Cerba Research es una empresa de renombre mundial que se especializa en brindar soluciones analíticas y de diagnóstico de primer nivel diseñadas para ensayos clínicos en todo el mundo. En Cerba Research Montpellier, nuestro equipo especializado personaliza protocolos de inmunohistoquímica para detectar expresiones específicas en secciones de tejido de los pacientes. Para abordar la creciente demanda de desarrollo de protocolos y mejorar la rentabilidad del proceso, reconocemos la necesidad vital de agilizar los plazos de desarrollo y reducir los costos.
Dada la diversidad de protocolos personalizados que se deben desarrollar, el enfoque convencional OFAT (un factor a la vez) ya no es suficiente. Por lo tanto, hemos llevado a cabo una evaluación en profundidad, comparando varias metodologías de diseño de experimentos (DOE), incluido el diseño personalizado y el diseño de relleno de espacio, utilizando JMP. Estos enfoques DOE se evalúan en comparación con protocolos OFAT desarrollados previamente. Presentamos datos que ilustran las ventajas comparativas de los enfoques OFAT y DOE, en términos de costo-efectividad y calidad.
Hola. Soy Marie Gérus-Durand y trabajo en Cerba Research como ingeniera de validación. Hoy les mostraré cómo podemos reducir costos y aumentar nuestra calidad mediante el uso del diseño de experimentos al establecer protocolos clínicos de inmunohistoquímica. A modo de introducción, Cerba Research es una empresa internacional con actividades en todos los continentes. Resalté en amarillo el departamento en el que trabajo.
Se trata del departamento de patología y de inmunohistoquímica. El principal departamento de investigación de inmunohistoquímica tiene su base en Montpellier, donde trabajo. ¿Qué es la inmunohistoquímica? La inmunohistoquímica es un estudio de proteínas o de diversos objetivos en el tejido. Cuando se realizan biopsias, cortamos portaobjetos del tejido y se utiliza tecnología basada en anticuerpos para detectar diferentes objetivos de un terrorista en el tejido que podemos ver con un microscopio o con un escáner, en imágenes digitalizadas.
Aquí, por ejemplo, se ve un tejido de piel en el que se ve un bonito objetivo, teñido de rojo. Más de una cuarta parte de nuestras actividades se basan en protocolos establecidos para nuestros clientes en Cerba Research Montpellier. Tenemos más de 50 clientes. Cada uno de estos objetivos favoritos. Para nosotros es fundamental poder desarrollar rápidamente la mejor estrategia para seguir siendo competitivos en todo un ámbito de un protocolo establecido para ensayos clínicos.
Aquí hay un ejemplo de otra tinción, y esta es la tinción que usaré en el primer ejemplo. Te lo mostraré. Es la detección de un objetivo en marrón aquí por IHC, por lo que este protocolo permitió detectar solo un objetivo. Lo llamamos símplex y es gran parte de lo que estamos haciendo.
Nuestro enfoque actual es un factor a la vez, por lo que primero evaluaremos la accesibilidad del antígeno del tejido para que los objetivos sean reconocidos, luego haremos una titulación del anticuerpo para encontrar la mejor condición, que dé la mejor relación señal-ratio, y haremos una optimización adicional si es necesario. Cada flecha aquí es un paso en el protocolo de desarrollo, y cada paso es al menos un ciclo de autómata, y cada ciclo dura al menos cuatro días desde la solicitud hasta los resultados de la prueba.
Para mejorar la rentabilidad de nuestras subvenciones y la cantidad de protocolos desarrollados, necesitamos reducir el tiempo y la cantidad de pruebas para llegar al protocolo optimizado. Aquí esquematizo nuestra estrategia: probamos dos condiciones de accesibilidad de antígenos sin anticuerpos o con una consulta de anticuerpos definida, y así tenemos estos cuatro puntos. Luego elegimos la mejor, es decir, la condición dos para hacer una titulación del anticuerpo que tiene más puntos, pero ¿qué pasa si, de hecho, el punto óptimo estaba en algún lugar con la condición uno fuera del rango probado?
