생물학적 분석법은 기초 연구부터 신약 개발에 이르기까지 바이오의약품 산업 전반에서 핵심적인 분석 기술입니다. 분석법의 복잡성과 여러 단계를 거쳐야 하는 특성상, 특히 바이오의약품 출시 시 사용될 경우 분석법의 안정성과 신뢰성이 필수적이므로, 목적에 맞는 적합한 생물학적 분석법을 개발하기 위한 최적화가 매우 중요합니다.
공정 최적화를 위해 실험 설계(DOE)는 단일 요인 접근 방식보다 훨씬 효과적인 전략으로 오랫동안 인정받아 왔습니다. 그러나 복잡한 상호작용이 흔히 존재함에도 불구하고, DOE는 비용, 노력, 복잡성에 대한 부담 때문에 널리 사용되지 못하고 있습니다.
본 발표에서는 핵심 사용자 그룹을 파악하고 JMP의 DOE 플랫폼에 대한 교육을 제공함으로써 생물학적 분석 최적화에 DOE를 정규 기술로 도입하는 과정을 어떻게 촉진하는지 공유합니다.
안녕하세요. 저는 스웨틀라나 버거입니다. 수학과 물리학을 전공했고, 양적 유전학 박사 학위를 받았습니다. 노바티스 백신 연구개발 부서에서 첫 출근 날부터 JMP에 푹 빠졌습니다. 생물학적 분석법 개발 및 유지 관리를 지원하는 비임상 통계 업무를 하면서 JMP의 유연성과 직관적인 사용법에 매료되었습니다. 현재는 UCB에서 바이오마커 및 면역원성, 또는 항약물 항체 분석법 개발 및 검증과 관련된 모든 통계적 측면을 지원하고 있습니다.
UCB는 중증 질환을 앓고 있는 사람들의 삶을 변화시키는 데 헌신하는 글로벌 바이오제약 회사입니다. UCB는 단순히 의약품을 개발하는 데 그치지 않고, 진정한 변화를 만들어내는 데 주력합니다. 우리는 환자와 지구에 긍정적인 영향을 미치기 위해 최선을 다하고 있습니다.
이제 저희가 집중하는 치료 분야에 대해 말씀드리겠습니다. UCB는 비뇨기과 분야에서 오랜 역사를 자랑하며, 간질 및 파킨슨병을 비롯한 신경계 질환을 앓고 있는 분들을 위한 다양한 솔루션을 제공해 왔습니다. 저희는 알츠하이머병 및 전신성 루푸스와 같이 아직 충족되지 않은 수요가 큰 새로운 분야로 리더십과 역량을 확장하는 데 전념하고 있습니다.
신경학 분야 외에도 면역학 분야에도 전념하고 있습니다. UCB에서는 골다공증, 류마티스 관절염, 중증근무력증, 크론병과 같은 면역 매개 염증성 질환의 부담에서 벗어난 세상을 만드는 가능성을 추구합니다.
UCB는 36개국에서 사업을 운영하며 약 9,000명의 직원을 보유하고 있습니다. 연구 개발에 대한 당사의 헌신은 매출의 30%를 투자하는 데서 분명히 드러납니다. 저는 초기 개발 및 유전자 치료 통계에 집중하는 더 큰 팀의 일원입니다.
오늘 저는 UCB에서 바이오마커 및 면역원성 분석법 개발의 표준으로 자리 잡은 실험설계법(DoE)의 도입 전략을 소개하고자 합니다. DoE는 실험을 체계적으로 계획하고 분석할 수 있도록 하는 방법입니다. 이를 통해 모든 가능한 영향 요인을 하나의 포괄적인 실험에서 조사하여 실험 시스템을 이해하고 최적화할 수 있으며, 상호작용과 같은 추가 정보도 얻을 수 있습니다.
