Durch die Verwendung einer Atomlagenbeschichtung auf Partikeln pharmazeutischer Wirkstoffe (API) kann deren Oberfläche angepasst und die Leistung der API-Partikel verbessert werden. Das Hardware-Team von Applied hat ein eigenes Werkzeug entwickelt, um diese Partikel mit großer Oberfläche zu beschichten.
Als Experimentatoren besteht unsere Hauptaufgabe in diesem Projekt darin, das Rezept zu optimieren und dem Hardware-Team auf der Grundlage der erhaltenen Daten Feedback zur Verbesserung des Designs zu geben. In dieser Präsentation besprechen wir zwei Sätze von Prozessdaten, die aus verschiedenen Designs eines der Hardwareteile gewonnen wurden. Ziel ist es, die beiden Datensätze zu vergleichen und das Design mit der geringsten Abweichung zu finden. Dazu verwenden wir in JMP Tools wie Histogramme und kontinuierliche Anpassung, um die Verteilung der Prozessparameter und den Verteilungstyp für beide Fälle zu sehen. Ein Normalquantildiagramm wird verwendet, um auf Abweichungen in der Normalität des Datensatzes zu prüfen. Die Ausreißeranalyse wird mit „Explore Outlier“ in JMP durchgeführt, was eine einseitige Analyse zum Datenvergleich ermöglicht. Anhand der erhaltenen Daten wird die beste Option ausgewählt und für ein Upgrade vorgeschlagen. Die Untersuchung der Ausreißer hilft dabei, die Abweichungen im Datensatz zu bestimmen.
Hallo zusammen. Ich bin Neha Gupta und arbeite bei Applied Materials, India Private Limited. Ein kurzer Hintergrund, bevor ich mit dieser Präsentation beginne. Ich bin Prozessingenieurin und arbeite an diesem F&E-Projekt, einem Forschungs- und Entwicklungsprojekt im Bereich angewandte Materialien.
Für diese aktuelle Studie, deren Titel mit der Überprüfung übereinstimmt, ist die Änderung des Prozessparameters mit der Änderung der Hardwareschicht eine der Studien, die wir durchgeführt haben. Bevor ich mit der Präsentation beginne, möchte ich dem JMP-Team danken, das mir die Gelegenheit gegeben hat, über diese Präsentation und diese Arbeit zu sprechen.
Damit werde ich meine Präsentation beginnen. Wie bereits erwähnt, arbeite ich bei Applied Materials India Private Limited, einem Unternehmen in der Halbleiterindustrie, und wir verfügen über die Expertise im Bereich der Atomlagenbeschichtung. Wir haben versucht, diese Atomlagenbeschichtung in einem angrenzenden Marktbereich, nämlich dem Pharmabereich, einzusetzen.
Wir haben versucht, unser Fachwissen über die Atomlagenbeschichtung pharmazeutischer Partikel zu nutzen und ihre Eigenschaften, die Eigenschaften pharmazeutischer vertikaler Partikel, zu verbessern. Damit haben wir bereits einen Proof of Concept. Wir haben bereits im kleinen Maßstab gezeigt, dass wir durch die ALC-Beschichtung der Partikel ihre Fließfähigkeit, ihre Bioverfügbarkeit usw. verbessern können.
Jetzt müssen wir die Skalierung hochfahren. Bevor ich näher auf die Details von JMP eingehe, möchte ich sagen, dass wir JMP als Tool verwenden, um unseren technischen Bereich, unser technisches Fachwissen und unsere technischen Erkenntnisse zu erläutern, und JMP hat uns dabei unterstützt. Wie ich bereits erwähnt habe, können wir mit dieser Partikelbeschichtung die Eigenschaften des Partikels verbessern.
Unser Endprodukt, unser Endziel ist die Beschichtung. Die Beschichtungsqualität sollte gut sein. Wenn die Beschichtungsqualität gut ist, können wir viel Besseres erreichen. Die Beschichtungsqualität wird auch von mehreren Parametern beeinflusst. In JMP haben wir ein sehr gutes Tool, um dies anzuzeigen, das als Ursache-Wirkungs-Diagramm bezeichnet wird.
