| Conférencier |
Transcription |
| Rebecca Clarke |
Ok, bonjour à tous, je m'appelle Rebecca et je suis rejoint aujourd'hui par Jose et George et aujourd'hui nous allons vous parler de la façon dont nous utilisons les méthodes de validation JMP Pro pour nous aider à arrêter de perdre du temps à enquêter sur de faux effets. |
| |
Tout d'abord, je vais vous présenter notre entreprise et nos activités. Nous travaillons pour Oxford Biomedica. |
| |
Nous sommes des pionniers dans le domaine de la thérapie génique et cellulaire et nous occupons une position de leader dans la recherche, le développement et le biotraitement des vecteurs lentiviraux. |
| |
Nous avons donc plus de 20 ans d'expérience dans le domaine. Nous avons été la première entreprise à traiter des humains avec une thérapie à base de vecteurs lentiviraux. |
| |
Les partenaires locaux avec lesquels nous travaillons sont répertoriés ici en bas à droite. Nous travaillons donc avec Novartis, Sonofi, Boehringer Ingelheim et Orchard Therapeutics et certaines des conditions que nous traitons incluent le cancer, les troubles du système nerveux central et la fibrose kystique, pour n'en nommer que quelques-uns. |
| |
L’année dernière, Oxford Biomedia a également rejoint la lutte contre la COVID-19 en adhérant au consortium britannique pour les vaccins. |
| |
Le consortium était dirigé par l’Institut Jenner de l’Université d’Oxford et l’objectif était de développer rapidement un candidat vaccin contre la COVID-19. |
| |
En rejoignant ce consortium, Oxford Biomedica a permis la production à grande échelle du vaccin en permettant au consortium d'accéder à nos suites de pointe. Par la suite, nous avons signé un accord d'approvisionnement clinique et commercial avec AstraZeneca. |
| |
Par cet accord, nous avons convenu de fournir le vaccin AstraZeneca contre la COVID-19 si celui-ci s'avérait efficace lors des essais cliniques. Comme vous le savez sans doute, le vaccin a été un succès et Oxford Biologica continue de le fabriquer à ce jour. |
| |
Je voudrais également présenter brièvement les processus que nous utilisons ici et ensuite chez OXB. |
| |
Un bioprocédé est donc un procédé qui utilise une cellule vivante ou ses composants pour obtenir un produit souhaité, donc un procédé bien connu |
| |
Un exemple d’un tel processus serait la fermentation des boissons alcoolisées. |
| |
Au cours de ce processus, la levure, composant vivant, et tous les autres ingrédients nécessaires au brassage de la bière sont placés dans un bioréacteur. La levure déclenche alors une réaction chimique appelée fermentation. Durant cette fermentation, le glucose est transformé en éthanol. |
| |
Et puis, une fois cette réaction de fermentation terminée, le contenu du bioréacteur est ensuite récolté et purifié par filtration et il nous reste alors le produit final qui est la bière. |
| |
Le procédé que nous utilisons ici à Oxford Biomedica est similaire à la fermentation. Les composants vivants de notre procédé sont |
| |
cultures cellulaires, donc avec les bioréacteurs que nous mettons dans les cultures cellulaires et aussi les autres composants nécessaires pour fabriquer les facteurs lentiviraux. |
| |
À la fin de ce processus de production, le contenu du bioréacteur est transmis au traitement en aval, où le produit est purifié, puis mis en bouteille et expédié pour être utilisé par les patients. |
| |
Cette diapositive illustre simplement le cycle de développement d'un médicament. Tout en bas à gauche se trouve la phase de recherche. |
| |
C’est donc à ce stade que nous identifions les gènes ou protéines cibles qui sont importants dans les mécanismes de la maladie. |
| |
Et nous développons également des médicaments contre ces cibles et nous démontrons si le médicament réussit à cibler la maladie. |
| |
Et puis, à la toute fin du cycle de vie, nous avons la fabrication commerciale, où le médicament est fabriqué et mis en bouteille pour être utilisé chez les patients. |
| |
