| Oratore |
Trascrizione |
| Rebecca Clarke |
Ok, ciao a tutti, mi chiamo Rebecca e oggi sono con Jose e George. Oggi vi parleremo di come utilizziamo i metodi di convalida di JMP Pro per aiutarci a smettere di perdere tempo a indagare sui falsi effetti. |
| |
Innanzitutto, vorrei presentarvi la nostra azienda e spiegarvi cosa facciamo. Lavoriamo per Oxford Biomedica. |
| |
Siamo pionieri nel settore della terapia genica e cellulare e occupiamo una posizione di leadership nella ricerca, nello sviluppo e nella bioelaborazione dei vettori lentivirali. |
| |
Abbiamo oltre 20 anni di esperienza nel settore. Siamo stati la prima azienda a curare gli esseri umani con una terapia basata su vettori lentivirali. Alcuni dei |
| |
I partner locali con cui collaboriamo sono elencati in basso a destra, quindi collaboriamo con Novartis, Sonofi, Boehringer Ingelheim e Orchard Therapeutics. Alcune delle patologie che trattiamo includono cancro, disturbi del sistema nervoso centrale e fibrosi cistica, solo per citarne alcune. |
| |
L'anno scorso anche Oxford Biomedia si è unita alla lotta contro il COVID-19 aderendo al consorzio vaccinale del Regno Unito. |
| |
Il consorzio era gestito dallo Jenner Institute dell'Università di Oxford e il suo obiettivo era quello di sviluppare rapidamente un candidato vaccino contro il COVID-19. |
| |
Aderendo a questo consorzio, Oxford Biomedica ha permesso l'aumento della produzione del vaccino, consentendo al consorzio l'accesso alle nostre suite di laboratorio all'avanguardia. Successivamente, abbiamo firmato un accordo di fornitura clinica e commerciale con AstraZeneca. |
| |
Con questo accordo, abbiamo accettato di fornire il vaccino AstraZeneca contro il COVID, qualora si rivelasse efficace negli studi clinici. E come sicuramente saprete tutti, il vaccino ha effettivamente avuto successo e Oxford Biologica continua a produrlo ancora oggi. |
| |
Vorrei quindi brevemente presentare i processi che utilizziamo qui e in OXB. |
| |
Quindi un bioprocesso è un processo che utilizza una cellula vivente o i suoi componenti per ottenere un prodotto desiderato, quindi un ben noto |
| |
Un esempio di tale processo sarebbe la fermentazione delle bevande alcoliche. |
| |
Durante questo processo, il lievito è l'elemento vivente e, insieme a tutti gli altri ingredienti necessari per la produzione della birra, viene inserito in un bioreattore, dove il lievito innesca una reazione chimica chiamata fermentazione. Durante la fermentazione, il glucosio viene convertito in etanolo. |
| |
Una volta completata la reazione di fermentazione, il contenuto del bioreattore viene raccolto e purificato tramite filtrazione, ottenendo così il prodotto finale: la birra. |
| |
Quindi il processo che utilizziamo qui a Oxford Biomedica è simile alla fermentazione. Quindi la componente vivente del nostro processo è |
| |
colture cellulari, quindi con i biorreattori che inseriamo nelle colture cellulari e anche gli altri componenti necessari per produrre i fattori lentivirali. |
| |
Al termine di questo processo produttivo, il contenuto del bioreattore viene trasferito alla lavorazione a valle, dove il prodotto viene purificato e poi imbottigliato e spedito per essere utilizzato sui pazienti. |
| |
Questa diapositiva mostra semplicemente il ciclo di vita dello sviluppo di un farmaco. In basso a sinistra, invece, c'è la fase di ricerca. |
| |
È in questa fase che identifichiamo i geni bersaglio o le proteine importanti nei meccanismi della malattia. |
| |
E sviluppiamo anche farmaci contro questi obiettivi e dimostriamo se il farmaco riesce a colpire la malattia. |
| |
E poi, proprio alla fine del ciclo di vita, abbiamo la produzione commerciale, in cui il farmaco viene realizzato e imbottigliato per essere utilizzato sui pazienti. |
| |
Quindi il nostro gruppo, il gruppo Processi, Ricerca e Sviluppo, si colloca tra queste due fasi. Il nostro compito è progettare, ottimizzare e ampliare il processo produttivo. |
| |
