756640_ja-JP

liliconcom

偽の効果の調査に時間を無駄にしない（2021-EU-30MP-771）

オックスフォード・バイオメディカ、プロセス研究開発部門、上流科学者、ホセ・ゴンサルベス
オックスフォード・バイオメディカ、プロセス研究開発部門、上流シニアサイエンティスト、レベッカ・クラーク
ジョージ・パメンター、オックスフォード・バイオメディカ、ダウンストリームプロセス研究開発科学者
トーマス・チッペンデール、オックスフォード・バイオメディカ、プロセス研究開発部門、上流シニア科学者

近年、オックスフォード・バイオメディカでは、細胞培養バイオプロセスデータの生成が著しく増加しています。このデータ収集の増加は、集中的なプロセス開発と特性評価研究だけでなく、ハイスループット生産システムの導入によるものです。細胞培養プロセス全体を通して、多くのオンラインおよびオフラインのプロセスパラメータが記録されます。しかし、生物システムの複雑さから、プロセス性能や製品収量に影響を与える可能性のある真の因子を特定することが大きな課題の一つとなっています。ホールドバック検証は、過剰適合を回避し、モデルに不正確な項が含まれるのを防ぐためによく使用されますが、単一の検証列の使用は、最適なモデルの予測に効果的ではない場合があります。本プレゼンテーションでは、複数の検証列を使用してモデルを再適合させることで、最も単純で最も頻繁に発生するモデルを特定できる方法を示します。分析には、20個の候補予測変数を含む67のバイオリアクター生産ランのデータを使用しました。JMP® Proのシミュレーション機能を使用して、100個の検証列をランダムに生成しました。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
レベッカ・クラーク	皆さんこんにちは。私の名前はレベッカです。今日はホセとジョージと一緒に、JMP Pro 検証方法を使用して、誤った効果の調査に時間を無駄にしないようにする方法についてお話しします。
	まず最初に、私たちオックスフォード・バイオメディカという会社について、そして私たちが何をしているのかについてご紹介したいと思います。私たちはオックスフォード・バイオメディカで働いています。
	当社は遺伝子・細胞治療事業のパイオニアであり、レンチウイルスベクターの研究、開発、バイオプロセス処理において主導的な地位を占めています。
	私たちはこの分野で20年以上の経験があります。レンチウイルスベクター（？）を用いた治療法でヒトを治療した最初の企業です。
	私たちが協力している現地のパートナーは右下にリストされています。ノバルティス、ソノフィ、ベーリンガーインゲルハイム、オーチャードセラピューティクスと協力し、がん、中枢神経系疾患、嚢胞性線維症など、さまざまな疾患を治療しています。
	そこで昨年、オックスフォード・バイオメディアも英国ワクチンコンソーシアムに加盟し、COVID-19との戦いに加わりました。
	このコンソーシアムはオックスフォード大学のジェンナー研究所によって運営されており、COVID-19ワクチン候補を迅速に開発することが目標だった。
	オックスフォード・バイオメディカはこのコンソーシアムに参画することで、最先端の???スイートへのアクセスをコンソーシアムに許可し、ワクチンの大規模製造を可能にしました。その後、アストラゼネカと臨床および商業供給契約を締結しました。
	この契約により、アストラゼネカ社のCOVIDワクチンが臨床試験で成功した場合、供給することに合意しました。皆様もご存知のとおり、ワクチンは確かに成功し、オックスフォード・バイオロジカ社は現在もCOVID-19ワクチンの製造を続けています。
	そこで、ここで OXB で使用しているプロセスについても簡単に紹介したいと思います。
	バイオプロセスとは、生きた細胞またはその成分を使って目的の製品を得るプロセスであり、よく知られている
	そのようなプロセスの例としては、アルコール飲料の発酵が挙げられます。
	このプロセスにおいて、酵母は生きた成分であり、酵母とビール醸造に必要な他のすべての原料がバイオリアクターに投入され、酵母は発酵と呼ばれる化学反応を開始します。発酵中にグルコースはエタノールに変換されます。
	そして、この発酵反応が完了すると、バイオリアクターの内容物が採取され、濾過によって精製され、最終製品であるビールが残ります。