생물학적 분석법 개발에 종사한다는 것은 GxP(임상시험관리기준)가 적용되지 않는 환경에서 일하는 것을 의미하며, 통계 전문가의 참여가 필수적이지 않습니다. 이는 모든 분석 및 절차가 엄격하게 규제되고 GxP, 예를 들어 GCP(우수 임상 실습) 또는 GLP(우수 실험실 실습)가 핵심인 임상 환경과는 정반대입니다.
특히 바이오마커 생물학적 분석의 경우, 저희는 규제 대상이 아닙니다. 연구실 과학자들이 통계적 문제를 스스로 해결할 수 있어야 한다는 전제가 깔려 있습니다. 물론 모든 연구원들이 연구 과정 중에 한두 번의 통계 강의를 듣긴 했지만, 이는 통계학자들이 이 분야에 가져올 수 있는 경험과 지식의 총체와는 비교할 수 없습니다.
이는 혁신적인 통계 방법의 부족으로 인한 한계와 단점을 초래할 수도 있습니다. 개발자들이 참여하도록 하려면 초기 단계부터 통계 전문가를 참여시킴으로써 얻을 수 있는 부가가치, 즉 효율성 증대, 시간 절약, 정확한 결과 도출, 그리고 의도된 용도를 진정으로 고려하고 목표로 하는 적합한 분석법 개발 등의 이점을 입증해야 합니다.
얼마 후, 우리는 분석법 개발에 더 일찍, 더 깊이 관여하는 최선의 전략은 파일럿 프로젝트에 참여하는 것이라는 사실을 깨달았습니다. 파일럿 프로젝트에 참여한 개발자들은 나머지 개발팀에 성공 사례를 전파하고, 통계학자들과의 협업을 통해 얻은 교훈과 경험을 공유함으로써 시너지 효과를 냈습니다. 이 전략은 효과적이었습니다. 반응은 폭발적이었습니다.
실험계획법(DoE)뿐만 아니라 DoE 계획 및 분석에 대한 통계 지원 수요가 증가하면서 통계팀의 업무량이 급증했습니다. 협업 요청이 쇄도했고, 기존의 제한된 자원으로 이러한 업무량 증가를 어떻게 처리해야 할까요?
이제 잠시 뒤로 물러나 DoE(실험 설계) 프로세스와 시범 프로세스를 살펴보겠습니다. 먼저 연구실 과학자들은 전체 실험과 모든 매개변수를 검토하고 최적화하고자 하는 목표와 핵심 매개변수를 결정합니다. 그런 다음 통계팀과 협의하여 DoE에 포함될 수 있는 요인과 반응 변수를 결정합니다.
이 슬라이드에서 색상은 참여자를 나타냅니다. 노란색은 연구실 과학자를, 파란색은 통계학자를 나타냅니다. 이는 앞으로 중요한 역할을 할 것입니다. 다음 단계에서 통계학자는 실험 설계 최적화(DoE)를 위한 가능한 실험 설계를 생성합니다. 이 단계에서 통계적 작업이 파란색으로 강조되어 있지만, 일반적으로 연구실 과학자들과의 계획 및 논의, 설계 조정, 추가 논의를 여러 차례 반복합니다. 다음 단계는 실행 단계로, 이전 단계에서 계획하고 논의한 실험을 연구실에서 실제로 수행합니다. 이 단계는 연구실 과학자들만 참여하는 데이터 생성 단계입니다.
하지만 어떤 이유로든 DoE 실험을 계획대로 정확하게 수행할 수 없어서 일부 사항을 조정하거나 변경해야 하는 경우, 언제든지 통계 전문가와 연구실 과학자 간의 중간 협의를 진행할 수 있습니다.
실험 단계가 끝나면 연구실 과학자들은 통계 분석을 위해 미리 정해진 형식으로 데이터를 정리하고 분석을 위해 통계학자에게 전달합니다. 실험계획법 평가 단계의 다음 단계에서 통계학자들은 데이터 분석을 통해 관심 있는 모든 반응에 대한 결과와 요약을 생성합니다.