Notre équipe, Recherche et Développement Procédés, se situe entre ces deux étapes. Notre mission est de concevoir, d'optimiser et de déployer à grande échelle le processus de production. |
| |
et nous acheminons les médicaments du laboratoire de recherche à la production. Nous utilisons notamment des flacons d'agitation de petite taille et travaillons jusqu'aux bioréacteurs de 50 litres. |
| |
Ainsi, comme vous pouvez l’imaginer, nous générons beaucoup de données au cours de notre travail et les bioréacteurs ont de nombreux paramètres d’entrée que nous devons surveiller et optimiser. |
| |
Avec le volume considérable de données que nous générons, il est assez difficile de discerner sur quels paramètres nous devons nous concentrer lors de notre optimisation. |
| |
Et juste à cause du grand nombre de paramètres avec lesquels nous devons travailler, il n'est pas commercialement viable pour nous d'optimiser chacun d'eux individuellement, donc à ce stade, nous nous tournons vers la modélisation statistique. |
| |
Et nous utilisons les modèles pour essayer de réduire la liste des paramètres potentiels que nous devrions optimiser. |
| |
Ainsi, même si ces modèles sont utiles, nous générons beaucoup de bruit aléatoire au cours de notre travail, et cela est dû à la nature vivante du traitement biologique, de sorte qu'aucune culture n'est identique. |
| |
Ce bruit aléatoire est donc évidemment intégré dans nos modèles statistiques et cela peut nous amener à perdre du temps à examiner des effets non réels lors de nos expériences d’optimisation. |
| |
C'est donc dans cet esprit que nous avons envisagé d'utiliser JMP Pro, en particulier les fonctionnalités de validation, |
| |
ce qui, nous l'espérons, nous aidera à affiner davantage la liste des paramètres que nous examinerons, à supprimer les effets non réels des modèles et également |
| |
pour éviter de sur-adapter nos modèles. Je vais maintenant céder la parole à José, qui va vous expliquer toute la méthode de validation des données. |
| José Gonçalves |
Je m'appelle José et je vais vous parler de la méthode d'optimisation dans son ensemble. Il s'agit d'une méthode et d'un outil de modélisation uniquement disponible sur JMP Pro. Nous souhaitions explorer son utilisation et son utilité chez OXB pour… |
| |
J'ai vu à quel point cela pouvait être utile |
| |
à OXB pour la modélisation des données de bioprocédés. Comme le disait Rebecca, |
| |
nous utilisons ces réacteurs steritank (?) dans notre processus et, fondamentalement, nous cultivons des cellules dans ces bioréacteurs et nous produisons ces vecteurs viraux, qui sont nos |
| |
Produit principal. C'est ce que nous souhaitons maximiser et modéliser. C'est donc notre variable de réponse. |
| |
Les bioréacteurs nécessitent de nombreuses entrées de contrôle et produisent beaucoup de données au cours d'un processus de production. Il est donc nécessaire de disposer d'un outil permettant de déterminer quelles entrées et sorties méritent d'être étudiées. |
| |
Cela nous serait très utile. Cela nous permettrait de gagner du temps, de libérer des ressources et d'adopter une approche plus ciblée des enquêtes. |
| |
Donc, avant de nous lancer dans la construction du modèle, nous avons d’abord dû collecter autant de données que possible à partir de lots historiques. |
| |
Ces données nous donnent donc des indications sur le déroulement de notre processus de production. Toute anomalie dans les données pourrait indiquer un effet néfaste sur nos titres de vecteurs. À gauche, vous pouvez voir que |
| |
nous avons collecté les données de 20 variables, malheureusement, nous n'avons pas pu afficher les noms réels des variables et nous avons dû anonymiser les données. |
| |
Nous les listons donc ici de X1 à X20 et, comme notre processus est assez dynamique, nous ne pouvons pas nous attendre à un degré de colinéarité entre les prédicteurs. |
| |
en résumé, nous disposons d'un ensemble de données contenant 20 variables ou 20 prédicteurs candidats à notre modèle, et nous avons collecté les données de 67 lots historiques. |
| |