	オックスフォード・バイオメディカで私たちが利用しているプロセスは発酵に似ています。つまり、私たちのプロセスの生きた要素は
	細胞培養なので、バイオリアクターに細胞培養とレンチウイルス因子を作るために必要な他の成分を入れます。
	この製造プロセスの最後に、バイオリアクターの内容物は下流の処理に渡され、そこで製品は精製され、その後瓶詰めされて患者が使用できるように出荷されます。
	このスライドは医薬品開発のライフサイクルを示しています。左側の一番下は研究段階です。
	したがって、この段階で、病気のメカニズムに重要な標的遺伝子またはタンパク質を特定します。
	そして、私たちはこれらの標的に対する薬も開発し、その薬が病気を標的にする能力に成功しているかどうかを示します。
	そして、ライフサイクルの最後には商業生産が行われ、そこで薬剤が製造され、患者が使用できるように瓶詰めされます。
	私たちのグループ、プロセス研究開発グループは、この2つの段階の中間に位置し、生産プロセスを設計、最適化、そしてスケールアップするのが私たちの仕事です。
	医薬品を研究室から製造へと移管します。当社が用いるプロセスには、小規模の振盪フラスコから50リットルのバイオリアクターまでが含まれます。
	ご想像のとおり、私たちは作業の過程で大量のデータを生成し、バイオリアクターには監視と最適化が必要な多くの入力パラメータがあります。
	生成されるデータの量が膨大であるため、最適化中にどのパラメータに重点を置くべきかを判断するのは非常に困難です。
	扱うべきパラメータの数が膨大であるため、それぞれを個別に最適化することは商業的に実行可能ではないため、現時点では統計モデリングに目を向けています。
	そして、モデルを使用して、最適化する必要がある潜在的なパラメータのリストを絞り込みます。
	したがって、これらのモデルは便利ですが、作業中に多くのランダム ノイズが生成されます。これは、バイオ処理の生きた性質によるもので、2 つの培養物は同じではありません。
	したがって、このランダム ノイズは明らかに統計モデルに組み込まれ、最適化実験中に非本物の効果を調べるのに時間を無駄にする可能性があります。
	そこで、私たちはJMP Pro、特に検証機能を使うことにしました。
	これにより、今後検討するパラメータのリストをさらに絞り込み、モデルから不自然な効果を除去し、
	モデルの過剰適合も避けなければなりません。それでは、Joseにバトンタッチして、データ検証手法全体について説明してもらいましょう。
ホセ・ゴンサルベス	はい、Joseです。最適化手法全体についてお話します。これはJMP Proでのみ利用可能なモデリングツールです。OXBでどのように活用できるか、そしてどのように役立つかを探りたいと考えていました。
	それがいかに役に立つかが分かりました
	OXBにバイオプロセスデータのモデリングを依頼しました。レベッカが言っていたように、
	私たちはこれらのステリタンク（？）リアクターをプロセスで使用し、基本的にこれらのバイオリアクターで細胞を培養し、これらのウイルスベクターを生成します。これが私たちの
	主力製品です。これは私たちが最大化を目指し、モデル化したいものなので、実際には応答変数となります。
	バイオリアクターは多くの制御入力を必要とし、1つの生産プロセス中に大量のデータを生成するため、どの入力出力が調査に値するかを判断するのに役立つツールがあれば、
	それは私たちにとって非常に価値のあるものになるでしょう。時間の節約、リソースの解放、そしてプロセス調査へのより的確なアプローチが可能になります。
	したがって、モデル構築に取り掛かる前に、まず過去のバッチからできるだけ多くのデータを収集する必要がありました。
	このデータは、生産プロセスがどのように稼働しているかを示しており、データに異常があればベクター力価に悪影響がある可能性を示唆しています。左側には、
	私たちは 20 個の変数からデータを収集しましたが、残念ながら変数の実際の名前を表示することができず、データを匿名化する必要がありました。
	ここではX1からX20まで列挙していますが、私たちのプロセスは非常に動的なプロセスであるため、予測変数間の共線性の度合いを予測することはできません。