Cuando vemos esto, me recuerda mucho al diseño de experimentos y seminarios web que vi con JNP. Esta es una diapositiva de ejemplo de una sala manual, donde se compara el enfoque ofrecido factor por factor, que es el que estamos usando ahora, con el DOE, y se ve que se tiene una mayor cobertura del área experimental, lo que puede ser una gran mejora en nuestra configuración. Decidí probarlo.
Primero, empiezo con lo más simple, que es el desarrollo de un protocolo simple como el que les muestro, detectando solo un objetivo en este problema. Primero debemos definir nuestras restricciones y parámetros. En nuestro autómata, el que estoy usando para este experimento, este autómata tiene posiciones independientes. Está combinado con una prueba del diseño de experimentos, es una diapositiva en el autómata, y tenemos que definir las respuestas y los factores.
La respuesta que queremos analizar es una intensidad de señal. Queremos maximizarla y minimizar el fondo. Los factores con los que podemos jugar en esta etapa son la recuperación de antígeno, que es un factor categórico, y la concentración de anticuerpo primario, que es una variable continua. Vamos con el diseño. Elijo comparar diferentes diseños.
Te muestro el diseño personalizado y el diseño que llena el espacio. Juntos armamos este diseño. Simplemente voy a la plataforma DOE y al diseño personalizado, y tendremos que ingresar las respuestas y los factores o respuestas del año pasado aquí. El primero es una intensidad de señal que queremos maximizar.
Asumiré la evaluación arbitraria de la misma entre cero, que es ninguna señal, y tres, que es una señal, y agregaré otra respuesta aquí. Es un fondo que queremos minimizar, por lo que debo minimizar esta vez y coloco el fondo aquí. De la misma manera, cero no es fondo y tres es un fondo muy alto, y luego agregaremos los factores.
Te lo voy a mostrar porque estaba un poco escondido aquí. Como factores, tenemos el factor categórico, que es de dos niveles, la recuperación de antígeno. Es bastante fácil de cambiar, y tenemos dos PH, generalmente PH 6 y PH 9. Que se llama de manera diferente según el autómata, pero esto realmente no importa.
Tenemos el factor continuo, que es una concentración de anticuerpos. Esto normalmente lo probamos en 10 y máximo, así que lo haré variar de cero a 10. Una vez que hemos dicho esto, no tengo covariables. Como te dije, elegí la más simple. Continuaremos con el modelo. Quiero ver todas las interacciones posibles, así que hago RSM. No hago réplicas. No hago puntos centrales. Ya fui a la más simple, y ves que por defecto, dijo, está bien.
Deberías hacer 11 unos, 11 unos se ajustan a lo que estamos haciendo, por lo general, así que está bien. Para aprovechar este explorador de diseño que está en JNP 17, simplemente hago clic aquí y digo, está bien. Exploremos quizás un diseño diferente. Verás que cuando haces clic, tienes los factores nuevamente, el modelo aquí y tienes diferentes opciones, por lo que a la izquierda, es solo para expresar el diseño por diseño. A la derecha, puedes hacer una combinación. Para RSM, por lo general, hacemos optimalidad visual y, una vez, digamos, quiero probar diferentes cantidades de ejecuciones.
Digamos un mínimo de cinco. Digamos que empezaríamos con esto y llegaríamos hasta, digamos, 11. ¿Qué pasa si hacemos 15, por ejemplo, con el paso de, digamos, uno? Los puntos centrales, en realidad no me importan, pero podemos intentar ver qué hace y replicar. Veamos, es mejor si replicamos.
Hago clic en generar todo el diseño y también se diseñó con los diferentes parámetros, así que elegí la optimización visual, por lo que es optimización visual en todas partes. Elijo las ejecuciones número cinco a quince y luego tienes las réplicas.
No fue así, pero aquí hay una réplica para el número cinco. No sé por qué, pero está bien. Verás, para el número siete, por ejemplo, tengo dos réplicas, una o cero, como la misma para todos ellos. Para los puntos centrales también tengo uno o dos puntos centrales cuando es posible. En la parte inferior, tienes una mesa de lino para que puedas hacerla y agrega una bonita columna.
Esto está diseñado a medida para todos ellos. Si elige un diseño en esta tabla, haga clic en Diseño personalizado y se abrirá la tabla de costos. Esto es bueno porque aquí puede hacer algunos gráficos y decir: "Bueno, veamos". La eficiencia, según la cantidad de frentes, lo haré.