Donc, comme cela faisait partie de l'essai de JMP Pro, nous avons pensé que ce serait une bonne chose à faire au début d'utiliser le JMP standard pour construire le modèle, puis de l'utiliser comme comparaison avec un autre modèle construit en utilisant la méthode de formulation de maintien. |
| |
Ici, pour construire le modèle sans la méthode de validation, nous utilisons la plateforme de modélisation standard sur JMP et |
| |
Nous avons choisi ici un modèle de surface de réponse, car nous souhaitions intégrer tous les effets principaux, les termes d'interaction et les termes carrés. Pour la personnalité, nous avons opté pour une progression par étapes. À droite, |
| |
nous avons le panneau de contrôle de régression par étapes et nous utilisons la règle d'arrêt comme seuil de valeur P, donc les paramètres restants, nous les avons laissés par défaut. |
| |
Et puis, après avoir exécuté la régression par étapes, c'est le modèle final qui a été généré. |
| |
Vous voyez ici que le modèle comporte huit termes, dont sept sont significatifs. J'aimerais donc attirer votre attention sur ces trois premiers facteurs, car ils sont très significatifs dans notre modèle et ils le seront. |
| |
très important dans quelques diapositives lorsque je vais montrer |
| |
les résultats...les résultats |
| |
lorsque nous abordons l'utilisation de la méthode de validation de maintien, l'ancien modèle ici est significatif et peut expliquer environ 44 % de la variation dans notre ensemble de données. |
| |
Et donc, c’était en quelque sorte notre approche initiale. |
| |
Nous étions satisfaits de ce premier modèle qui a été généré, mais nous étions plus intéressés d'en savoir plus sur les méthodes de validation. |
| |
Parce qu’étudier tous ces prédicteurs nécessiterait beaucoup de temps et de ressources de laboratoire, c’est donc l’approche que nous avons adoptée ensuite. |
| |
Voici donc un aperçu du fonctionnement de cette méthode de validation de rétention. |
| |
En résumé, nous avons notre ensemble de données, qui sera divisé aléatoirement en deux groupes. À gauche, 70 % des données. |
| |
il s'agira d'affecter à un ensemble de formation la proportion de données qui sera utilisée exclusivement pour construire le modèle. |
| |
Et ici, sur le côté droit, nous avons 30 % des données que nous allons attribuer à un ensemble de validation, et c'est la proportion de données qui sera utilisée |
| |
d'arrêter notre processus de construction du modèle lorsque ce R au carré de l'ensemble de validation est atteint, ce qui correspond à son maximum. Donc, ici, en bas, |
| |
nous pouvons voir, c'est une capture d'écran de la plate-forme de régression pas à pas, qui est essentiellement la même que celle que nous avons utilisée auparavant, mais il y avait une règle d'arrêt, qui montre que c'est, |
| |
Le R au carré maximal de validation au lieu de notre seuil de p-valeur. Ce graphique en bas montre |
| |
nous avons l'ensemble d'entraînement et nous avons l'ensemble de validation ici, qui est étiqueté exclu. |
| |
Et donc, comme vous pouvez le voir, l'ensemble d'entraînement, lorsque nous commençons à entrer des termes dans le modèle, |
| |
parce que nous avons cette règle ici, cette règle de direction vers l'avant, nous commençons avec zéro terme dans le modèle, puis nous procédons par étapes pour ajouter des termes dans le modèle. |
| |
Au fur et à mesure que nous commençons à ajouter ces termes, le R au carré augmente assez rapidement, jusqu'à ce que nous ayons cinq termes dans le modèle et ensuite il n'y a pas beaucoup d'augmentation de l'amélioration du R au carré. |
| |
Au début, on ajoute de plus en plus de termes. L'un des aspects importants de cette méthode est donc ce qui se passe dans l'ensemble de validation. |
| |
car cela est lié à notre règle d'arrêt. Ce qui se passe donc est essentiellement le même lorsque nous ajoutons des termes au modèle. |
| |
le R au carré augmente assez rapidement, jusqu'à ce que nous atteignions le R au carré maximum, puis après ce point, à mesure que nous ajoutons de plus en plus de termes, le R au carré diminue. |
| |