	要約すると、モデルに 20 個の変数または 20 個の候補予測子を含むデータ セットがあり、67 個の過去のバッチからデータを収集しました。
	したがって、これは JMP Pro トライアルの一部であるため、最初に標準 JMP を使用してモデルを構築し、それをホールドアウト定式化法を使用して構築された別のモデルと比較するのがよい方法だと考えました。
	ここでは、検証方法なしでモデルを構築するために、JMPの標準モデリングプラットフォームを使用し、
	ここでは、すべての主効果、交互作用項、二乗項をモデルに組み込むため、応答曲面モデルを選択しました。また、性格特性については、段階的な漸進性を選択することにしました。右側の図をご覧ください。
	ステップワイズ回帰のコントロール パネルがあり、停止ルールを P 値のしきい値として使用します。残りのパラメーターはデフォルトのままにしておきます。
	そして、段階的回帰を実行した後、これが生成された最終モデルです。
	ご覧のとおり、モデルには8つの項があり、そのうち7つは実際に有意です。最初の3つの因子に注目していただきたいのですが、これらはモデルにおいて非常に有意であり、
	これから紹介するいくつかのスライドで非常に重要な点を説明します
	結果…結果
	ホールドアウト検証法を使用してアプローチする場合、ここでの古いモデルは重要であり、データセット内の変動の約 44% を説明できます。
	これが私たちの最初のアプローチでした。
	生成された最初のモデルには満足していましたが、検証方法についてさらに詳しく知りたいと思いました。
	これらすべての予測因子を調査するには、かなりの時間と研究室のリソースが必要になるため、それが私たちが次に採用したアプローチでした。
	ここでは、このホールドアウト検証方法がどのように機能するかについての概要を説明します。
	基本的には、データセットがあり、データセットはランダムに2つのグループに分割されます。左側には、データの70%が
	トレーニング セットに割り当てられることになります。トレーニング セットとは、モデルの構築にのみ使用されるデータの割合です。
	右側には検証セットに割り当てるデータの30%があり、これが使用されるデータの割合です。
	検証セットの決定係数が最大値に達した時点でモデル構築プロセスを停止します。一番下には、
	これはステップワイズ回帰プラットフォームのスクリーンショットです。基本的には以前使用したのと同じですが、停止ルールがあり、これが示されています。
	p値の閾値の代わりに、検証R2乗の最大値を使用します。そして、このグラフの下部には、
	ここにはトレーニング セットと、除外ラベルが付けられた検証セットがあります。
	ご覧のとおり、トレーニングセットに用語を入力し始めると、
	ここではこの順方向ルールに従って、モデルにゼロ項から始めて、段階的に項をモデルに追加していきます。
	これらの項を追加し始めると、モデルに5つの項を追加するまでR二乗はかなり速く増加しますが、その後はR二乗の改善はあまり増加しません。
	開始時…どんどん用語を追加していくと、この方法を使うときに重要なことの一つは、検証セットに何が起こるかということです。
	これは停止規則に関係しているからです。つまり、モデルに項を追加し始めると、基本的に同じことが起きます。
	R 二乗は最大 R 二乗に達するまでは非常に速く増加しますが、その時点以降は項を追加し続けるにつれて R 二乗は減少します。
	そして、この検証セットが行うことはまさにこれです。この検証セットを使用して、この段階でモデル構築プロセスを停止します。これにより、データセットの変動の大部分を説明するこれらの用語をすべて含めることができ、
	これらすべての用語をモデルに含めると、モデルの過剰適合が生じる可能性があり、あるいは、実際にはまったく本物ではない可能性もあります。
	ステップワイズ回帰分析を実行した後、これが最終的に生成されたモデルです。ご覧のとおり、有意な項が8～7個から3個に減少しました。ご記憶のとおり、これらの項は、ステップワイズ回帰分析を使用していない場合、非常に有意でした。
	ホールドアウト検証方法なので、ここではまったく重要ではないようです。
	そして実際、このモデルはデータセット内の変動の約 4% しか説明できません。
	これはモデル内の項の数の劇的な減少だと私たちは思い、生成された検証セットが少し不運だったのではないかと考え始めました。