다양한 분석법과 분석 유형이 각각 다른 관심 영역을 가지고 있기 때문에, 어떤 분석법은 낮은 측정 범위에 초점을 맞춰 높은 민감도를 요구하는 반면, 다른 분석법은 전체 측정 범위에서 생성되는 판독값의 특이성에 초점을 맞춥니다. 따라서 분석에 대한 기본 전략은 없습니다. 각 특정 사례에서, 우선 데이터에 적용 가능한 다양한 평가 방법을 시도하여 가장 적합하고 유용한 방법을 찾습니다.
마지막으로, 확인된 방법들을 모든 반응에 적용합니다. 이는 경우에 따라 반응의 수가 5개에서 10개 사이로 다양할 수 있지만, 분석의 목적에 따라 그보다 더 많을 수도 있음을 의미합니다. 따라서 최종적으로는 서로 다른 반응에 대해 10개의 유사한 분석이 적용되고, 모든 결과가 하나의 큰 표로 요약됩니다. 이 표는 마지막 단계에서 검토됩니다.
실험설계(DoE) 실험의 마지막 단계는 가장 흥미진진한 부분입니다. 연구실 과학자들은 통계학자들과 함께 분석 결과를 검토하고 해석하는 데 몇 시간이고 공을 들입니다. 그들은 자신들의 풍부한 배경지식을 바탕으로 관찰된 결과에 가중치를 부여하고, 통계학자의 분석 범위를 벗어나는 요인들을 고려합니다. 예를 들어, 최적 조건은 실현 가능성 측면에서도 평가되어야 합니다. 실험실에서의 실현 가능성이란 분석가의 근무 시간, 분석법의 한계, 그리고 물론 분석 결과를 판독하는 사람의 역량 등을 모두 고려하는 것을 의미합니다.
짐작하셨겠지만, 계획부터 분석 및 요약에 이르기까지 모든 단계는 JMP를 사용하여 수행됩니다. 이것이 바로 저희의 경우 핵심적인 부분입니다. JMP는 다른 통계 소프트웨어에 비해 사용법이 매우 직관적이고 사용자 친화적이어서 초보자에게 매력적인 도구이며, 이것이 저희가 처한 상황에서 중요한 요소였습니다.
업무량 증가에 대처하기 위해 연구실 과학자들에게 여러 단계를 아웃소싱하여 반자율적으로 실험계획법(DoE)을 수행할 수 있도록 하는 새로운 전략을 시작했습니다. 생물검정 통계팀은 모든 단계에서 요청에 따라 자문을 제공합니다. 하지만 이 전략이 효과를 발휘하려면 JMP 기반 실험계획법 계획 및 통계 평가에 대한 체계적인 교육이 반드시 필요합니다.
이를 위해 저희는 다음과 같은 노력을 기울였습니다. 생물검정 통계팀은 충분한 시간 간격을 두고 4일에 걸쳐 4회의 교육 세션을 진행했습니다. 슬라이드에 나와 있는 것처럼, 1일차에는 통계 이론과 실험계획법(DoE) 원리를 소개하고 JMP 기초를 다지는 것으로 시작했습니다. 파일을 열고 닫는 방법, 저장, 간단한 데이터 조작, 시각화 등 정말 기초적인 내용들을 다뤘습니다. 또한 실험계획법 실험 준비 과정, 실험 조건 설정 방법, 최적화할 중요 요인 추출 방법 등도 살펴보았습니다.
둘째 날에는 계획 수립 측면에 집중했습니다. 먼저 TV 설계 분류에 대한 통계 이론을 다시 한번 설명하고, JMP 플랫폼을 활용한 실질적인 계획 수립 과정을 살펴보았습니다. 다양한 옵션을 단계별로 검토하면서 JMP를 통해 실험계획법(DoE)을 어떻게 계획할 수 있는지 보여주었습니다.