Se ve que hay una gran correlación entre los dos. Podemos jugar y agregar otras variables para observar con el conmutador de columnas. Una vez quiero ver las ejecuciones y también los puntos centrales y las réplicas. Lo siento, lo olvidé. Para seleccionar las ejecuciones, pero de todos modos, aquí tenemos las ejecuciones.
Los puntos centrales no parecen tener un buen impacto y no se replican, por lo que parece que está listo. Deberíamos jugar con el número de ejecuciones. Si miro el número de ejecuciones, volvería a esto. Simplemente bloquearía a los usuarios, los puntos centrales y ahora solo mira los números de referencia.
No eliminé todo. Espero que lo hayas hecho antes. De lo contrario, solo se agregarían todos. Eliminé todo. Solo seleccioné. No tomé nota. Lo siento. Se necesita eso, así que digamos que elegiré lo que se seleccionó, es decir, 12 ejecuciones.
Volveré aquí y diré: ¿Está bien? ¿Es el valor predeterminado? ¿11? De hecho, quiero asegurarme de tener mis dos controles negativos, que no son anticuerpos con isótopos, así que diría 10.
Yo haría un diseño con 10 y luego agregaría manualmente mis dos controles. Aquí ves que es un diseño pequeño. Solo te llevará 10 segundos y aquí hay una tabla. De hecho, cada vez que lo ejecutemos, hará números diferentes aquí. Usaré el que hice antes. Simplemente ejecutando este script. Tendré exactamente los mismos datos que cualquiera que te esté mostrando. Aquí hay una tabla, así que ves que era diferente.
Solo tengo 0 o 10 o 5 de la concentración, pero mantengamos esto estable. En la tabla, ves que ya tienes el modelo, la evaluación del diseño y puedes volver al cuadro de diálogo DOE. Evaluación, no lo haré porque quiero comparar dos diseños. Lo haré en este momento. Acabo de traerlo, así que el diseño que tengo, se duplica para cada punto al final.
Incluso si no hubiera pedido duplicados, me dio duplicados. Cubre esta área del espacio del experimento. Intento un diseño que llene el espacio. Es lo mismo. Buen DOE, pero esta vez, es un diseño de propósito especial, que llena el espacio aquí, y lo que quiero mostrarles, por lo que necesitaría volver a mi diseño personalizado. Quiero comparar el diseño, pero las respuestas y los factores serían los mismos. Puedo simplemente guardar mis respuestas y mis factores. Oh, simplemente guardaría las respuestas, de la misma manera, guardaría las fotos.
Luego, si vuelvo al diseño de relleno de espacio, puedo cargar las respuestas. Lo siento mucho. Tienes que tener la ventana seleccionada para que la encuentres. Lo mismo para los factores, y escribí los factores. No hay restricción. Una vez más, la cantidad de garantías es 20, pero quiero comparar dos diseños, así que haré lo mismo con 10.
No tengo elección. Es solo una sensación de flexibilidad. Genera este diseño y ves que esta vez, la concentración no es estricta como 0105. Es un rango enorme de concentraciones y puedes hacer la tabla de la misma manera. Puedo cerrar todo esto. En cuanto al diseño personalizado, volví a ejecutar el que hice, así que tengo exactamente los mismos números y quería comparar el diseño. ¿Cómo se compara el diseño? Ah, primero. Lo siento. Lo olvidé.
Como puede ver, la variación en la concentración de anticuerpos no es la misma. No tengo ningún duplicado, excepto este control. Cubre un rango más amplio de concentración de anticuerpos, lo cual es bueno para lo que estamos buscando.
Quería comparar el diseño. Primero, puedo hacerlo gráficamente porque el área cubierta por cada diseño es diferente. Y, desde mi punto de vista, el relleno de espacio me permitirá probar una mayor concentración de anticuerpos, lo que puede ser un buen punto, pero puedo comparar el diseño. En el DOE, tienes diagnósticos de diseño, compara diseños, así que ves que tengo ambos.