	この特定のモデルを構築するために、JMP Proの素晴らしい点の一つは、この一般化回帰プラットフォームを使用できることです。これは基本的に、ステップワイズ回帰と出力は同じですが、
	一般化回帰プラットフォームでは、このシミュレーション機能を使用できます。これは基本的に、モデルを必要な回数だけ何度も再実行します。
	そして、生成されるモデルごとにそれを使用し、異なる検証セットを使用します。これが、次に私たちが採用したアプローチです。
	そして、
	生成したモデルをすべて列挙することはできませんでした。基本的には、100個のモデルを生成しようとした、あるいは100回のモデルシミュレーションを実行しただけです。そのため、ここにすべてを列挙することはできませんでした。
	そして、私たちが結果を要約したかった方法は、100 回のシミュレーション後に、特定の要因がモデルに含まれるために選択された回数を数えることでした。
	これがまさにこのグラフに表れているものです。右側…左側には
	これらはパラメータ推定値です。データの散らばりを観察するには便利です。そしてここに、
	ご覧のとおり、X13とX8の交互作用項が、この手法を用いなかった場合に実際に有意であったことがわかります。ここでX13を例に挙げると、わずか46回しか検出されていませんでした。
	モデルに含まれるのは46％、つまりモデルに含まれるのは46％です。これは私たちが予想していた通り、かなり低い数字です。
	これらの要因は、この方法を使用しなかった場合に非常に有意でした。
	ホールドアウト検証法の使用から得られた結論は、それが科学者にとって、特にモデルを構築する際に役立つツールであるということです。
	重要な変数がいくつかあるのですが、それらは私たちの科学的理解とは完全には一致しません。そこで私たちが導き出すもう一つの結論は、
	この研究に特有な点は、研究対象としたプロセス特性がベクター力価に大きな影響を与えないと安全に想定できることです。それでは、ジョージにバトンタッチします。彼が自動検証についてお話しします。
ジョージ・パメンター	皆さん、こんにちは。ジョージです。オックスフォード・バイオメディカの精製グループで働いています。今日は自動検証について少しお話したいと思います。
	JMPから提供された手法と、データ構造など、実験計画における具体的な活用方法についてお話しします。この手法を用いて、ウイルスベクター精製の最適化モデルから実際に変数を除外した方法について少しお話しします。
	さて、まずはウイルスベクターの精製について知らない人のために少し背景を説明します。
	つまり、本質的には、私たちはバイオリアクターからこの細胞培養材料を受け取ります。
	そしてその材料は極めて粗雑な材料であり、私たちが関心を持つ治療薬にはウイルスベクターが含まれており、そこには何千もの他の種、汚染種も含まれています。
	そして、それらは、望ましくないタンパク質から細菌の DNA、時には効果のないウイルスまで、あらゆるものである可能性があります。
	したがって、精製の実際の目的は、純粋なウイルスベクター製品をこれらすべての異なる汚染物質から分離することです。
	しかし、これらは非常に複雑なプロセスであり、クロマトグラフィーや酵素処理、そしてその性能に影響を与える様々な要因が絡み合っています。そのため、最高の純度を達成するために最適な条件を効率的に選択する方法が必要です。
	私たちがそれを行う方法は、多くの場合、実験計画法を用いることです。そして、実験計画法はバイオプロセス開発のタイムライン全体にわたって共通しています。
	基本的に、それらを使用してバイオプロセスをスクリーニングし、最適化し、完全に特徴付けます。
	基本的に、医薬品開発のタイムラインが進み、商業生産に近づくにつれて、実験の規模は大きくなります。
	実際に実行できる実験の数は減り、商用製品に近づくにつれて変更することがますます難しくなります。
	そのため、開発タイムラインの早い段階で賢明な決定を下す必要があり、その方法は
	効果的なモデルを開発することです。つまり、早い段階で効果的なモデルを構築できれば、手順の規模に応じて最適な条件を選択したという自信が得られます。
	それでは、この自動検証技術を具体的な例でどのように使用したかを詳しく説明します。私たちは、応答曲面実験計画法を実施しました。