e trasferiamo il farmaco dal laboratorio di ricerca alla produzione. Alcuni dei processi che utilizziamo includono l'utilizzo di palloni di agitazione su piccola scala e lavoriamo fino a bioreattori da 50 litri. |
| |
Come potete immaginare, durante il nostro lavoro generiamo molti dati e i biorreattori hanno molti parametri di input che dobbiamo monitorare e ottimizzare. |
| |
Considerata l'enorme quantità di dati che generiamo, diventa piuttosto difficile capire su quali parametri concentrarci durante l'ottimizzazione. |
| |
E proprio a causa dell'elevato numero di parametri con cui dobbiamo lavorare, non è commercialmente fattibile per noi ottimizzarli tutti individualmente, quindi a questo punto, prendiamo in considerazione la modellazione statistica. |
| |
E utilizziamo i modelli per cercare di restringere l'elenco dei potenziali parametri che dovremmo ottimizzare. |
| |
Quindi, sebbene questi modelli siano utili, durante il nostro lavoro generiamo molto rumore casuale, e questo è dovuto alla natura vivente della bioelaborazione, per cui non esistono due colture uguali. |
| |
Quindi questo rumore casuale viene ovviamente incorporato nei nostri modelli statistici e questo può portarci a perdere tempo nell'osservare effetti non reali durante i nostri esperimenti di ottimizzazione. |
| |
È stato quindi con questo in mente che abbiamo cercato di utilizzare JMP Pro, in particolare le funzionalità di convalida, |
| |
che ci aiuterà, si spera, a restringere ulteriormente l'elenco dei parametri che esamineremo, a rimuovere gli effetti non genuini dai modelli e anche |
| |
Per evitare di sovra-adattare anche i nostri modelli. Ora passo la parola a José, che vi spiegherà l'intero metodo di validazione dei dati. |
| José Gonçalves |
Giusto, mi chiamo Jose e parlerò dell'intero metodo di ottimizzazione, quindi questo è un metodo, uno strumento di modellazione disponibile solo su JMP Pro. Eravamo interessati a scoprire come usarlo... quanto potesse essere utile in OXB per... |
| |
Ho visto quanto potrebbe essere utile |
| |
a OXB per la modellazione dei dati dei bioprocessi. Quindi, come diceva Rebecca, |
| |
utilizziamo questi reattori sterili (?) nel nostro processo e fondamentalmente facciamo crescere le cellule in questi biorreattori e produciamo questi vettori virali, che sono i nostri |
| |
prodotto principale. È... è ciò che vogliamo massimizzare e che vogliamo modellare, quindi questa è in realtà la nostra variabile di risposta. |
| |
E i biorreattori richiedono molti input di controllo e producono molti dati durante un processo di produzione, quindi avere uno strumento che aiuti a determinare quali input e output meritano di essere indagati, |
| |
Sarebbe di grande valore per noi. Ci permetterà di risparmiare tempo, liberare risorse e consentire un approccio più mirato alle indagini. |
| |
Quindi, prima di lanciarci nella creazione del modello, abbiamo dovuto raccogliere quanti più dati possibili da lotti storici. |
| |
Questi dati ci forniscono indicazioni su come funziona il nostro processo di produzione e qualsiasi anomalia nei dati potrebbe indicare un effetto dannoso sui nostri titoli vettoriali. Qui a sinistra, potete vedere che |
| |
Abbiamo raccolto i dati da 20 variabili, purtroppo non abbiamo potuto mostrare i nomi effettivi delle variabili e abbiamo dovuto rendere anonimi i dati. |
| |
Quindi li elenchiamo qui da X1 a X20 e poiché il nostro processo è un processo piuttosto dinamico, non possiamo aspettarci il grado di collinearità tra i predittori. Quindi |
| |
In sintesi, abbiamo un set di dati che contiene 20 variabili o 20 candidati predittori per il nostro modello e abbiamo raccolto i dati da 67 lotti storici. |
| |
Quindi, poiché questo faceva parte della versione di prova di JMP Pro, abbiamo pensato che sarebbe stata una buona idea iniziare utilizzando JMP standard per creare il modello e poi usarlo come confronto con un altro modello creato utilizzando il metodo di formulazione hold out. |
| |
