JMP 整合了資料視覺化、統計分析、建模工具（例如邏輯回歸和響應曲面法，用於確定最佳檢測條件）以及混合效應模型（用於評估中間精密度和相關重複策略），從而能夠實現穩健的檢測方法開發、程序驗證和持續的性能監測。 JMP 的自動化和腳本功能進一步簡化了重複性數據分析，有助於在受監管的環境下進行方法/操作人員性能評估和生物檢測的持續程序性能驗證 (OPPV)。
我的演講主題是《JMP在相對效價資產CMC生命週期中的應用》。我在Byondis公司工作，我們是一家位於荷蘭東部奈梅亨的公司，員工約300-350人。我們致力於研發標靶藥物，主要針對難治性癌症。我們的產品包括抗體藥物、抗體偶聯物和單株抗體。
單株抗體是Y形的複雜大分子蛋白。它們由重組細胞培養表達系統生產，這些細胞經過基因工程改造，並含有生產所需產物的必要資訊。下圖展示了抗體-藥物偶聯物，其中同樣呈現Y形的複雜大分子結構。藥物透過連接子（一種化學部分）與抗體-藥物偶聯物連接。
這是生物技術產品生命週期的概要。我們經歷研究、開發，最終實現商業化。我們的研究人員負責開發所謂的臨床候選藥物，這是一種在臨床前試驗中顯示出足夠療效和安全性的有前景的化合物。我們認為它足以進入臨床試驗階段。
研發環節我們稱為CMC，也就是化學製造與控制。在這個環節，我們開發生產流程。我們希望這個生產過程能夠生產出安全且對人體有效的藥物，並且我們希望保持穩定的品質。
此製程的開發主要由兩個部門負責：上游製程部和下游製程部。上游製程部專注於優化生物反應器中引擎自身生長的條件，並負責生產製程的規模化。下游製程部負責從細胞培養物中純化和分離生物產品，並確保最終產品純淨、濃縮且無雜質。
為了完善各自的流程，這些團隊需要做出以數據為依據、科學嚴謹且基於風險的明智決策。他們所需的大部分資訊都由分析開發團隊提供。我的團隊隸屬於分析開發團隊，名為效價測定團隊，或功能測定開發團隊。
效力測定透過量化產品與目標生物底物相互作用後誘導的生物活性來進行。我們希望它能模擬臨床情況下的生物活性。
這就是效價測定（或任何分析方法）的生命週期。在這個生命週期中，我們設計並開發方法，證明其適用於預期用途，並驗證和控制這種適用性在整個方法生命週期中得以維持。
在設計和開發效價測定方法之前，我們必須考慮以下幾點。分析方法本質上是一個過程。此分析過程將輸入（在本例中為樣品）轉換為原始數據（即輸出）。效價測定的原始數據是指在生物系統中，隨著藥物或產品濃度的增加，生物活性逐漸增強並最終達到平台期。
然後，我們對原始資料進行邏輯迴歸，擬合模型，從而得到劑量-反應關係。這些劑量-反應關係包含參數訊息，使我們能夠將樣本介導的劑量-反應曲線與圖中紅色所示的參考標準曲線進行比較。接下來，我們計算水平位移，從而得到相對效價估計值，並以百分比或比率表示。最後，此相對效價值或特定數量相對效價值的幾何平均值可提供相關資訊。
綜上所述，生物測定（名稱各異，例如生物效力測定、生物測定等）在概念上都代表著一個過程。因此，JMP 可以應用大量通用的製程開發、故障排除和控制工具。另一點需要注意的是，這些測定方法通常表現出較大的變異性，甚至高於化學方法。
我們進入設計和開發階段。當需要進行生物測定時，首先要識別並選擇潛在的關鍵變數。為此，我們會運用已有的知識（即我們的知識庫），並結合科學原理、常識，同時考慮實際限制，並進行初步實驗。為了更好地梳理這些考量因素，您可以參考石川圖等工具。 JMP 軟體就提供了這項功能。
