JMP 集成了数据可视化、统计分析、建模工具（例如逻辑回归和响应面法，用于确定最佳检测条件）以及混合效应模型（用于评估中间精密度和相关重复策略），从而能够实现稳健的检测方法开发、程序验证和持续的性能监测。JMP 的自动化和脚本功能进一步简化了重复性数据分析，有助于在受监管的环境下进行方法/操作人员性能评估和生物检测的持续程序性能验证 (OPPV)。
我的演讲题目是《JMP在相对效价资产CMC生命周期中的应用》。我在Byondis公司工作，我们是一家位于荷兰东部奈梅亨的公司，员工约300-350人。我们致力于研发靶向药物，主要针对难治性癌症。我们的产品包括抗体药物、抗体偶联物和单克隆抗体。
单克隆抗体是Y形的复杂大分子蛋白。它们由重组细胞培养表达系统生产，这些细胞经过基因工程改造，含有生产所需产物的必要信息。下图展示了抗体-药物偶联物，其中同样呈现Y形的复杂大分子结构。药物通过连接子（一种化学部分）与抗体-药物偶联物连接。
这是生物技术产品生命周期的一个概要。我们经历研究、开发，并最终实现商业化。我们的研究人员负责开发所谓的临床候选药物，这是一种在临床前试验中显示出足够疗效和安全性的有前景的化合物。我们认为它足以进入临床试验阶段。
研发环节我们称之为CMC，即化学制造与控制。在这个环节，我们开发生产工艺。我们希望这个生产工艺能够生产出安全且对人体有效的药物，并且我们希望保持产品质量的稳定性。
该工艺的开发主要由两个部门负责：上游工艺部和下游工艺部。上游工艺部专注于优化生物反应器中发动机自身生长的条件，并负责生产工艺的规模化。下游工艺部负责从细胞培养物中纯化和分离生物产品，并确保最终产品纯净、浓缩且无杂质。
为了完善各自的流程，这些团队需要做出以数据为依据、科学严谨且基于风险的明智决策。他们所需的大部分信息都由分析开发团队提供。我的团队隶属于分析开发团队，名为效价测定团队，或者说是功能测定开发团队。
效力测定通过量化产品与靶生物底物相互作用后诱导的生物活性来进行。我们希望它能模拟临床情况下的生物活性。
这就是效价测定（或者说任何分析方法）的生命周期。在这个生命周期中，我们设计并开发方法，证明其适用于预期用途，并验证和控制这种适用性在整个方法生命周期中得以保持。
在设计和开发效价测定方法之前，我们必须考虑以下几点。分析方法本质上是一个过程。该分析过程将输入（在本例中为样品）转化为原始数据（即输出）。效价测定的原始数据是指在生物系统中，随着药物或产品浓度的增加，生物活性逐渐增强并最终达到平台期。
然后，我们对原始数据进行逻辑回归，拟合模型，从而得到剂量-反应关系。这些剂量-反应关系包含参数信息，使我们能够将样本介导的剂量-反应曲线与图中红色所示的参考标准曲线进行比较。接下来，我们计算水平位移，从而得到相对效价估计值，并以百分比或比率表示。最后，该相对效价值或特定数量相对效价值的几何平均值可提供相关信息。
综上所述，生物测定（名称各异，例如生物效力测定、生物学测定等）在概念上都代表着一个过程。因此，JMP 可以应用大量通用的工艺开发、故障排除和控制工具。另一点需要注意的是，这些测定方法通常表现出较大的变异性，甚至高于化学方法。
我们进入设计和开发阶段。当需要进行生物测定时，首先要识别并选择潜在的关键变量。为此，我们会运用已有的知识（即我们的知识库），并结合科学原理、常识，同时考虑实际限制，并进行初步实验。为了更好地梳理这些考量因素，您可以参考石川图等工具。JMP 软件就提供了这项功能。
然后我们开始构建设计空间，在分析术语中称为 MODR 或方法可操作设计区域。我们利用实验设计方法寻找最优设置，生成能够提供准确、精确的相对效价结果的曲线。
这是设计多元实验的结果，其中我们改变了靶细胞和效应细胞的数量，或者改变了靶细胞和效应细胞的数量。目测结果表明，红色曲线未必完全符合我们的要求，因此我们必须选择一条黑色曲线。为了客观地判断哪条剂量反应曲线最佳，我们需要依赖统计分析。
熟悉这些响应曲面模型设计后，您就会认出等高线图、预测轮廓图和响应曲面图。预测轮廓图显示了感兴趣的因子、水平范围、我们感兴趣的响应值，并用红色标出最重要的因子，以及期望的结果。在本例中，我们希望这个响应值尽可能低，这个响应值达到目标值，而这个响应值尽可能高。
为了将模型拟合到我们的数据，我们使用了四参数逻辑回归。虽然 JMP 可以完成这项工作，但我们使用的是经过 GMP 验证的专用软件。请注意，JMP 对我们所说的斜率参数和 EC50 或 IC50 使用了不同的术语。JMP 使用“增长率”和“拐点”这两个术语。“增长率”指斜率参数，“拐点”指 EC50。JMP 还提供了所有其他相关的统计数据。例如，平行性检验的 F-Prob 值，当然还有我们的相对效价值，JMP 会将这些值相对于参考标准品以擦除值的形式提供。
接下来是性能鉴定或验证，即证明其符合预期用途。我将重点介绍两个主要的验证性能特征：相对准确度和中间精密度。
验证本身是指证明某项程序适用于预期用途的行为。我交替使用确认和验证这两个词，因为美国药典<1220>规定，所有确认其适用于预期用途的活动都可以归入验证的范畴。
这是一个验证设计示例。实际上，该设计源自美国药典 (USP) 1033 号生物测定指南。我们安排了两名操作人员。我们将在多次运行或数天内，在不同的 96 孔板上，测量一系列标称效价在 50% 到 200% 之间的化合物。此外，美国药典还使用了不同批次的培养基，这也是需要考虑的因素。
