生物測定是生物製藥行業的關鍵分析技術，其應用範圍涵蓋基礎研究到藥物發現。由於生物測定過程複雜且步驟繁多，因此對其進行優化以開發適用的生物測定方法至關重要，尤其是在生物製藥產品放行審批中，測定結果必須穩定可靠。
對於製程最佳化而言，實驗設計（DOE）早已被公認為比單因素實驗法更有效的策略。然而，儘管人們意識到複雜的交互作用往往存在，但由於成本、精力和複雜性方面的考量，DOE並未廣泛應用。
大家好，我是斯韋特拉娜·伯格 (Swetlana Berger)，擁有數學和物理學博士學位，主修數量遺傳學。在諾華疫苗研發部門工作的第一天，我就愛上了 JMP 軟體。當時我負責非臨床統計工作，支持生物測定方法的開發和維護，JMP 的靈活性和直覺易用性讓我非常欣賞。目前，我在 UCB 工作，負責與生物標記和免疫原性（或抗藥物抗體測定方法的開發和驗證）相關的所有統計工作。
UCB是一家全球生物製藥公司，致力於改善重症患者的生活。在UCB，我們不僅僅是研發藥物，我們更致力於創造真正的改變。我們承諾為患者和地球帶來正面的影響。
現在我們來談談我們重點關注的治療領域。 UCB在泌尿外科領域擁有深厚的歷史底蘊，為患有神經系統疾病（如癲癇和帕金森氏症）的患者提供一系列解決方案。我們致力於拓展自身在新興領域的領先地位和能力，以滿足尚未充分滿足的醫療需求，例如阿茲海默症和系統性紅斑狼瘡。
除了神經病學，他們也致力於免疫學研究。在UCB，他們致力於創造一個沒有免疫介導發炎性疾病（例如骨質疏鬆症、類風濕性關節炎、重症肌無力和克隆氏症等）困擾的世界。
UCB在全球36個國家開展業務，擁有約9,000名員工。我們對研發的投入顯而易見，我們將30%的收入用於支持研發工作。我所在的團隊專注於早期研發和基因治療統計數據。
今天，我想向大家介紹一下我們在加州大學柏克萊分校（UCB）為將實驗設計（DoE）方法確立為生物標記和免疫原性檢測開發黃金標準而採取的策略。 DoE 是一種能夠幫助我們以結構化的方式規劃和分析實驗的方法。它透過在一次全面的實驗中研究所有可能的影響因素，幫助我們理解和優化實驗系統，並提供諸如相互作用等額外資訊。
從事生物測定開發工作意味著在非GxP環境下工作，統計學家的參與並非強制性要求。這與臨床環境截然相反，在臨床環境中，所有分析和步驟都受到嚴格監管，GxP（例如良好臨床規範GCP或良好實驗室規範GLP）是關鍵。
就我們而言，尤其是在生物標記生物測定方面，我們不受監管。人們普遍認為實驗室科學家應該能夠處理統計問題。當然，所有科學家在學習期間都上過一兩堂統計學課程，但這與我們統計學家在這個領域所能帶來的經驗和知識體係是無法相提並論的。
由於缺乏創新的統計方法，這也可能導致一些限制和缺陷。從早期階段就引入統計學家所帶來的附加價值，例如提高效率、節省時間、確保一次性獲得正確結果，以及開發真正符合預期用途的適用性檢測方法，需要向開發人員證明這一點，才能促使他們參與其中。
一段時間後，我們意識到，儘早更深入參與檢測方法開發的最佳策略是參與試點計畫。參與試點計畫的開發人員能夠為其他開發團隊帶來倍增效應，分享成功經驗以及與統計學家合作中累積的知識和經驗。事實證明，這項策略非常奏效，反應熱烈。
對統計支持的需求不斷增長，不僅能源部本身需要，而且能源部的規劃和分析也需要統計支持，這導致統計團隊的工作量激增。我們收到了大量的合作請求。在現有資源有限的情況下，我們該如何因應工作量的增加？
現在讓我們回顧一下實驗設計（DoE）流程和試點流程。首先，實驗室科學家會審查整個實驗及其所有參數，並確定他們想要最佳化的目標和關鍵參數。他們會與統計團隊討論實驗設計中可能包含的因素和反應。
在本投影片中，方案中的顏色代表參與人員。黃色代表實驗室科學家，藍色代表統計學家，特此說明。這一點至關重要。下一步，統計學家將產生可能的實驗設計方案，用於最佳化實驗設計（DoE）。雖然在此步驟中，統計工作以藍色突出顯示，但我們通常需要與實驗室科學家進行多次計劃和討論，對設計方案進行調整，並進行進一步討論。接下來，我們進入執行階段，在這個階段，先前步驟中規劃和討論的實驗將在實驗室中實施和執行。這是資料生成階段，僅由實驗室科學家負責。
但是，如果由於某些原因，DoE 實驗無法完全按照計劃進行，我們需要調整和改變某些方面，我們可以隨時在統計學家和實驗室科學家之間進行中間討論。
實驗階段結束後，實驗室科學家將數據整理成預先設定的格式，並移交給統計學家進行統計分析。在實驗設計評估的下一步中，統計學家將進行數據分析，產生所有相關回應的輸出結果和總結報告。