Qui, per costruire il modello senza il metodo di convalida, utilizziamo la piattaforma di modellazione standard su JMP e |
| |
Abbiamo selezionato qui il modello della superficie di risposta perché volevamo consentire a tutti gli effetti principali, ai termini di interazione e ai termini quadratici di entrare nel modello. E qui, nella personalità, abbiamo scelto di procedere a tappe. Quindi, qui a destra, |
| |
abbiamo il pannello di controllo della regressione graduale e utilizziamo la regola di arresto come soglia del valore P, quindi i parametri rimanenti li abbiamo lasciati di default. |
| |
E poi, dopo aver eseguito la regressione graduale, questo è stato il modello finale generato. |
| |
Quindi, qui potete vedere che abbiamo otto termini nel modello e sette di questi sono effettivamente significativi. Quindi vorrei portare la vostra attenzione solo su questi primi tre fattori, perché hanno... sono altamente significativi nel nostro modello e saranno |
| |
molto importante in un paio di diapositive quando mostrerò |
| |
i risultati...i risultati |
| |
se ci avviciniamo utilizzando il metodo di convalida hold out, il vecchio modello in questo caso è significativo e può spiegare circa il 44% della variazione nel nostro set di dati. |
| |
E quindi questo è stato in un certo senso il nostro approccio iniziale. |
| |
Eravamo soddisfatti del primo modello generato, ma eravamo più interessati a saperne di più sui metodi di convalida. |
| |
Poiché analizzare tutti questi fattori predittivi avrebbe richiesto una notevole quantità di tempo e risorse di laboratorio, questo è stato l'approccio che abbiamo adottato in seguito. |
| |
Ecco quindi una panoramica sul funzionamento di questo metodo di convalida holdout. |
| |
In sostanza, abbiamo il nostro set di dati, che verrà suddiviso casualmente in due gruppi. Quindi, sul lato sinistro, il 70% dei dati |
| |
sarà, verrà assegnato a un set di addestramento, che è la proporzione di dati che verrà utilizzata esclusivamente per costruire il modello. |
| |
E qui sul lato destro abbiamo il 30% dei dati che assegneremo a un set di convalida, e questa è la proporzione di dati che verrà utilizzata |
| |
per interrompere il nostro processo di costruzione del modello quando questo R quadrato dell'insieme di convalida, che è il suo massimo. Quindi qui in basso, |
| |
possiamo vedere, questo è uno screenshot della piattaforma di regressione graduale, che è essenzialmente la stessa che abbiamo usato prima, ma c'era una regola di arresto, che mostra che questo è, |
| |
la convalida massima R al quadrato invece della nostra soglia di valore p. Quindi, qui, questo grafico in basso, mostra |
| |
abbiamo il set di addestramento e il set di convalida, che è etichettato come escluso. |
| |
E così, come potete vedere, il set di addestramento, quando iniziamo a inserire termini nel modello, |
| |
poiché abbiamo questa regola qui, questa regola della direzione in avanti, iniziamo con zero termini nel modello e poi procediamo gradualmente per aggiungere termini al modello. |
| |
Quando iniziamo ad aggiungere questi termini, l'R quadrato aumenta abbastanza velocemente, fino a quando abbiamo cinque termini nel modello e in seguito non c'è un grande aumento nel miglioramento dell'R quadrato |
| |
Quando iniziamo... quando continuiamo ad aggiungere sempre più termini. Quindi, una delle cose importanti quando usiamo questo metodo è anche ciò che accade nel set di convalida, |
| |
perché questo è correlato alla nostra regola di arresto. E quindi ciò che accade è essenzialmente lo stesso quando iniziamo ad aggiungere termini al modello, |
| |
l'R quadrato aumenta abbastanza velocemente, fino a quando non raggiungiamo l'R quadrato massimo e poi, da quel punto in poi, man mano che aggiungiamo sempre più termini, l'R quadrato diminuisce. |
| |
E quindi, questo è esattamente ciò che fa questo set di convalida, ovvero... ciò che... vogliamo usare questo set di convalida per interrompere il processo di creazione del modello in questa fase, in modo da poter includere tutti questi termini qui che spiegano la maggior parte della variazione nel nostro set di dati ed evitare |