Ya tengo el Fast Flexible, así que añadiré el Custom Design. Los nombres de las columnas son los mismos, así que no necesito demasiadas columnas. Él lo hará, ya lo sabes, y así recapitulamos hasta la fecha los factores. Para el Fast Flexible, no empieza exactamente desde cero y no llega hasta 10, pero casi está ahí. El modelo que haré los borraré. No puedo tener el factor categórico en esto, pero lo tengo. Volvamos al riesgo-recompensa de anticuerpo por anticuerpo y anticuerpo por antígeno. No puedo obtener antígeno en el factor dos, pero está bien, y vamos a la evaluación del diseño.
Por eso no lo hice uno por uno. Quería comparar. En azul aquí, si miras el gráfico de potencia, es un diseño rápido y flexible, y en naranja está el diseño personalizado. Puedes ver que [inaudible 00:17:23], el diseño personalizado se ve mejor en nombre de cuatro de la determinación del modelo que el diseño rápido y flexible. Si vas a la fracción de los gráficos del espacio de diseño, es lo mismo.
El diseño personalizado parece encajar mejor. Si comparamos los diagnósticos de diseño, es relativo al diseño personalizado. Es decir, el diseño personalizado agrega un valor y, si busco alta eficiencia, diseño rápido y flexible, abro siete, por lo que es un 30 % menos eficiente, digamos, que un diseño personalizado de sensor. Solo puse esto aquí.
Solo les muestro aquí tres diagnósticos, y parece que el diseño personalizado es mejor que el relleno de espacio [inaudible 00:18:18], pero veamos qué nos dicen los resultados. Los perfiladores se obtienen después de ingresar [inaudible 00:18:26], así que solo para mostrarles un ejemplo de los datos, tengo mi tabla DOE aquí. Acabo de agregar la intensidad de la señal y la respuesta de fondo, así que miro mis imágenes y digo, está bien. No tengo intensidad. Tengo algo. Tengo más, y así sucesivamente, e hice lo mismo para ambos diseños.
Aquí es lo mismo. Si no fuera así, serían dos ejecuciones, por lo que serían dos conjuntos de datos diferentes. Al final, hice el modelo. Simplemente haga clic en el modelo. Verá que es una proyección de efecto cuadrado estándar. Con toda la interacción aquí, y ajusto todo junto. Tengo algunos factores que podría eliminar, pero decidí mantener todo. Luego voy al generador de perfiles aquí. Si observamos la mejor condición, maximizaré mi discapacidad como se hizo.
Maximizar mi intensidad. Verá, va al punto alto aquí, minimiza el fondo y encontró esta condición. Después de esto, me di cuenta de que tal vez no sea así, no quiero maximizar la intensidad de la señal. Solo quiero hacer coincidir un objetivo porque tal vez la muestra que estoy usando aquí no es la muestra con niveles bajos, por lo que quiero poder detectar niveles bajos y la expresión de mis objetivos.
Voy a cambiar un poco y digo, está bien. Quiero que coincida con un objetivo, que es de intensidad media. No uno diagnosticado, sino el medio. Todavía quiero minimizar el fondo porque el fondo no es bueno. Ahora bien, si maximizo la deseabilidad, verá que cambió la concentración de anticuerpo a utilizar. Esto es casi lo que obtuvimos aquí. Tal vez hice un pequeño número diferente, pero está bien. Hice lo mismo, y eso es lo mismo para un diseño rápido y flexible.
Obtuve dos condiciones diferentes, una en la que tengo casi 3,8 de anticuerpos en CC2 y dos en CC2. Aquí no es PHCCN9 porque en este automático se llama CC1 y CC2, pero es lo mismo. Entonces digo, bueno, tengo estas dos condiciones. Compararía con el protocolo inicial.
Es decir, nuestra referencia, que es nuestro pincel estándar, que son las imágenes que les mostré antes. Aquí, tienen las condiciones de diseño personalizado y las condiciones de diseño de relleno de espacio. Pueden ver que estas dos condiciones brindan datos que son al menos tan buenos, diría incluso mejores que los que definimos con nuestro enfoque estándar. En mi caso, los datos de relleno de espacio los escribí para probar una mayor concentración de anticuerpos, lo cual es útil cuando se tienen objetivos difíciles.
