perché, non si sa all'inizio se sarebbe uno sviluppo facile o non facile. Il passo successivo, vorrei presentarlo al laboratorio. È un'impostazione multiplex. Rilevare più target sullo stesso tessuto, iniziando con due target contro quello soppresso e arrivando fino a cinque target. Questo è in corso.
Infine, vorrei ringraziarvi. Vorrei ringraziare il comitato direttivo per aver selezionato il mio abstract. Vorrei ringraziare voi, il team di Cerba Research Montpellier e anche il tecnico di laboratorio perché a volte è difficile seguire le mie idee folli.
Il mio manager, che è già di supporto nella nuova strategia e nel nuovo modo di vedere le cose, e tutto il team di concezione e convalida. Faccio parte di me per seguirmi anche in questo test. Voglio ringraziare il team francese JNP. Stephane per essere di supporto e aver fatto tutte le domande, e poi questo mi ha permesso di caricare questa nuova persona JNP 17 dove sono bloccato con il 16 e di poter vedere la bella piattaforma di esplorazione del design, e vi ringrazio tutti per la vostra attenzione.