Et donc, c'est exactement ce que fait cet ensemble de validation, c'est... ce que... nous voulons utiliser cet ensemble de validation pour arrêter le processus de construction du modèle à ce stade, afin que nous puissions inclure tous ces termes ici qui expliquent la plupart des variations dans notre ensemble de données et éviter |
| |
l'inclusion de tous ces termes dans le modèle pourrait créer un surajustement du modèle ou bien ils pourraient ne pas être authentiques du tout. |
| |
Après avoir exécuté la régression pas à pas, voici le modèle final généré. Comme vous pouvez le constater, nous sommes passés de huit ou sept termes significatifs à seulement trois. Et, comme vous vous en souvenez, ces termes étaient hautement significatifs lorsque nous n'utilisions pas la |
| |
la méthode de validation est maintenue et donc ici, ils ne semblent pas du tout significatifs. |
| |
Et en fait, ce modèle n’est capable d’expliquer qu’environ 4 % de la variation de notre ensemble de données. |
| |
Et donc, c'était assez... nous pensions que c'était une diminution assez spectaculaire du nombre de termes dans le modèle et nous avons commencé à penser, d'accord, peut-être que nous n'avons pas eu de chance avec l'ensemble de validation qui a été généré pour |
| |
pour construire ce modèle particulier et nous avons pensé que nous... L'un des grands avantages de JMP Pro est que nous pouvons utiliser cette plate-forme de régression généralisée, qui est essentiellement... le résultat est essentiellement le même que dans une régression pas à pas, mais dans ce |
| |
Grâce à la plateforme de régression généralisée, nous pouvons utiliser cette fonction de simulation. Elle permet de réexécuter le modèle autant de fois que nécessaire. |
| |
Et puis, utilisez-le pour chaque modèle généré, il utilise un ensemble de validation différent. C'est donc l'approche que nous avons adoptée ensuite. |
| |
Et parce que |
| |
Nous n'avons pas pu lister tous les modèles que nous avons générés. Nous avons simplement essayé de générer 100 modèles, ou nous avons réalisé 100 simulations de modèles. Nous ne pouvions donc pas tous les lister ici. |
| |
Et la façon dont nous avons voulu résumer les résultats est de... nous avons essayé de compter le nombre de fois qu'un facteur particulier a été sélectionné pour être inclus dans le modèle après ces 100 simulations. |
| |
Et c'est exactement ce que montre ce graphique. À droite… à gauche |
| |
Nous avons juste… ce ne sont que les estimations des paramètres. Cela permet simplement d'observer la dispersion des données. Et ici, |
| |
Comme vous pouvez le voir, nous avons X13 et X8, et ce sont ces termes d'interaction qui étaient significatifs lorsque nous n'utilisions pas cette méthode. Prenons l'exemple de X13 : il n'a été détecté que 46 fois. |
| |
à inclure dans le modèle ou 46 % du temps à inclure dans le modèle, et donc, ce qui est un nombre assez faible, comme nous l'attendions puisque |
| |
Ces facteurs étaient très significatifs lorsque nous n'utilisions pas cette méthode. |
| |
la conclusion que nous tirons de l'utilisation de la méthode de validation de maintien est que c'est certainement un bon outil à avoir pour les scientifiques et en particulier lorsque nous construisons des modèles et |
| |
Nous avons des variables qui s'avèrent significatives, mais qui ne cadrent pas tout à fait avec notre compréhension scientifique. Une autre conclusion que nous tirons est donc que |
| |
Ce qui est sûr, pour cette étude, c'est que nous pouvons supposer que les attributs du processus étudiés n'ont pas d'impact significatif sur nos titres vectoriels. Je vais donc maintenant céder la parole à George. Il va parler de l'autovalidation. |
| Georges Pamenter |
Bonjour à tous ! Je m'appelle George. Je travaille au sein du groupe Purification d'Oxford Biomedica. Je vais vous parler un peu de cette autovalidation. |
| |
Une méthode qui nous a été proposée par JMP et son utilisation spécifique dans la conception d'expériences, notamment la structure des données. Je vais vous expliquer comment nous avons utilisé cette méthodologie pour supprimer une variable d'un modèle d'optimisation de la purification de vecteurs viraux. |