Optaré por esto porque, además, estas dos condiciones que se ven aquí estaban presentes en el diseño de relleno de espacio. No tuve que ejecutar las condiciones porque tenía los datos en el diseño de relleno de espacio y la imagen es para verificar que funciona bien. Elegí un diseño de relleno de espacio para probar en otro protocolo, solo para ver si funciona.
No repasa todo. Simplemente tomo el mismo papel y cambio mis respuestas para los nuevos objetivos. Obtuve este modelo donde para hacer coincidir el objetivo de dos aquí de intensidad central y minimizar ese fondo, dijo, bien, deberías tener 2,8 microgramos por macho de anticuerpo y en condición CC2.
Si lo comparo con el protocolo que desarrollamos, se decía programa de CC1 y 5 microgramos, por lo que no es lo mismo. Ambos cambian, pero como puede ver en la imagen, es el mismo protocolo definido por Space Filing Design, que es al menos tan bueno como el que desarrollamos habitualmente. Ahora bien, lo que falta para convencer a las operaciones y a los gerentes es, sin duda, el costo y el tiempo. Nuestro enfoque de diseño ofrecido aquí.
Primero, comparo el diseño personalizado con el diseño de relleno de espacio, ya que me llevó mucho tiempo diseñar todo en comparación con nuestro enfoque estándar. Nuestro enfoque estándar está en azul en este gráfico y el de relleno de espacio en rojo, el diseño personalizado en verde, y comparo la cantidad de ciclos, que es el tiempo que lleva, la cantidad de diapositivas, el tiempo desde el diseño hasta el protocolo y el tiempo desde que se toma una solicitud hasta que se reserva.
Si nos fijamos en el tiempo transcurrido desde la solicitud técnica hasta la investigación, incluso teniendo que diseñar todo, incluyendo que es una nueva forma de hacer por parte del equipo técnico, acortamos el tiempo hasta obtener resultados. Ahora, con un segundo ejemplo, no tuve que diseñar todo de nuevo. Es más probable que lo que hagamos a continuación sea si adoptamos este enfoque como nuestro nuevo enfoque actual, y por eso comparo el enfoque estándar utilizado para este proyecto.
En azul, en rojo rayado, puse la configuración del DOE, presione el ciclo de comparación porque tenemos un protocolo de referencia. Hice un ciclo de comparación, pero si es en el nuevo enfoque que estamos usando, entonces no haremos un ciclo de comparación porque no tendremos referencia. Solo haríamos la configuración del DOE, y está en rojo. Como puede ver, disminuyó la cantidad de ciclos, la cantidad de sitios, la cantidad de anticuerpos que usamos y los resultados finales en días, se acortan por ALF, lo cual es bastante bueno.
En conclusión, me gusta esta cita de Steve Jobs: "Empieza por lo pequeño, piensa en grande". Al principio, cuando vi todas estas [inaudible 00:24:53], oh, es bueno, pero puedo aplicarlo. Luché un poco, pero dije, bueno, comenzaré de la manera más simple, y lo configuré para esta IHC simple, y convencí a mi gerente aún más rápido de configurarlo cuando pensé. Luego, al equipo operativo y, finalmente, a otros líderes de que el enfoque se puede aplicar a la IHC.
No podemos garantizar que, en caso de que necesitemos una optimización como la que tenemos ahora, no sabemos al principio si será un desarrollo fácil o no. El siguiente paso, me gustaría presentarlo en el laboratorio, es la configuración multiplex. Detectar múltiples objetivos en el mismo tejido, comenzando con dos objetivos contra el suprimido y llegando hasta cinco objetivos. Esto está en curso.
Por último, quiero darles las gracias. Quiero agradecer al comité directivo por haber seleccionado mi resumen. Quiero agradecerles a ustedes, al equipo de Cerba Research Montpellier y también al técnico de laboratorio porque a veces es difícil seguir mis ideas locas.
Mi manager, que ya me apoya en la nueva estrategia y en la nueva forma de ver las cosas, y todo el equipo de concepción y validación, del que soy parte, también me han seguido en esta prueba. Quiero agradecer al equipo francés de JNP. Stéphane, por apoyarme y hacer todas las preguntas, y eso me permitió cargar esta nueva JNP 17, donde estoy atascado con la 16, y poder ver la bonita plataforma de exploración del diseño, y les agradezco a todos por su atención.