然後我們開始建立設計空間，在分析術語中稱為 MODR 或方法可操作設計區域。我們利用實驗設計方法尋找最優設置，產生能夠提供準確、精確的相對效價結果的曲線。
這是設計多元實驗的結果，我們改變了目標細胞和效應細胞的數量，或改變了目標細胞和效應細胞的數量。目測結果表明，紅色曲線未必完全符合我們的要求，因此我們必須選擇一條黑色曲線。為了客觀地判斷哪一條劑量反應曲線最佳，我們需要依賴統計分析。
熟悉這些響應曲面模型設計後，您會認出等高線圖、預測輪廓圖和響應曲面圖。預測輪廓圖顯示了感興趣的因子、水平範圍、我們感興趣的反應值，並用紅色標出最重要的因子，以及期望的結果。在本例中，我們希望這個反應值盡可能低，這個反應值達到目標值，而這個反應值盡可能高。
為了將模型擬合到我們的數據，我們使用了四參數邏輯迴歸。雖然 JMP 可以完成這項工作，但我們使用的是經過 GMP 驗證的專用軟體。請注意，JMP 對我們所說的斜率參數和 EC50 或 IC50 使用了不同的術語。 JMP 使用「成長率」和「拐點」這兩個術語。 「成長率」指斜率參數，「拐點」指 EC50。 JMP 也提供了所有其他相關的統計數據。例如，平行性檢定的 F-Prob 值，當然還有我們的相對效價值，JMP 提供的這些值是相對於參考標準品的擦除值。
接下來是性能鑑定或驗證，即證明其符合預期用途。我將重點介紹兩個主要的驗證性能特徵：相對準確度和中間精密度。
驗證本身是指證明某項程序適用於預期用途的行為。我交替使用確認和驗證這兩個詞，因為美國藥典<1220>規定，所有確認其適用於預期用途的活動都可以歸入驗證的範疇。
這是一個驗證設計範例。實際上，該設計源自於美國藥典 (USP) 1033 號生物測定指南。我們安排了兩位操作人員。我們將在多次運行或數天內，在不同的 96 孔板上，測量一系列標稱效價在 50% 到 200% 之間的化合物。此外，美國藥典也使用了不同批次的培養基，這也是需要考慮的因素。
這是基於此驗證設計所得的相對效價測量結果的圖形表示。我們進行了不同的批內測量，即在不同的板上使用相同的樣品或使用相同的標稱濃度在不同板上進行測量。我們也進行了不同的批間測量，即不同的批次。所有測量均基於標稱相對效價。此外，由於由兩位不同的操作員進行操作，因此藍色和紅色分別代表不同的操作員。根據這些數據，我們可以評估準確度和精密度。
JMP 允許我們使用混合效應模型和限制性最大似然估計來計算和估計批內和批間變異數分量。這些變異數分量的總和就是我們所說的中間精度。這使我們能夠建立優化的重複實驗策略，我們將在後面的投影片中詳細介紹。
利用混合效應模型，我們也可以估計其他驗證研究因素的變異數分量。在本例中，我們也改變了中間節點的變異數分量。 JMP 允許我們將其繪製成帕累托圖，使我們能夠立即識別出該因素對變異數的貢獻最大。
我們可以透過調整變異數分量來降低中間精度，方法是在不同的運行中重複測量相同樣本，或在同一運行的不同位置重複測量。下圖展示了使用此策略時中間精度的降低情況。在同一運行的不同孔板上增加重複測量的次數也能降低中間精度，但降低幅度較小。下圖展示了不同運行的情況。這降低了我們的中間精度。如果觀察同一運行中不同孔板的情況，我們也能看到中間精度的降低。
這也表明，以這種方式減少變異體的數量是有限的。變異體數量從大約 15% 減少到略高於 5%。但到了某個臨界點，這種方法就不可行了。圖中黑色部分錶示重複次數。我們需要重複 15 次才能將變異體數量從 15% 減少到 5%，這在實際操作中已經無法實現。