| |
Bon, alors commençons par quelques informations générales sur la purification d'un vecteur viral pour ceux qui ne le savent pas. |
| |
Nous recevons donc essentiellement ce matériel de culture cellulaire des bioréacteurs. |
| |
Et ce matériel est un matériel assez brut, donc nos thérapies d'intérêt sont des vecteurs très viraux, qui incluent également des milliers d'autres espèces, des espèces contaminantes. |
| |
Et il peut s’agir de n’importe quoi, depuis des protéines indésirables jusqu’à de l’ADN bactérien ou parfois même de virus inefficaces. |
| |
L’objectif de la purification est donc de séparer notre produit vecteur viral pur de tous ces différents contaminants. |
| |
Mais ces processus peuvent être extrêmement complexes, impliquant la chromatographie ou des traitements enzymatiques, ainsi que divers facteurs affectant leurs performances. Il nous faut donc trouver un moyen de sélectionner efficacement les meilleures conditions pour atteindre la pureté optimale. |
| |
Et nous y parvenons souvent en utilisant des plans d'expériences, des plans d'expériences courants tout au long du développement d'un bioprocédé. |
| |
nous les utilisons essentiellement pour cribler, optimiser et caractériser entièrement nos bioprocédés. |
| |
Essentiellement, à mesure que nous progressons dans le développement des médicaments, à mesure que nous nous dirigeons vers la fabrication commerciale, la taille de nos expériences augmente. |
| |
Le nombre d’expériences que nous pouvons réaliser diminue en réalité, et il devient de plus en plus difficile pour nous de changer les choses à mesure que nous nous rapprochons d’un produit commercial. |
| |
Nous devons donc être capables de prendre des décisions intelligentes dès le début du développement et la façon dont nous le faisons est de |
| |
Développer des modèles efficaces. Ainsi, si nous disposons d'un modèle efficace dès le début, cela nous donne l'assurance d'avoir choisi les meilleures conditions pour notre gamme de procédures. |
| |
Je vais donc détailler comment nous avons utilisé cette technologie d'autovalidation sur un exemple précis. Nous avons donc réalisé la conception d'expériences de surface de réponse. |
| |
sur une étape de purification du vecteur viral et encore une fois, nous ne sommes pas en mesure de partager les données réelles avec vous, mais nous avons dû les normaliser ici. |
| |
Il s'agissait donc d'un espace de conception à trois facteurs, et notre variable de sortie ou de réponse d'intérêt est ce niveau d'impureté. Ce niveau d'impureté pourrait donc correspondre à la quantité de protéines d'ADN contaminantes, ou quelque chose de ce genre. |
| |
L’objectif était donc d’optimiser ces modèles pour obtenir le niveau d’impureté le plus bas possible. |
| |
Et c'est ainsi que nous avons initialement examiné nos configurations JMP, il y a trois variables d'entrée et cette impureté de réponse. |
| |
Nous avons donc initialement construit quelques modèles, en utilisant la plateforme de régression pas à pas et également la régression Lasso, qui était une fonctionnalité de JMP Pro. |
| |
Et en fait, au début, nous étions assez satisfaits de ce que nous voyions, donc nous expliquions une grande partie des données. |
| |
Nous avons semblé l’expliquer assez bien et nous avons commencé à voir apparaître les variables que nous nous attendions à voir apparaître. |
| |
Mais il y avait une variable qui nous rendait moins sûrs, et c'était cette interaction X1 X3, que vous pouvez voir et que j'ai mise en évidence ici. |
| |
Si vous portez votre attention sur le coin supérieur droit de l'écran, vous pouvez voir que ce profil X1 change complètement en fonction de |
| |
la valeur de X3, donc à de faibles valeurs de X3, nous avons ce genre d'effet nul pour être honnête, et puis à des valeurs élevées de X3, nous avons ce genre de corrélation positive. |
| |