셋째 날과 넷째 날에는 통계 분석에 시간을 할애했습니다. 주제가 워낙 방대해서 분석을 이틀에 걸쳐 진행했습니다. 첫째 날에는 산점도, 히스토그램, 상자 그림, 분포 등을 그리는 방법 등 기술 통계 분석과 시각화에 집중했습니다. 마지막 날에는 통계적 간섭 분석에 초점을 맞춰 주효과 모델 구축, 상호작용 고려 및 모델링 방법, 단순 선형 회귀 분석의 정의와 적용 방법 등을 살펴보았습니다.
결론적으로, 우리는 다섯 번째 세션을 추가하기로 결정했는데, 여기에는 나와 있지 않지만 쉽게 설명할 수 있습니다. 교육 후 2개월 뒤에 세션 1~4에서 다룬 분석 단계를 모두 새로운 전략을 적용한 실제 사례를 통해 보여주는 세션을 진행하기로 했습니다. 이것이 바로 새로운 전략을 적용하여 수행한 첫 번째 실험계획법(DoE) 사례입니다.
마지막으로, 다섯 번째 세션을 진행하면서 연구실 과학자들이 일부 강의를 맡아 자신들의 학습 내용과 경험을 공유했습니다. 제 생각에는 이 부분이 교육의 마지막 마무리처럼 느껴져서 가장 유익했던 부분이었습니다. 모든 세부 사항을 숙지하신 후에는 다섯 번째 세션도 꼭 수강하시기를 추천합니다.
이제 제 발표가 거의 끝나가는데, 왜 그리고 어떻게 DoE를 적용해야 하는지에 대해 이야기해 보고 싶습니다. DoE는 비즈니스 의사 결정에 도움이 되는 견고한 결론을 도출한다는 것을 우리는 알고 있습니다. 이를 통해 개발 초기 단계에서 데이터 기반 의사 결정을 내릴 수 있어 시간과 비용을 절약할 수 있습니다. DoE가 실험실에서 흔히 사용되는 한 번에 한 가지 요인만 실험하는 방식보다 실험 횟수가 적다는 것은 아니지만, 우리는 이제 그 방식을 DoE로 대체하려고 합니다. 하지만 이것은 단기적인 관점일 뿐입니다.
하지만 우리는 미국 에너지부(DoE)가 더 높은 품질의 정보를 제공한다는 것을 알고 있습니다. 그들은 더 높은 정확도를 가지고 있으며, 전체적인 상황을 보여줍니다. 또한, 더 많은 정보를 보유하고 있을 뿐만 아니라, 내용의 질도 훨씬 더 높습니다. 우리는 처음부터 정확한 정보를 제공하여 재작업을 줄이고 분석법 개발 과정에서 발생하는 비용과 문제점을 최소화하는 것을 선호합니다.
어떻게 가능했는지에 대한 질문에 답하자면, 우리는 첫 단계에서 파일럿 연구를 통해 개발자와 통계 전문가의 협업에서 몇 가지 긍정적인 사례를 발견했습니다. 그 후, 개발자들이 전체 흐름을 어느 정도 자율적으로 관리하고 필요할 때 통계팀과 협의할 수 있도록 DoE(실험 설계)를 대규모로 도입하는 방법을 찾았습니다.
특히, 우리는 개발자 팀에서 초기 단계의 질문을 담당하는 소위 핵심 사용자들을 교육하는 데 추가적인 시간을 투자했습니다. 이를 통해 우리는 보다 복잡한 문제 해결에 참여할 수 있는 기회를 얻었습니다. JMP 기반의 DoE(실험계획법) 관련 교육이 절대적으로 필요하다는 것을 알게 되었습니다. 교육 없이 시행착오만으로는 절대 배울 수 없습니다. 하지만 그 외에도 JMP에 대한 일반적인 교육도 매우 유익하므로, 이 또한 권장합니다.
경청해 주셔서 감사합니다. 이 내용이 도움이 되었기를 바랍니다. 컨퍼런스에서 저희의 여정과 성과에 대해 더 자세히 공유할 수 있기를 기대합니다. 감사합니다.