由於不同的檢測方法和不同類型的檢測方法關注的重點領域各不相同，有的檢測方法更側重於低濃度範圍的測量，因此需要更高的靈敏度；有的則更側重於在整個濃度範圍內讀數的特異性。這意味著沒有預設的分析策略。在每種具體情況下，我們首先會嘗試不同的評估方法，以找到最合適、資訊量最大的評估方法。
最後，將已確定的方法應用於所有回應。這意味著，根據檢測的預期用途，回應數量可能在 5 到 10 個之間，也可能更多。例如，最終我們會對不同的回應應用 10 種類似的分析，並將所有結果匯總到一個包含所有結果的大型最終表格中。最後一步是檢視該表格。
DoE實驗的最後一步也是最令人興奮的一步。實驗室科學家與統計學家一起，花費大量時間審查和解讀分析結果，根據他們豐富的背景知識對觀察到的結果進行加權，並考慮統計學家職責範圍之外的因素。例如，評估最佳條件時，也應考慮其可行性。實驗室可行性不僅要考慮分析人員的工作時間，還要考慮檢測方法的限制以及檢測結果判讀人員的因素。
正如您可能已經猜到的，從計劃到分析和匯總的所有步驟都使用 JMP 完成。這正是我們遇到的問題的關鍵。與其他統計軟體相比，JMP 的操作非常直觀且用戶友好，因此對於初學者來說極具吸引力，而這正是我們當時遇到的情況的關鍵所在。
為了因應日益繁重的工作量，我們決定採取一項新策略，將許多步驟外包給實驗室科學家，讓他們以半自主的方式進行實驗設計（DoE）。生物測定統計團隊會根據需求在各階段提供諮詢服務。但要確保這項策略有效實施，我們迫切需要對基於JMP的實驗設計規劃和統計評估進行系統性訓練。
這就是我們為此所做的。生物測定統計團隊設計了一系列訓練課程，共四節，歷時四天，每節課之間留有充足的休息時間。正如您在幻燈片中看到的，第一天我們首先進行了介紹，講解了統計理論和實驗設計（DoE）原則，然後是JMP軟體的基礎知識。我們講解的是非常基本的內容，例如如何開啟文件、如何關閉文件、如何保存、如何進行簡單的資料操作以及如何進行簡單的視覺化。之後，我們也探討了實驗設計（DoE）的準備工作，如何組織關於實驗條件準備的討論，以及如何擷取需要最佳化的關鍵因素。
第二天，我們重點介紹了設計規劃方面的內容。首先，我們再次介紹了一些關於電視機設計分類的統計理論，然後示範如何使用JMP平台進行實際規劃。我們一步步地講解了不同的方案，並展示瞭如何使用JMP進行實驗設計（DoE）。
第三天和第四天，我們學習了統計分析。由於這個主題非常龐大，我們將其分成兩天來講解。第一天著重於描述性分析和視覺化，例如示範如何繪製散點圖、直方圖、箱線圖、分佈圖等等。然後在訓練的最後一天，我們重點介紹了統計交互作用分析，示範如何建立主效應模型、如何處理交互作用、如何對交互作用進行建模、什麼是簡單線性迴歸以及如何應用它。
最後，我們決定增設第五次培訓，雖然這裡沒有展示，但很容易解釋。我們希望在培訓結束後兩個月再安排一次培訓，展示分析的所有步驟（也就是我們現在在第一到第四次培訓中看到的步驟），但這次是按照新策略在一個實際案例上進行的。這是我們首次採用新策略進行實驗設計（DoE）。
最後，在第五次訓練中，部分內容再次由實驗室科學家來講解，他們分享了各自的學習心得和經驗。我認為這部分內容最有幫助，就像訓練的最後總結環節。我建議在詳細了解所有操作步驟後，也要參加第五次訓練。
我的演講已經接近尾聲，現在我想探討為什麼要應用實驗設計（DoE）以及如何應用。我們知道，DoE 可以提供可靠的結論，從而為商業決策提供支援。這使我們能夠在研發的早期階段就做出數據驅動的決策，節省時間和金錢。我們也知道，DoE 不一定比實驗室常用的單因子實驗方法（我們現在正試圖用 DoE 取代這種方法）所需的實驗次數更少。但這只是短期視角。
然而，我們知道，實驗設計（DoE）能提供更高品質的資訊。它們精度更高，能展現全貌，而且資訊量更大，不僅品質更高，內容也更豐富。我們寧願一次性提供正確的結果，減少返工，降低檢測方法開發過程中的成本和缺陷。
關於如何實現這一目標，我們了解到，首先，試點研究展示了一些開發人員和統計人員合作的積極案例。然後，我們找到了一種大規模引入實驗設計（DoE）的方法，使開發人員能夠在半自主狀態下管理整個流程，並在需要時諮詢統計團隊。
具體來說，我們投入了額外的時間來培訓所謂的“關鍵用戶”，他們負責解答開發團隊最後階段的第一級問題，這讓我們有機會參與到更複雜的問題解決中。我們了解到，基於 JMP 的 DoE 專案培訓是絕對必要的。如果沒有培訓，人們不可能僅憑反覆試錯就掌握 JMP。此外，更全面的 JMP 培訓也非常有益，我們也建議大家進行此類培訓。
現在，我要感謝各位的聆聽，希望這些資訊對大家有幫助。我也期待在會議中與大家分享我們一路走來的歷程和所取得的成就。非常感謝。