Et cela nous a vraiment dérouté et c'était un peu inquiétant parce qu'en fait, cette interaction X1 X3 ne correspondait pas vraiment à ce que nous comprenions scientifiquement. |
| |
Cela nous a donc un peu dérouté et nous nous sommes demandé si nos modèles expliquaient vraiment correctement les données que nous avions vues. |
| |
Cela a également eu des implications concrètes importantes pour le développement des processus dans le sens où cette variable X3 était réellement connue |
| |
changer considérablement. L'analogie que j'utiliserais ici serait : si nous développions un dosage de deux médicaments, X1 et X2, |
| |
Nous avons découvert que le dosage dépendait en réalité de l'âge du patient, disons X3, ce qui nécessite une analyse approfondie et une caractérisation approfondie. L'exploration de cette interaction aurait donc nécessité des coûts d'expérimentation supplémentaires importants, ainsi que du temps. |
| |
Nous avons donc voulu appliquer une méthodologie de validation à ce sujet, nous avons donc consulté nos collègues de JMP, |
| |
et ils nous ont essentiellement dit que, malheureusement, il n'était pas vraiment possible d'utiliser cette validation de réserve sur la conception de la structure des données expérimentales. |
| |
Et la raison en est que, si vous pouvez l'imaginer, j'ai attribué 70 % d'un ensemble de validation, ce genre d'ensembles d'entraînement à mes données ici à l'espace de conception, |
| |
Nous construisons effectivement le modèle, mais il nous manque complètement une partie de l'espace de conception. Il n'est donc pas vraiment possible d'utiliser cette validation de réserve sur les ensembles de données DOE. |
| |
Nos collègues de JMP sont donc venus nous voir avec cette autovalidation. |
| |
On m'a expliqué qu'il fallait rééchantillonner l'intégralité de l'ensemble de données. On utilise donc l'ensemble de données pour l'entraînement et l'ensemble de données pour la validation. |
| |
Et cela peut sembler à première vue une sorte de tricherie, c'est certainement ce qui m'est arrivé, mais on me dit que la manière dont cela est réalisé de manière équitable est |
| |
c'est par l'application de ces trois colonnes supplémentaires, et en réalité par ce poids bootstrap fractionné pondéré. |
| |
Et, essentiellement, je pense que l'idée ici est que si vous utilisez un élément de données dans la formation de votre modèle, vous le pondérerez ensuite de manière à ne pas utiliser autant ce même élément de données dans la validation, et c'est ainsi que vous contournez en quelque sorte cette idée de double comptage de vos données. |
| |
Nous avons donc utilisé cette méthodologie et l'avons appliquée à nos modèles. Vous pouvez voir ici la configuration dans JMP et nous utilisons à nouveau cette plateforme de régression généralisée, un outil JMP Pro. |
| |
Et là, c'est à peu près la même chose que ce que José expliquait, mais au lieu de simuler pour différents |
| |
Pour les tâches de formation et de validation, nous simulons cette pondération partielle. Nous la simulons donc plusieurs fois pour générer différents modèles, et nous l'avons fait 500 fois. |
| |
Encore une fois, donc la sortie de nos données maintenant, comme vous pouvez le voir, avec celle de José avant, à droite ici se trouve un histogramme du nombre de fois qu'une variable particulière |
| |
était répertorié dans notre modèle, et sur la gauche ici, vous avez ces estimations de paramètres provenant de divers modèles. |
| |
En fait, je viens de tracer cette ligne rouge et je l'ai appelée la ligne du facteur nul. Cette variable à facteur nul fonctionne donc un peu comme une fausse variable. |
| |
Nous savons donc qu'il s'agit d'une sorte de variable absurde car, si nous regardons le facteur nul à gauche ici, vous pouvez voir que ses estimations de paramètres sont assez largement distribuées autour de zéro, donc il ne sait pas vraiment où aller. |
| |
Et donc nous traçons cette ligne et nous disons que chaque fois que ce facteur nul apparaît pour la première fois, tout ce qui est en dessous de cela est considéré comme étant très probablement un effet non authentique. |
| |