这是基于此验证设计得到的相对效价测量结果的图形表示。我们进行了不同的批内测量，即在不同的板上使用相同的样品或使用相同的标称浓度在不同板上进行测量。我们也进行了不同的批间测量，即不同的批次。所有测量均基于标称相对效价。此外，由于由两位不同的操作员进行操作，因此蓝色和红色分别代表不同的操作员。根据这些数据，我们可以评估准确度和精密度。
JMP 允许我们使用混合效应模型和限制性最大似然估计来计算和估计批内和批间方差分量。这些方差分量的总和就是我们所说的中间精度。这使我们能够建立优化的重复实验策略，我们将在后面的幻灯片中详细介绍。
利用混合效应模型，我们还可以估计其他验证研究因素的方差分量。在本例中，我们还改变了中间节点的方差分量。JMP 允许我们将其绘制成帕累托图，从而使我们能够立即识别出该因素对方差的贡献最大。
我们可以通过调整方差分量来降低中间精度，方法是在不同的运行中重复测量同一样本，或者在同一运行的不同位置重复测量。下图展示了使用此策略时中间精度的降低情况。在同一运行的不同孔板上增加重复测量的次数也能降低中间精度，但降低幅度较小。下图展示了不同运行的情况。这降低了我们的中间精度。如果观察同一运行中不同孔板的情况，我们也能看到中间精度的降低。
这也表明，以这种方式减少变异体的数量是有限的。变异体数量从大约 15% 减少到略高于 5%。但到了某个临界点，这种方法就不可行了。图中黑色部分表示重复次数。我们需要重复 15 次才能将变异体数量从 15% 减少到 5%，这在实际操作中已经无法实现。
第二个重要的验证参数是相对准确度。我们期望得到的相对效价测量值平均而言与样品的标称效价相符。我们计算的是与这些平均值的偏差。我们预期回归后的结果接近于单位直线，这意味着截距为零，斜率为一。
我们可以通过可视化结果看出，回归分析表明，在较高的名义效价下存在高估现象。JMP 还提供了一个回归方程，我们可以验证截距是否确实接近于零，斜率是否确实接近于一。
这是绘制相同数据的另一种方式。它证实了我们可能在高名义效价处存在高估或一定程度的高估。同样，该图也包含了预测区间，这使我们能够评估单个测量值是否为潜在异常值。
此外，该图还提供了每个对数标称效价的方差估计值，这些估计值应该彼此一致，并且平均而言代表了总中间精度。它们应该彼此一致，因为我们希望混合效应模型具有恒定的方差。
最后，验证参数与预先设定的验收限值（图中虚线所示）进行比较。在本例中，200%（最高标称效价）无法通过验证。这与我们之前看到的目视检查结果一致。
我们还开展验证和资格认证，以此作为评估操作员绩效或进行操作员培训的工具。我们会反复进行资格认证和验证练习。为了方便这项工作，我们编写了脚本来辅助数据分析。
接下来是性能验证。我们如何设定与方法性能相关的验证目标验收标准？一种方法是使用超出规格的概率。这张图表显示，对于具有给定能力的某种方法，当您的制造过程处于目标状态时（理想情况下，它应该达到参考标准的 100%），出现超出规格测量值的概率非常非常低，而此时您不应该出现这种情况。这正是我们所期望的。当您的过程均值发生变化，偏离目标时，获得超出规格结果的概率就会增加，而这正是我们所希望的。
此等高线图显示了在所选规格下获得超标结果的概率。例如，当流程符合目标时，该概率为 70% 至 143%。白色区域表示超出规格概率低于 5% 的测量值。这意味着，当流程符合目标时，对于您选择的规格，出现不期望的、错误的超出规格结果的概率很低。
更严格的规范会显著缩小这一区域。黑线代表该方法的能力，它是该方法的测量偏差和中间精度的综合体现。此处偏差的数值为 12，中间精度的数值为 8%。
对于此规范，此方法不适用。黑线交叉点位于白色区域之外。对于此不太严格的规范，该方法适用。黑线交叉点位于白色区域之内。此图为我们提供了一定的灵活性，可以选择最终的事后相对偏差和中间精度组合，使其落入此区域内，而无需将验证参数与预定义的验收标准进行比较。预测分析器本质上提供了相同的信息。它只是 JMP 允许我们以不同的方式评估数据。
最后，我们还有持续的程序性能验证，即验证和控制所证明的适用于预期用途的能力在方法的整个生命周期内得以保持。
OPPV 是一项持续进行的练习，我们为此编写了脚本，最终生成了此仪表板布局。在左侧的列切换器中，我们添加了几个与剂量反应相关的参数，我们会对这些参数进行处理、控制并与可接受限值进行比较。也就是说，红色控制限值应在可接受限值范围内，在本例中，可接受限值仅为蓝色上限。
累积和图可以帮助我们及早发现对照样本是否开始偏离目标值。在本例中，目标值为 100%。这提示我们需要调查其是否可能丧失了预期用途的适用性。
由于时间限制，我没有讨论，但我想在结尾提及的是，我们使用 JMP 进行与生物测定生命周期相关的其他相关练习，例如参考标准桥接（这是生物测定领域一个复杂而热门的话题）和根本原因调查（对于这些多因素方法来说，根本原因调查可能相当复杂）。
最后，我要感谢我的团队成员：Dennie、Geert、Jake、Karlijn、Lisette、Pim、Rob、Sanne，因为是他们完成了所有工作，并使用 JMP 生成了这些优秀的数据。
