医薬品有効成分（API）粒子に原子層コーティングを施すことで、表面を自在に制御し、API粒子の性能を向上させることができます。Appliedのハードウェアチームは、これらの高表面積粒子にコーティングを施すための社内ツールを設計しました。
実験者としての私たちのプロジェクトでの主な役割は、レシピを最適化し、取得したデータに基づいてハードウェア チームにフィードバックして設計を改善することです。このプレゼンテーションでは、ハードウェア パーツの 1 つについて異なる設計から取得した 2 セットのプロセス データについて説明します。目的は、2 つのデータ セットを比較し、変動が最小となる設計を見つけることです。そのために、JMP のヒストグラムや連続近似などのツールを使用して、両方のケースのプロセス パラメーターの分布と分布の種類を確認します。データ セットの正規性の変動を確認するために、正規分位点プロットを使用します。外れ値分析は、JMP の外れ値の探索を使用して実行し、データ比較のための一元配置分析を可能にします。取得したデータを使用して、アップグレードに最適なオプションが選択され、提案されます。外れ値の探索は、データ セット内の変動を特定するのに役立ちます。
皆さん、こんにちは。Neha Guptaです。Applied Materials, India Private Limitedで働いています。プレゼンテーションを始める前に、簡単に経歴をご説明させていただきます。私はプロセスエンジニアとして、応用材料分野の研究開発プロジェクトに携わっています。
タイトルがレビューとなっている今回の研究では、ハードウェア層の変更に伴うプロセスパラメータの変化が、私たちが行った研究の一つです。プレゼンテーションを始める前に、このプレゼンテーション、そしてこの研究についてお話しする機会を与えてくださったJMPチームに感謝申し上げます。
それでは、プレゼンテーションを始めます。先ほど申し上げたように、私は半導体業界のApplied Materials India Private Limitedに所属しており、原子層コーティングの専門知識を有しています。私たちが試みたのは、この原子層コーティングを隣接市場である医薬品分野に適用することです。
私たちが試みたのは、医薬粒子への原子層コーティングに関する専門知識を活用し、その特性、特に医薬垂直粒子の特性を向上させることでした。これにより、既に概念実証を達成しています。粒子にALCコーティングを施すことで、流動性やバイオアベイラビリティなどが向上することを、小規模実験で既に実証しています。
今後の課題はスケールアップです。JMPの詳細に入る前に、現状ではJMPを私たちの技術分野、専門知識、そして技術的発見を説明するためのツールとして活用しており、JMPはその点で私たちを支えてくれています。先ほど申し上げたように、この粒子コーティングでは粒子の特性を向上させることができます。
私たちの最終製品、究極の目標はコーティングです。コーティングの品質は良好でなければなりません。コーティングの品質が良ければ、より良いものを作ることができます。このコーティングの品質は、複数のパラメータの影響を受けます。JMPには、因果関係図と呼ばれる、それを示す非常に優れたツールがあります。
素人の私としては、これが最終製品であり、複数のパラメータや要因の影響を受けることを示す場合、どのように示せばいいでしょうか？一つはこれです。これは因果関係図で、コーティングの品質がプロセス、つまり粉末の撹拌によって影響を受けることを示しています。これは表面積が大きいためです。
従来のALDは粉末ではなく、充填材に作用します。粉末の表面積は、薄い充填材よりもはるかに大きくなります。その場合、プロセスパラメータ、PADLの影響、粉末の撹拌、反応のための薬剤の投入方法、残留物の除去方法、そしてこれら2つの間の距離がどのように作用するか、そして温度が薬剤全体にどのような影響を与えるかが重要になります。
これらはコーティングの品質に影響を与えるいくつかのパラメータです。これをパラグラフだと説明しても誰も理解できません。しかし、因果関係図（今使っている図）を見せれば、はるかに分かりやすく説明できます。