| |
l'inclusione di tutti questi termini nel modello potrebbe creare un overfitting del modello o potrebbero non essere affatto genuini. |
| |
Quindi, dopo aver eseguito la regressione stepwise, questo è stato il modello finale generato e, come potete vedere, abbiamo ottenuto una riduzione da otto o sette termini significativi a soli tre. E, come ricorderete, questi termini erano altamente significativi quando non abbiamo utilizzato il |
| |
il metodo di convalida hold out e quindi qui non sembrano essere affatto significativi. |
| |
In realtà questo modello è in grado di spiegare solo circa il 4% della variazione del nostro set di dati. |
| |
E quindi, questo è stato abbastanza... abbiamo pensato che si trattasse di una diminuzione piuttosto drammatica del numero di termini nel modello e abbiamo iniziato a pensare, okay, forse siamo stati un po' sfortunati con il set di convalida che è stato generato per |
| |
per costruire questo particolare modello e abbiamo pensato che... Una delle grandi cose di JMP Pro è che possiamo usare questa piattaforma di regressione generalizzata, che è essenzialmente... l'output è essenzialmente lo stesso di una regressione graduale, ma in questo |
| |
Grazie alla piattaforma di regressione generalizzata, possiamo utilizzare questa funzione di simulazione. In pratica, ciò che fa è rieseguire il modello più e più volte, tutte le volte che vogliamo. |
| |
E poi lo usiamo per ogni modello generato: utilizza un set di convalida diverso. Questo è stato l'approccio che abbiamo adottato in seguito. |
| |
E perché |
| |
Non potevamo elencare tutti i modelli che abbiamo generato, in sostanza abbiamo solo... provato a generare 100 modelli, o abbiamo fatto 100 simulazioni di modelli. Quindi non potevamo elencarli tutti qui. |
| |
E il modo in cui volevamo riassumere i risultati è stato... abbiamo provato a contare il numero di volte in cui un particolare fattore è stato scelto per essere incluso nel modello dopo quelle 100 simulazioni. |
| |
E quindi, questo è esattamente ciò che mostra questo grafico qui. Quindi a destra...a sinistra |
| |
Abbiamo solo... queste sono solo le stime dei parametri. Questo è utile solo per osservare la dispersione dei dati. E qui, |
| |
Come potete vedere, abbiamo X13, X8 e sono questi termini di interazione ad essere effettivamente significativi quando non abbiamo usato questo metodo. E qui, se prendiamo come esempio X13, è stato rilevato solo... solo 46 volte. |
| |
da includere nel modello o il 46% delle volte da includere nel modello, e quindi, il che è un numero piuttosto basso, come ci aspettavamo dal momento che |
| |
questi fattori qui, erano altamente significativi quando non usavamo questo metodo. Quindi |
| |
la conclusione che traiamo dall'utilizzo del metodo di convalida hold out è che è sicuramente un buon strumento da avere per gli scienziati e soprattutto quando costruiamo modelli e |
| |
Abbiamo queste variabili che risultano significative e non si adattano perfettamente alla nostra comprensione scientifica. Quindi un'altra... un'altra conclusione che traiamo è che |
| |
Un aspetto specifico di questo studio è che possiamo tranquillamente presumere che gli attributi di processo che abbiamo studiato non abbiano un impatto significativo sui titoli dei nostri vettori. Quindi ora passo la parola a George. Parlerà dell'autovalidazione. |
| George Pamenter |
Ok, ciao a tutti, mi chiamo George. Lavoro nel gruppo di purificazione qui a Oxford Biomedica. Parlerò un po' di questa autovalidazione. |
| |
metodo che ci è stato proposto da JMP e il suo utilizzo specifico nella progettazione di esperimenti, come la struttura dei dati. E parlerò brevemente di come abbiamo utilizzato questa metodologia per rimuovere effettivamente una variabile da un modello di ottimizzazione per la purificazione di vettori virali. |