Wenn ich als Laie zeigen möchte, dass dies mein Endprodukt ist und dass es von mehreren Parametern oder Faktoren beeinflusst wird, wie zeige ich das? Das ist die eine Sache. Dies ist das Ursache-Wirkungs-Diagramm, in dem ich gezeigt habe, dass die Qualität meiner Beschichtung von meinem Verfahren, meiner Bewegung des Pulvers beeinflusst wird, weil es sich um eine große Oberfläche handelt.
Nur herkömmliches ALD wirkt auf die Füllung, nicht auf das Pulver. Beim Pulver ist die Oberfläche viel, viel größer als bei der dünnen Füllung. In diesem Fall spielen die Prozessparameter, der PADL-Einfluss, die Bewegung des Pulvers, die Art und Weise, wie Sie die Chemikalien für die Reaktionen einbringen, wie Sie die Rückstände entfernen, und dann, welche Rolle dieser Abstand zwischen diesen beiden spielt und welche Auswirkungen die Temperatur auf die gesamte Chemie hat, eine Rolle.
Dies sind einige Parameter, die die Beschichtungsqualität beeinflussen. Wenn ich jetzt sage, dass es ein Parameter ist, kann das niemand verstehen. Aber wenn ich dieses Diagramm zeige, ein Ursache-Wirkungs-Diagramm, ist das eine viel bessere Art, es zu erklären, wie wir es gerade verwendet haben.
Um auf meinen ursprünglichen Punkt zurückzukommen: Die Beschichtungsqualität wird von den sechs Parametern beeinflusst. Im Moment haben wir uns auf den Headspace konzentriert, da der Prozess bereits festgelegt ist. Wir haben dies bereits in kleinem Maßstab als Proof of Concept gezeigt. Unser Prozess ist bereits festgelegt. Jetzt kommt es auf die Hardware an. Welche Rolle wird die Hardware nun spielen?
Nehmen wir an, Sie haben ein Partikel auf der Basis und Sie haben das Gaszufuhr-Injektionssystem oder Sie haben eine Chemikalie, die hineingeht. Wenn es so lange dauert, bis es erreicht ist, oder wenn es weniger Zeit braucht, wirkt sich das auf Ihre Prozessparameter, Ihren Druck, Ihre Restentfernung aus, alles wird sich mit dieser Entfernung ändern. Diese Entfernung testen wir im Grunde mit unserem Prüfstand.
Wir nannten dieses Werkzeug früher einen Prüfstand, an dem wir die verschiedenen Architekturen verwenden konnten. Diese Architektur ist im Grunde das Bleidesign in der Kammer, wo wir den Bleidesign-Kopfraum mit dem ersten Blei platzieren oder verkleinern, und das ist das Hohlstück, das die Kopfraumgröße vergrößern kann. Wenn der Kopfraum größer ist, ist die Chemie höher, die Restentfernung kann geringer sein, muss es aber nicht sein. Das müssen wir prüfen.
Aus diesem Grund haben wir begonnen, die Auswirkungen des Bleidesigns auf die Beschichtungsqualität zu erkennen. Damit haben wir die Daten für dieses spezielle Ding gesammelt. Während wir dieses Rezept ausgeführt haben, mussten wir beim Versuch, einige Partikel zu beschichten, einige Parameter eingeben, und diese Parameter haben wir aufgezeichnet und für die Analyse verwendet.
Dabei ist zunächst die Druckänderung zu beachten. Je größer der Abstand, desto stärker kann möglicherweise eine Reaktion erfolgen. Je länger die Verweilzeit der Chemikalien ist, desto größer ist auch die Druckänderung.
Das lässt sich mit der Normalitätsprüfung sehen, diese Druckänderung zwischen zwei Leitungen, die wir vorgenommen haben. Wir haben gesehen, ob es in Bezug auf den Zyklus eine gibt, wenn wir den Zyklus erhöhen, entweder erhöht er sich stark oder er erhöht sich weniger. Dafür haben wir im JMP die Normalitätsprüfung und die Box-Clots verwendet, um den Ausreißer zu identifizieren.