元の話に戻りますが、コーティング品質は6つのパラメータによって影響を受けます。現在、プロセスは既に設定されているため、ヘッドスペースに焦点を当てています。この小規模な実証実験では、概念実証として既に実証済みです。プロセスは既に設定されています。さて、問題はハードウェアです。では、ハードウェアはどのように機能するのでしょうか？
例えば、ベースに粒子があり、そこに噴射システム、あるいは薬剤が注入されているとします。粒子がベースに到達するまでに非常に長い時間がかかったり、時間が短くなったりすると、プロセスパラメータ、圧力、残留物除去量などに影響が出ます。すべてがこの距離によって変化します。この距離は、基本的に私たちがテストスタンドでテストしている距離です。
このツールは、様々なアーキテクチャを試すためのテストスタンドと呼んでいました。このアーキテクチャとは、基本的にチャンバー内のリード設計のことで、最初のリードでリード設計のヘッドスペースを増やしたり減らしたりします。そして、これは中空のリードでヘッドスペースのサイズを大きくすることができます。ヘッドスペースが大きいほど、化学組成が高くなりますが、残留物の除去率は低くなる場合もあれば、そうでない場合もあります。これは確認が必要です。
そのため、この懸念を踏まえ、リード線の設計がコーティング品質に与える影響について検討し始めました。これにより、この特定のものに関するデータを収集しました。このレシピを実行する際、粒子をコーティングする際に考慮すべきパラメータがいくつかあります。これらのパラメータを記録し、分析に使用しました。
まず第一に、圧力変化があります。距離が長ければ反応がより活発に起こり、滞留時間が長ければ化学反応の滞留時間も長くなり、圧力変化も大きくなります。
これは正規性チェックで確認できます。これは2つの誘導間の圧力変化です。周期に関して、周期を増加させた場合、大きく増加するか、逆に小さく増加するかを確認しました。JMPでは、正規性チェックとボックスクロットを使用して外れ値を特定しました。
これがJMPの優れた点です。外れ値を検出するだけでなく、YとXの関係を線形多項式で当てはめることで、その根本原因も特定できます。このYとXの関係を線形多項式で当てはめることで、外れ値とデータセットの関係性を把握できます。これにより、外れ値の根本原因を特定し、その原因を特定することができます。
3つ目のステップは[聞き取れず 00:06:14]で、これまで収集してきた2つの設計データセットを比較しました。そして、仮説を検証しました。技術的には、仮説が正しいか、あるいは今後どうなるかを示しています。それでは、結果に戻りましょう。
まず最初に申し上げたように、2つの設計があります。1つ目の設計は、ヘッドスペースの高い設計で、設計1と呼ばれています。もう1つは設計2で、こちらではデータがより均一、あるいは正規分布に近い状態です。差異が非常に少ないと言えるでしょう。
しかし、ここで計画図と対応する箱ひげ図を見ると、外れ値が非常に多いことがわかります。また、外れ値検定も実行しました。これはJMPの非常に強力なツールで、Q係数や裾の四分位数を変更することで、規格範囲を縮小したり、外れ値を特定したりできます。外れ値は、限界外れ値、工程外れ値、あるいは極端な外れ値のいずれかです。
今回のケースでは、極端な外れ値を探しています。この極端な外れ値は、ヘッドスペースが少ない設計2ではなく、設計1でのみ検出できました。ヘッドスペースが少ない設計2では、外れ値は検出されません。この点については後ほど説明します。
しかしその前に、極端な外れ値については、根本原因を突き止めようと試みました。Y×Xの線形近似、多項式近似、そして多項式近似の様々な次数を用いて近似を試みました。しかし、この2つの特定の原因については、線形近似も多項式近似も効果がないことが分かりました。そして、ノンパラメトリッククラスター密度分析と呼ばれるもう1つのポイント、つまり有意性があることに気付きました。