| |
Bene, per chi non lo sapesse, ecco qualche informazione di base sulla purificazione di un vettore virale. |
| |
Quindi sostanzialmente riceviamo questo materiale di coltura cellulare dai biorreattori. |
| |
E quel materiale è piuttosto grezzo, quindi include i nostri vettori terapeutici di interesse, che sono molto virali, e includono anche migliaia di altre specie, specie contaminanti. |
| |
Possono essere di tutto, dalle proteine indesiderate al DNA batterico o, a volte, persino virus inefficaci. |
| |
Quindi lo scopo della purificazione è in realtà quello di separare il nostro prodotto vettore virale puro da tutti questi diversi contaminanti. |
| |
Ma questi possono essere processi incredibilmente complicati, che richiedono trattamenti cromatografici o enzimatici e una serie di fattori diversi che ne influenzano le prestazioni. Quindi abbiamo bisogno di un modo per selezionare in modo efficiente le condizioni migliori per raggiungere la massima purezza. |
| |
E il modo in cui lo facciamo spesso è attraverso l'uso della progettazione degli esperimenti. Una progettazione degli esperimenti comune in tutta la sequenza temporale dello sviluppo dei bioprocessi. |
| |
li utilizziamo essenzialmente per selezionare, ottimizzare e caratterizzare in modo completo i nostri bioprocessi. |
| |
In sostanza, man mano che avanziamo nella sequenza temporale dello sviluppo del farmaco, man mano che ci avviciniamo alla produzione commerciale, la dimensione dei nostri esperimenti aumenta. |
| |
In realtà, il numero di esperimenti che possiamo fare diminuisce e diventa sempre più difficile per noi cambiare le cose man mano che ci avviciniamo a un prodotto commerciale. |
| |
E quindi dobbiamo essere in grado di prendere decisioni intelligenti all'inizio della sequenza temporale dello sviluppo e il modo in cui lo facciamo è |
| |
Sviluppare modelli efficaci. Quindi, se disponiamo di un modello efficace fin dall'inizio, questo ci dà la certezza di aver scelto le condizioni migliori man mano che avanziamo nella nostra scala di procedure. |
| |
Quindi, spiegherò in dettaglio come abbiamo utilizzato questa tecnologia di autovalidazione su un esempio specifico. Abbiamo quindi condotto la progettazione della superficie di risposta degli esperimenti. |
| |
in una fase di purificazione del vettore virale e, ancora una volta, non siamo in grado di condividere con voi i dati effettivi, ma abbiamo dovuto normalizzarli qui. |
| |
Quindi questo era uno spazio di progettazione a tre fattori e la nostra... e la nostra variabile di output o risposta di interesse è questo livello di impurità. Quindi questo livello di impurità potrebbe essere la quantità di proteine del DNA contaminanti, qualcosa del genere. |
| |
Quindi l'obiettivo era davvero quello di ottimizzare questi modelli per ottenere il livello di impurità più basso possibile. |
| |
E questo è quello che inizialmente abbiamo visto nelle nostre configurazioni JMP: ci sono tre variabili di input e questa impurità di risposta. |
| |
Inizialmente abbiamo quindi creato alcuni modelli utilizzando la piattaforma di regressione stepwise e anche la regressione Lasso, una funzionalità di JMP Pro. |
| |
E in effetti all'inizio eravamo piuttosto soddisfatti di ciò che vedevamo, quindi spiegavamo molti dati. |
| |
Sembrava che stessimo spiegando la cosa abbastanza bene e abbiamo iniziato a vedere emergere le variabili che ci saremmo aspettati di vedere. |
| |
Ma c'era una variabile che ci rendeva un po' meno sicuri, ed era questa interazione X1 X3, che potete vedere evidenziata qui. |
| |
Se si porta l'attenzione in alto a destra dello schermo, si può vedere che questo profilo X1 cambia completamente a seconda |
| |
il valore di X3, quindi a bassi valori di X3, non abbiamo questo tipo di effetto reale, per essere onesti, e poi a valori alti di X3, abbiamo questo tipo di correlazione positiva. |
| |
E questo in realtà ci ha confusi molto ed è stato un po' preoccupante perché in realtà questa interazione X1 X3 non si adattava proprio a ciò che avremmo capito scientificamente. |