	ウイルスベクターの精製ステップでは、実際のデータを皆さんと共有することはできませんが、ここで正規化する必要がありました。
	これは3因子設計空間で、私たちが注目する出力変数、つまり応答変数はこの不純物レベルです。つまり、この不純物レベルは、混入したDNAタンパク質の量などといったものになります。
	したがって、この目標は、これらのモデルを可能な限り低い不純物レベルに最適化することでした。
	これは、JMP 設定で最初に見たものです。3 つの入力変数と、応答の不純度があります。
	そこで私たちは最初に、ステップワイズ回帰プラットフォームと、JMP Pro の機能である Lasso 回帰を使用して、いくつかのモデルを構築しました。
	実際、当初は、私たちは目にしていたものにかなり満足していたので、かなり多くのデータを説明していました。
	私たちはそれをかなりうまく説明しているようで、予想される変数が現れ始めました。
	しかし、私たちの確信を少し弱める変数が 1 つありました。それは、ここで強調表示した X1 X3 の相互作用です。
	画面の右上に注目すると、このX1プロファイルは、
	X3 の値です。X3 の値が低い場合、正直言ってこのような実質的な効果はありません。一方、X3 の値が高い場合、このような正の相関関係があります。
	そして、それは私たちを本当に混乱させ、少し心配させました。なぜなら、この X1 X3 の相互作用は、私たちが科学的に理解しているものとはまったく一致しなかったからです。
	そのため、私たちは少し混乱し、私たちのモデルは私たちが見たデータを本当に適切に説明しているのだろうかという不安も少しありました。
	このX3変数は実際に知られていたため、プロセス開発にも重要な現実的な影響があった。
	かなり変化します。ここで私が使うアナロジーは、2種類の薬剤、つまりX1とX2の投与量を開発しているとします。
	そして、投与量は患者の年齢、例えばX3などによって異なることを発見しました。これは本当に深く掘り下げて特徴づけなければならないことです。そのため、この相互作用を調査するには、実際にはかなりの実験費用と時間が必要だったでしょう。
	そこで私たちは、それについて検証方法を実行したいと考え、JMPの同僚に相談しました。
	そして、彼らは基本的に、残念ながら、実験データ構造の設計にこのホールドアウト検証を使用することは実際には不可能だと言いました。
	その理由は、想像がつくと思いますが、検証セットの70%、つまりトレーニングセットをデータに割り当て、設計空間に配置したからです。
	モデルは構築しているものの、実際には設計空間の一部を完全に見落としているということです。そのため、このホールドアウト検証をDOEデータセットに適用することは実際には適切ではありません。
	そこで、JMP の同僚がこの自動検証機能を持って私たちのところにやって来ました。
	説明を受けたのは、基本的にはデータセット全体をリサンプリングするということでした。つまり、データセット全体をトレーニングに使用し、データセット全体を検証に使用するということです。
	一見するとそれは一種の不正行為のように見えるかもしれません。確かに私にはそう思えましたが、これが公平に達成される方法は
	これは、これら 3 つの追加列の適用によるもので、実際には、削減された分数重み付けブートストラップ重みによって行われます。
	そして、本質的には、ここでの考え方は、モデルのトレーニングでデータの一部を使用する場合、検証で同じデータをあまり使用しないように重み付けし、データを二重にカウントするという考えを回避するということだと思います。
	そこで、この手法を用いました。モデルに対してこれを実行しました。JMPの設定はここにあります。JMP Proツールの一般化回帰プラットフォームを再び使用しました。
	これはJoseが説明していたこととほぼ同じですが、異なるシミュレーションを行う代わりに
	トレーニングと検証の課題では、この部分的な重み付けを実際にシミュレートします。つまり、これを複数回シミュレートして異なるモデルを生成するのですが、実際には500回も実行しました。
	繰り返しますが、データの出力は、Joseの以前のデータと同様に、右側に特定の変数が何回発生したかを示すヒストグラムがあります。
	私たちのモデルにリストされており、左側にはさまざまなモデルからのパラメータ推定値が表示されています。