Das ist das Schöne an JMP. Sie können nicht nur den Ausreißer erkennen, sondern auch dessen Grundursache ermitteln, indem Sie Y mal X anpassen. Mit diesem Y mal X können Sie die lineare Polynomanpassung vornehmen, um festzustellen, welche Beziehung Ihr Ausreißer zu Ihrem eigenen Datensatz hat. Damit können wir das erkennen oder die Grundursache für den Ausreißer ermitteln.
Der dritte Schritt war [unverständlich 00:06:14], wo wir diese beiden Designdatensätze verglichen haben, die wir gesammelt haben. Dann haben wir unsere Hypothese bestätigt, die wir technisch gesehen haben, dass entweder es richtig ist oder wie es weitergehen wird. Damit werde ich zu meinen Ergebnissen zurückkommen.
Zunächst einmal haben wir, wie ich bereits erwähnt habe, zwei Designs. Das erste Design ist der höhere Headspace, der als Design bekannt ist, das wir als Design 1 bezeichnet haben. Das andere ist Design 2, das Sie hier sehen können, bei dem die Daten eher einheitlich oder normal sind. Sie werden sagen, dass es sehr wenig Differenzierung gibt.
Aber hier, wenn Sie sich das Design ansehen und das entsprechende Boxplot, wenn Sie sehen, dass es viele Ausreißer gibt, können Sie sehen, dass es auch welche gibt. Kommen wir nun noch einmal auf den Punkt zurück: Wir haben den Ausreißertest durchgeführt, ein sehr leistungsfähiges Tool in JMP, bei dem wir den Q-Faktor ändern und das Tail-Quantil ändern können, um Ihren Spezifikationsbereich zu überprüfen oder zu verdichten. Das, was Sie sagen werden, ist Ihr Ausreißer. Entweder ist es ein marginaler Ausreißer oder ein Prozessausreißer oder ein extremer Ausreißer.
In unserem Fall suchen wir nach dem extremen Ausreißer. Diesen extremen Ausreißer konnten wir nur im ersten Versuchsdesign finden, nicht aber im zweiten, das weniger Headspace hat. Dieser geringere Headspace zeigt keinen Ausreißer. Auf diese Diskussion werden wir später zurückkommen.
Aber vorher, würde ich sagen, haben wir bei dem extremen Ausreißer einfach versucht, die Grundursache zu finden. Wir haben versucht, die Y-x-lineare Anpassung, die Polynomanpassung und verschiedene Grade der Polynomanpassung zu verwenden. Aber wir konnten feststellen, dass aus diesen beiden Gründen nichts funktioniert, weder die lineare Strahlenanpassung noch die Polynomanpassung. Dann sind wir auf einen weiteren Punkt gestoßen, der als nichtparametrische Clusterdichteanalyse bezeichnet wird, nämlich die Signifikanz.
Obwohl es sich um ein nichtparametrisches Modell handelt, beträgt das Konfidenzintervall im Vergleich zum parametrischen Modell 95 %. Das ist in Ordnung. Aber im Moment zeigt sich für die aktuelle Studie, dass es zwei verschiedene Modelle gibt, weil es zwei verschiedene Cluster gibt, wie Sie hier sehen können. Diese beiden Cluster unterscheiden sich voneinander, und dieses Cluster wird Ihnen im Grunde sagen, dass zwei Mechanismen ablaufen.
Wenn ich das mit meiner technischen Theorie verbinde, sieht es so aus, als ob der Prozess ursprünglich linear oder mit einer separaten Steigung ansteigen sollte, dann aber verschoben wurde. Insgesamt ist der Prozess abgedriftet. Das ist unser technisches Anliegen. Als Techniker sollten Sie bedenken, dass in der Kammer, wenn Sie einen größeren Kopfraum haben, dies bedeutet, dass, wenn der Abstand zwischen dem Pulver und der Entnahme der Chemikalien oder der Injektion Ihrer Chemikalien zu groß ist, die Verweilzeit der Chemikalien und der Rückstände sehr hoch sein wird, was sich nicht nur auf den ersten Zyklus auswirken kann, sondern auf spätere Zyklen, große Auswirkungen haben kann.