| |
Ciò ci ha un po' confusi e ci siamo chiesti se i nostri modelli spiegassero davvero correttamente i dati che avevamo visto. |
| |
Ha avuto anche implicazioni significative nel mondo reale per lo sviluppo del processo nel senso che questa variabile X3 era effettivamente nota |
| |
cambiare parecchio. Quindi l'analogia che userei qui sarebbe che se stessimo sviluppando un dosaggio di due farmaci, quindi X1 e X2, |
| |
e abbiamo scoperto che in realtà il dosaggio dipende dall'età del paziente, diciamo X3, un fattore che bisogna approfondire e caratterizzare. Quindi, esplorare questa interazione avrebbe richiesto in realtà significativi costi di sperimentazione aggiuntivi e anche tempo. |
| |
Quindi abbiamo voluto eseguire una metodologia di convalida su questo, quindi abbiamo consultato i nostri colleghi di JMP, |
| |
e in sostanza ci hanno detto che, sfortunatamente, non era possibile utilizzare questa convalida di holdout sulla progettazione della struttura dei dati dell'esperimento. |
| |
E il motivo per cui ciò avviene è che, se puoi immaginare, ho assegnato il 70% di un set di convalida, quel tipo di set di addestramento ai miei dati qui nello spazio di progettazione, |
| |
Stiamo effettivamente costruendo il modello, ma in realtà ci manca completamente una parte dello spazio di progettazione. Quindi non è possibile utilizzare questa validazione di hold out sui set di dati del DOE. |
| |
Così i nostri colleghi di JMP si sono rivolti a noi con questa convalida automatica. |
| |
E il modo in cui mi è stato spiegato era essenzialmente che si ricampiona l'intero set di dati. Quindi si usa l'intero set di dati per l'addestramento e l'intero set di dati per la convalida. |
| |
E questo potrebbe sembrare a prima vista un po' come barare, a me lo è sembrato, ma mi è stato detto che il modo in cui ciò viene ottenuto è equo. |
| |
è dato dall'applicazione di queste tre colonne extra, e in realtà da questo peso bootstrap frazionato ridotto. |
| |
E, in sostanza, penso che l'idea qui sia che se si usa un pezzo di dati nell'addestramento del modello, lo si pesi in modo da non usare lo stesso pezzo di dati così tanto nella convalida, ed è così che si aggira l'idea di contare due volte i dati. |
| |
Quindi abbiamo utilizzato questa metodologia. L'abbiamo eseguita sui nostri modelli. Qui potete vedere la configurazione in JMP e utilizziamo ancora una volta questa piattaforma di regressione generalizzata, che è uno strumento JMP Pro. |
| |
E qui è praticamente lo stesso di quello che stava spiegando Jose, ma invece di simulare per diversi |
| |
Per le attività di training e validazione, simuliamo effettivamente questa ponderazione parziale. Quindi, la simuliamo diverse volte per generare modelli diversi e l'abbiamo ripetuta 500 volte. |
| |
Di nuovo, quindi l'output dei nostri dati ora è come, puoi vedere, con quello di Jose prima, sulla destra qui c'è un istogramma di quante volte una particolare variabile |
| |
è stato elencato nel nostro modello e, qui a sinistra, hai queste stime dei parametri da vari modelli. |
| |
In realtà ho appena tracciato questa linea rossa qui e l'ho chiamata la linea del fattore nullo. Quindi questa variabile del fattore nullo funziona in un certo senso come una variabile fittizia. |
| |
Sappiamo quindi che si tratta di una variabile in un certo senso senza senso, perché se osserviamo il fattore nullo sulla sinistra, possiamo vedere che le stime dei suoi parametri sono ampiamente distribuite attorno allo zero, quindi non sa esattamente dove andare. |
| |
Quindi tracciamo questa linea e diciamo che ogni...la prima volta che appare quel fattore nullo, qualsiasi valore al di sotto di questo lo considereremmo molto probabilmente un effetto non genuino. |
| |
Quindi questa è una sorta di gamma di termini non autentici. E ho evidenziato in blu, come sicuramente vedrete, questa interazione X1 X3, che era quella che destava preoccupazione. |