	ここに赤い線を引いて、これをヌルファクター線と呼んでいます。つまり、このヌルファクター変数は、いわば偽の変数のような働きをするということです。
	これは一種のナンセンス変数であることがわかります。なぜなら、ここの左側のヌル因子を見ると、そのパラメータ推定値がゼロの周囲にかなり広く分布しており、どこに向かうべきかよくわからないからです。
	そして、私たちはこの線を引いて、ヌル係数が最初に現れたとき、それ以下のものは非本物の効果である可能性が高いと見なします。
	これは、不正確な用語の範囲です。ご存じのとおり、懸念されるX1-X3相互作用を青色で強調表示しています。
	ここでは、出現回数が少なく、ヌル要因効果が多いことがわかります。つまり、これが本物の効果ではないかもしれないという最初の兆候でした。
	そこで私たちはそこで止まるつもりはありませんでした。私たちはこれを異なる方法で何度も繰り返し実行しました。
	自動検証の設定で、3つの例を生成しました。どの例でも、青色で強調表示されているX1X3の交互作用が、この赤い線、つまり帰無因子線よりも常に低い値になっていることがわかります。
	したがって、それに基づいて、私たちが見ているものはおそらく本物の効果ではないと確信し、私たちが望んでいたモデルからそれを排除することができました。
	最終的な出力を比較してみましょう。左側は、X1 X3相互作用を含む初期モデルです。
	そして右側には、これを削除した自動検証モデルがあります。
	おそらく、私たちが最初に気づいたのは、決定係数の減少だったと思います。ですから、最初はデータの説明が不十分になっているように思われるかもしれませんが、実際には、説明している内容が本物であるという確信がはるかに高まっています。
	ここでは、出力される最小化最適化条件の違いを確認できます。
	実際、これは処理の面で私たちにとって多くのメリットをもたらしました。これらはすべて現実の変数であり、その背後には現実の出来事があることを覚えておいてください。
	実はこのX1変数は、私たちのプロセスにとって非常にコストのかかるものです。ですから、この変数を削減できたのは非常に嬉しかったです。
	また、この X2 変数が減少すると、科学的な理由から、私たちのプロセスにとっても非常に有利になります。そのため、これも削減することができ、私たちにとって有利でした。
	これらは幸運な偶然の一致だと思いますが、私たちが本当に嬉しかったのは、
	このX1 X3の相互作用を取り除いたところ、X1とX2のプロファイルは一定で、これは実際に
	期待していた科学的な理解が得られましたので、これを観察できて大変嬉しく思いました。そしてもちろん、私たちはもうそこを離れ、どちらのモデルが最も優れたパフォーマンスを発揮するかを確認するために、両方のモデルを追加実験でテストしました。
	そして実際、この自動検証モデルは、すべての場合において、最終的な実験で観察された結果と一致しました。
	今すぐ返しますよ、レベッカ。
レベッカ・クラーク	これまでの議論を簡単にまとめます。つまり、非真の効果は、バイオプロセスの開発スケジュールと実験コストの両方に現実的な影響を与えるということです。
	ここでは、最適化実験から排除できる潜在的な非真実の影響を明らかにするために、バイオプロセスに役立つ 2 つの検証方法を検討しました。
	そこで、ホールドアウト検証ツールを使用して最適化リストからいくつかのパラメータを削除することに成功しました。また、DOE タイプの実験中に自動検証も使用しました。
	そして、これらのケースでは、生成されたモデルはその後の実験によっても検証されます。全体として、JMP Proの使い勝手には非常に満足しています。
	特に、バイオプロセス内の検証方法は、多くの時間とリソースを節約し、誤った効果に焦点を当てないようにするのに役立ちます。
	最後に、このプレゼンテーション全体を通して私たちをサポートしてくれた JMP の Robert Anderson 氏と Anna Roper 氏に感謝の意を表したいと思います。これで私たちの挨拶は終わりです。ご清聴ありがとうございました。

高度な統計モデリング基本的なデータ分析とモデリング消費者および市場調査実験計画法予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析