第二個重要的驗證參數是相對準確度。我們預期得到的相對效價測量值平均而言與樣品的標稱效價相符。我們計算的是與這些平均值的偏差。我們預期迴歸後的結果接近單位直線，這表示截距為零，斜率為一。
我們可以透過視覺化結果看出，迴歸分析表明，在較高的名義效價下存在高估現象。 JMP 也提供了一個迴歸方程，我們可以驗證截距是否確實接近零，斜率是否確實接近於一。
這是繪製相同數據的另一種方式。它證實了我們可能在高名目效價處存在高估或一定程度的高估。同樣，該圖也包含了預測區間，這使我們能夠評估單一測量值是否為潛在異常值。
此外，該圖還提供了每個對數標稱效價的變異數估計值，這些估計值應該彼此一致，並且平均而言代表了總中間精度。它們應該彼此一致，因為我們希望混合效應模型具有恆定的變異數。
最後，將驗證參數與預先設定的驗收限值（圖中虛線所示）進行比較。在本例中，200%（最高標稱效價）無法通過驗證。這與我們之前看到的目視檢查結果一致。
我們也進行驗證和資格認證，以此作為評估操作員績效或進行操作員培訓的工具。我們會反覆進行資格認證和驗證練習。為了方便這項工作，我們編寫了腳本來輔助資料分析。
接下來是效能驗證。我們如何設定與方法效能相關的驗證目標驗收標準？一種方法是使用超出規格的機率。這張圖表顯示，對於具有給定能力的某種方法，當您的製造過程處於目標狀態時（理想情況下，它應該達到參考標準的 100%），出現超出規格測量值的機率非常非常低，而此時您不應該出現這種情況。這正是我們所期望的。當您的製程平均值發生變化，偏離目標時，獲得超出規格結果的機率就會增加，而這正是我們所希望的。
此等高線圖顯示了在所選規格下獲得超標結果的機率。例如，當流程符合目標時，機率為 70% 至 143%。白色區域表示超出規格機率低於 5% 的測量值。這意味著，當流程符合目標時，對於您選擇的規格，出現不期望的、錯誤的超出規格結果的機率很低。
更嚴格的規範會顯著縮小這一區域。黑線代表方法的能力，它是該方法的測量偏差和中間精度的綜合體現。此處偏差的數值為 12，中間精確度的數值為 8%。
對於此規範，此方法不適用。黑線交叉點位於白色區域外。對於此不太嚴格的規範，該方法適用。黑線交叉點位於白色區域內。此圖為我們提供了一定的靈活性，可以選擇最終的事後相對偏差和中間精度組合，使其落入此區域內，而無需將驗證參數與預先定義的驗收標準進行比較。預測分析器本質上提供了相同的資訊。它只是 JMP 允許我們以不同的方式評估數據。
最後，我們還有持續的程序效能驗證，即驗證和控制所證明的適用於預期用途的能力在方法的整個生命週期中得以維持。
OPPV 是一項持續進行的練習，我們為此編寫了腳本，最終產生了此儀表板佈局。在左側的列切換器中，我們新增了幾個與劑量反應相關的參數，我們會對這些參數進行處理、控制並與可接受限值進行比較。也就是說，紅色控制限值應在可接受限值範圍內，在本例中，可接受限值僅為藍色上限。
累積和圖表可以幫助我們及早發現對照樣本是否開始偏離目標值。在本例中，目標值為 100%。這提示我們需要調查是否可能喪失了預期用途的適用性。
由於時間限制，我沒有討論，但我想在結尾提及的是，我們使用 JMP 進行與生物測定生命週期相關的其他相關練習，例如參考標準橋接（這是生物測定領域一個複雜而熱門的話題）和根本原因調查（對於這些多因素方法來說，根本原因調查可能相當複雜）。
最後，我要感謝我的團隊成員：Dennie、Geert、Jake、Karlijn、Lisette、Pim、Rob、Sanne，因為是他們完成了所有工作，並使用 JMP 產生了這些優秀的數據。