| |
E come potete vedere qui, si è verificato meno volte e sono presenti molti effetti del fattore nullo, quindi questa è stata in un certo senso la prima indicazione che abbiamo avuto del fatto che potrebbe non trattarsi di un effetto reale. |
| |
Quindi non volevamo fermarci qui. Abbiamo eseguito più iterazioni di questo con diversi |
| |
configurazioni di autovalidazione, e qui ho appena generato tre esempi. Ma potete vedere, in ogni esempio, evidenziato in blu, questa interazione X1 X 3 risultava costantemente inferiore a questa linea rossa, questa linea del fattore nullo. |
| |
Quindi, in base a ciò, eravamo abbastanza sicuri che quello che stavamo osservando probabilmente non fosse un effetto reale e quindi siamo riusciti a eliminarlo dai modelli che desideravamo. |
| |
Ora, un confronto tra i risultati finali che abbiamo ottenuto. A sinistra, ecco il modello iniziale che abbiamo costruito, che includeva questa interazione X1-X3. |
| |
E poi sulla destra, questo modello autovalidato da cui abbiamo rimosso tutto questo. |
| |
E suppongo che la prima cosa che abbiamo notato sia stata proprio questa riduzione di R quadrato. Quindi, all'inizio sembra che tu stia spiegando meno dati, ma in realtà ora siamo molto più sicuri che ciò che stiamo spiegando sia effettivamente autentico. |
| |
E qui si può osservare la differenza nelle condizioni di ottimizzazione e minimizzazione del risultato. |
| |
E questo ha effettivamente portato diversi vantaggi per noi, in termini di elaborazione. Quindi, ricordate che queste sono tutte variabili della vita reale, hanno alla base cose reali. |
| |
Quindi questa variabile X1 in realtà è molto costosa per i nostri processi. Quindi eravamo molto... è stato bello vedere che potevamo ridurre quella variabile. |
| |
Di nuovo, anche la diminuzione della variabile X2 rappresenta, per ragioni scientifiche, un notevole vantaggio per il nostro processo, quindi siamo in grado di ridurre anche questa, il che è stato vantaggioso per noi. |
| |
E queste sono delle coincidenze fortunate, credo, ma la cosa di cui siamo stati davvero contenti è stata che in realtà, |
| |
puoi vedere la rimozione di questa interazione X1 X3, stavamo vedendo che in realtà i profili di X1 e X2 erano costanti e che in realtà si adattavano davvero con |
| |
la comprensione scientifica che ci aspettavamo, quindi siamo stati molto contenti di osservarlo. E ovviamente ora ce ne siamo andati e abbiamo testato entrambi i modelli con esperimenti di follow-up solo per vedere quale funzionasse meglio. |
| |
E in ogni occasione, questo modello effettivamente... autovalidato è stato in accordo con le osservazioni che abbiamo visto nei nostri esperimenti finali. |
| |
Ora te lo restituisco, Rebecca. |
| Rebecca Clarke |
Farò solo un breve riassunto di ciò di cui stavamo parlando. Sappiamo quindi che gli effetti non reali hanno implicazioni concrete sia per i tempi di sviluppo che per i costi sperimentali dei bioprocessi. |
| |
E qui abbiamo esaminato due metodi di convalida per aiutarci con i nostri bioprocessi, per evidenziare potenziali effetti non reali che possiamo eliminare dai nostri esperimenti di ottimizzazione. |
| |
Quindi abbiamo utilizzato con successo lo strumento di convalida hold out per rimuovere un certo numero di parametri dal nostro elenco di ottimizzazione e poi abbiamo utilizzato anche la convalida automatica durante i nostri esperimenti di tipo DOE. |
| |
E, in questi casi, i modelli generati vengono poi confermati da lavori sperimentali. Quindi, nel complesso, siamo rimasti molto soddisfatti di come abbiamo potuto utilizzare JMP Pro, |
| |
in particolare, i metodi di convalida all'interno dei nostri bioprocessi ci aiutano a risparmiare molto tempo e risorse e a non concentrarci su effetti non reali. |
| |
E per concludere, vorremmo ringraziare Robert Anderson e Anna Roper di JMP che ci hanno aiutato durante tutta la presentazione. Questo è tutto per noi. Grazie per l'ascolto. |