これはノンパラメトリックなので、パラメトリックと比較して信頼区間は95%になります。これは問題ありません。しかし、現時点では、今回の研究では2つの異なるモデルが存在することが示されています。これは、ご覧のとおり、2つの異なるクラスターが存在するためです。これらの2つのクラスターは互いに異なり、このクラスターは基本的に2つのメカニズムが進行していることを示しています。
これを私の技術理論に当てはめると、当初はプロセスが直線的に、あるいは一定の勾配で増加するはずだったのに、その後、プロセスがずれてしまったようなものです。全体として、プロセスはずれてしまったのです。これが私たちの技術的な懸念事項です。技術者として考えると、チャンバー内のヘッドスペースが大きい場合、粉末から薬剤の除去または注入までの距離が長すぎると、薬剤と残留物の滞留時間が非常に長くなり、初期サイクルだけでなく、後期サイクルにも大きな影響を与える可能性があります。
完全なプロセスへと向かう流れは、それが積み重なるプロセスであるためです。1層目が構築され、次に2層目、そして3層目が構築されます。これが層ごとの構造だとすると、最初の層で多くの凝縮が見られ、その後、上層で多くのドリフトが見られます。これが私たちが立てた仮説です。そして、サイクルに対する変動範囲を確認できる優れたツールの一つである管理図を用いてプロットしました。
ここで移動範囲の初期サイクルを見ると、初期サイクルが別のレベルにあることがわかりますが、突然、突然の変化、つまり、突然の低下が見られます。移動範囲の突然の低下は、プロセスのドリフトを再度確認します。
基本的に、仮説とこのデータは全体的に、プロセスが正常に開始したことを示唆しています。最初の数サイクルは正常に開始しました。しかし、ヘッドスペースが大きいため滞留時間が長くなり、それがプロセスがドリフトした原因です。そのため、コーティング品質に多くの問題が生じています。これを分散分析と比較すると、実験データも同じことを示しています。
これは、どのようなメカニズムが起こっているのかという同じ仮説を統計的に証明したものです。設計1の場合、コーティングの状態が悪化していますが、そのメカニズムは何でしょうか？このメカニズムを証明するために、プロセスがドリフトしていることが、この移動範囲チャートからも確認できます。
最後に、この2つのリードを一元配置分散分析（ANOVA）で比較し、統計的に同じか違うかを確認しました。統計的な観点から見ると、一元配置分散分析を行ったにもかかわらず、この2つのリードは大きく離れています。この分析の結果、この2つのバリアントは同一であるという仮説は破綻しました。そのため、この2つのリードは類似していないと言えるでしょう。
全体として、この研究全体の結論として、JMPは、設計1のコーティング品質が低いのはプロセスのドリフトによるものだという仮説を示すツールとして用いました。これは確認可能であり、移動範囲チャートによっても裏付けられています。多くの外れ値がありますが、これもまた、私たちが示した多重モデルフィッティングによるものです。そして最終的に、これら2つのリード線は同一ではないことが示されました。
最後に、このプレゼンテーション全体を締めくくるにあたり、プロセスエンジニアとして、これが私にとってどのように役立つのかを述べたいと思います。私は既に作業を行い、データを収集し、分析し、それがどのように機能しているかを把握していますが、それをステークホルダーや顧客にどのように伝えるかが課題です。そのため、何らかの形で提示したり、裏付けとなるデータを用意したりする必要があるからです。
私はこのデータを持っており、それを使って、より高いヘッドスペースによる漂流プロセスの仮説を納得させることができ、新しいツールが登場したときにヘッドスペースを減らして設計に取り入れるという決定を下すことができます。
このJMPツールは、私の仮説を実証し、どの計画が正しいのかを判断するのに役立ちました。これは私のツールのおかげです。最後に、チームメンバー、指導教官のチャールズ、そしてメンターのスクティに感謝したいと思います。最後に、再びチャンスを与えてくださったJMPチームに感謝します。ありがとうございました。