Es kann zu einem vollständigen Prozess abdriften, da dies der Aufbauprozess ist. Eine Schicht wird aufgebaut, dann wird eine zweite Schicht aufgebaut und die dritte Schicht wird aufgebaut. Wenn dies die schichtweise Struktur ist, weist die erste Schicht viel Kondensation auf, dann wird die obere Schicht stark abdriften. Dies ist die Hypothese, die wir aufgestellt haben. Damit haben wir mithilfe des Kontrolldiagramms, das wiederum eines der erstaunlichen Werkzeuge ist, den gleitenden Bereich in Bezug auf den Zyklus gesehen.
Wenn Sie hier im Bewegungsbereich die anfänglichen Zyklen sehen, wenn Sie sehen, dass der anfängliche Zyklus auf einem anderen Niveau liegt, und plötzlich gibt es eine plötzliche Änderung, eigentlich einen plötzlichen Abfall, würde ich sagen, einen plötzlichen Abfall im Bewegungsbereich, was die Drift im Prozess erneut bestätigt.
Grundsätzlich legen die Hypothese und diese Daten insgesamt nahe, dass der Prozess normal begann. Der Prozess begann mit den ersten paar Zyklen normal. Aber da viel Freiraum vorhanden ist, ist die Verweilzeit höher, deshalb ist dieser Prozess abgedriftet. Deshalb gibt es viele Probleme mit der Beschichtungsqualität. Als wir dies mit der ANOVA verglichen, sagen unsere experimentellen Daten dasselbe.
Dies ist der statistische Beweis für die gleiche Hypothese, welcher Mechanismus abläuft. Obwohl die Beschichtung bei Design 1 schlechter wird, was ist der Mechanismus? Um diesen Mechanismus zu beweisen, ist dieser Prozess verschoben, wie wir auch an diesem gleitenden Spannweitendiagramm sehen können.
Schließlich haben wir diese beiden Hinweise mit der einfaktoriellen ANOVA verglichen und versucht, statistisch zu sehen, ob sie gleich oder unterschiedlich sind. Aus statistischer Sicht liegen diese beiden, obwohl wir die einfaktorielle Analyse durchgeführt haben, sehr weit voneinander entfernt. Diese Analyse ergab, dass unsere Hypothese, dass diese beiden Varianten gleich sind, nicht zutrifft. Deshalb würde ich sagen, dass diese beiden Hinweise nicht ähnlich sind.
Insgesamt haben wir JMP, das Fazit der gesamten Studie, als Werkzeug verwendet, um zu zeigen, dass wir eine Hypothese haben, die besagt, dass die Beschichtungsqualität in Design 1 aufgrund des Driftens des Prozesses schlecht ist. Das kann bestätigt werden, und das wird durch das gleitende Spannweitendiagramm bestätigt. Es gibt viele Ausreißer, was wiederum auf die von uns gezeigte Anpassung mehrerer Modelle hindeutet. Und schließlich sind diese beiden Ableitungen nicht gleich.
Zum Schluss möchte ich sagen, wie hilfreich das für mich als Prozessingenieur ist. Ich habe einiges an Arbeit erledigt, meine Daten gesammelt, meine Daten analysiert und weiß, wie es funktioniert. Aber wie werde ich das meinen Stakeholdern oder meinen Kunden mitteilen? In diesem Sinne, weil ich einige unterstützende Daten zeigen muss oder haben sollte.
Ich verfüge über diese Daten und kann damit die Hypothese des Driftprozesses aufgrund des größeren Kopfraums bestätigen. Auf dieser Grundlage können wir entscheiden, dass bei der Markteinführung des neuen Werkzeugs der Kopfraum verringert werden sollte, was sich im Design widerspiegelt.
Dieses JMP-Tool hat mir geholfen, meine Hypothese zu zeigen oder zu beweisen und eine Entscheidung zu treffen, die als Design richtig ist. Das ist alles über mein Tool. Abschließend möchte ich meinen Teammitgliedern, meinem Ausbilder Charles und meinem Mentor Sukhti danken. Und schließlich danke ich dem JMP-Team, dass es mir noch einmal eine Chance gegeben hat. Vielen Dank.