Voici donc une série de termes non authentiques. J'ai surligné en bleu, comme vous pouvez le voir, cette interaction X1 X3, qui était préoccupante. |
| |
Et vous pouvez voir ici que cela se produit moins souvent et que de nombreux effets de facteur nul sont apparus, donc c'était en quelque sorte la première indication que nous avions que cela pourrait ne pas être un effet réel. |
| |
Nous ne voulions donc pas nous arrêter là. Nous avons réalisé plusieurs itérations avec différents |
| |
Configurations d'autovalidation, et j'ai généré trois exemples ici. Vous pouvez voir que, dans chaque exemple, surligné en bleu, cette interaction X1 X 3 était systématiquement inférieure à cette ligne rouge, cette ligne de facteur nul. |
| |
Donc, sur cette base, nous étions assez confiants que ce que nous voyions n’était probablement pas un effet réel, et nous avons donc pu l’éliminer des modèles que nous souhaitions. |
| |
Comparons maintenant les résultats finaux obtenus. À gauche, le modèle initial que nous avons construit incluait cette interaction X1 X3. |
| |
Et puis à droite, ce modèle autovalidé où nous avons supprimé cela. |
| |
Et je suppose que la première chose que nous avons remarquée a été cette réduction du R au carré. Au premier abord, on a l'impression que vous expliquez moins de données, mais en réalité, nous sommes désormais beaucoup plus sûrs de l'authenticité de ce que nous expliquons. |
| |
Et vous pouvez voir ici la différence dans les conditions d'optimisation de minimisation qui en résultent. |
| |
Et cela nous a apporté de nombreux avantages en termes de traitement. N'oubliez pas qu'il s'agit de variables réelles, qui ont des conséquences concrètes. |
| |
Cette variable X1 est en fait très coûteuse pour nos processus. Nous étions donc ravis de voir que nous pouvions la réduire. |
| |
Encore une fois, lorsque cette variable X2 diminue, cela représente également, pour des raisons scientifiques, un avantage considérable pour notre processus, nous sommes donc en mesure de la réduire également, ce qui nous a été bénéfique. |
| |
Et ce sont des coïncidences plutôt heureuses, je suppose, mais la seule chose dont nous étions vraiment satisfaits, c'est qu'en fait, |
| |
vous pouvez voir la suppression de cette interaction X1 X3, nous avons vu que les profils de X1 et X2 étaient en fait constants et que cela correspondait vraiment à |
| |
Nous avons obtenu les résultats scientifiques escomptés, et nous étions donc ravis de les observer. Nous sommes donc partis et avons testé ces deux modèles avec des expériences complémentaires pour voir lequel était le plus performant. |
| |
Et à chaque fois, ce modèle auto-validé a en fait concordé avec les observations que nous avons vues dans nos expériences finales. |
| |
Je vais juste te le rendre maintenant, Rebecca. |
| Rebecca Clarke |
Je vais juste résumer rapidement ce dont nous avons parlé. Nous savons donc que les effets non réels ont des implications concrètes, tant sur les délais de développement que sur les coûts expérimentaux des bioprocédés. |
| |
Et ici, nous avons examiné deux méthodes de validation pour nous aider avec nos bioprocédés, pour mettre en évidence des effets potentiellement non vrais que nous pouvons éliminer de nos expériences d'optimisation. |
| |
Nous avons donc utilisé avec succès l'outil de validation de maintien pour supprimer un certain nombre de paramètres de notre liste d'optimisation, puis nous utilisons également l'autovalidation lors de nos expériences de type DOE. |
| |
Dans ces cas, les modèles générés sont ensuite confirmés par des travaux expérimentaux. Globalement, nous avons été très satisfaits de l'utilisation de JMP Pro. |
| |
en particulier, les méthodes de validation au sein de nos bioprocédés pour nous aider à économiser beaucoup de temps et de ressources et à ne pas nous concentrer sur des effets non réels. |
| |
Et pour terminer, nous tenons à remercier Robert Anderson et Anna Roper de JMP qui nous ont aidés tout au long de cette présentation, et c'est tout pour nous, et merci de votre écoute. |
