Cerba Research ist ein weltweit renommiertes Unternehmen, das sich auf die Bereitstellung erstklassiger analytischer und diagnostischer Lösungen für klinische Studien spezialisiert hat. Bei Cerba Research Montpellier entwickelt unser engagiertes Team maßgeschneiderte Immunhistochemie-Protokolle zum Nachweis spezifischer Zielgenexpressionen in Gewebeschnitten von Patienten. Um der steigenden Nachfrage nach Protokollentwicklung gerecht zu werden und die Wirtschaftlichkeit unserer Prozesse zu steigern, ist es uns wichtig, Entwicklungszeiten zu verkürzen und Kosten zu senken.
Angesichts der Vielfalt der zu entwickelnden kundenspezifischen Protokolle ist der herkömmliche OFAT-Ansatz (One Factor at a Time) nicht mehr ausreichend. Daher haben wir eine detaillierte Evaluierung durchgeführt und verschiedene Versuchsplanungsmethoden (Design of Experiments, DOE) – darunter kundenspezifische und raumfüllende Versuchsplanung – mithilfe von JMP verglichen. Diese DOE-Ansätze werden mit zuvor entwickelten OFAT-Protokollen evaluiert. Wir präsentieren Daten, die die relativen Vorteile von OFAT- und DOE-Ansätzen hinsichtlich Kosteneffizienz und Qualität verdeutlichen.
Hallo. Mein Name ist Marie Gérus-Durand und ich arbeite als Validierungsingenieurin bei Cerba Research. Heute zeige ich Ihnen, wie wir durch die Anwendung von Versuchsplanung bei der Erstellung klinischer Protokolle für die Immunhistochemie Kosten senken und die Qualität steigern können. Cerba Research ist ein weltweit tätiges Unternehmen mit Aktivitäten auf allen Kontinenten. Die Abteilung, für die ich arbeite, ist gelb markiert.
Es handelt sich um die Abteilung für Pathologie und Immunhistochemie (IHC). Die Hauptforschungsabteilung für IHC befindet sich in Montpellier, wo ich arbeite. Was ist Immunhistochemie? Immunhistochemie ist die Untersuchung von Proteinen oder verschiedenen Zielstrukturen im Gewebe. Bei Biopsien werden Gewebeschnitte angefertigt, und mithilfe von Antikörpern werden verschiedene Zielstrukturen auf dem Gewebe nachgewiesen, die wir unter dem Mikroskop oder mit einem Scanner auf digitalisierten Bildern sichtbar machen können.
Hier sehen Sie beispielsweise ein Hautgewebe mit einem gut sichtbaren, rot angefärbten Zielbereich. Mehr als ein Viertel unserer Aktivitäten bei Cerba Research Montpellier entfällt auf die Protokollerstellung für unsere Kunden. Wir betreuen über 50 Kunden. Jedes dieser Ziele ist uns wichtig. Für uns ist es entscheidend, schnell die beste Entwicklungsstrategie zu finden, um im gesamten Bereich der Protokollerstellung für klinische Studien wettbewerbsfähig zu bleiben.
Hier ist ein Beispiel für eine weitere Färbung, die ich im ersten Beispiel verwenden werde. Ich zeige es Ihnen. Es handelt sich um den Nachweis eines Zielmoleküls in Braun mittels Immunhistochemie (IHC). Dieses Protokoll ermöglicht also den Nachweis nur eines Zielmoleküls. Wir nennen es Simplex-Färbung, und genau das machen wir häufig.
Unser Ansatz ist schrittweise. Zunächst bewerten wir die Antigenzugänglichkeit des Gewebes für die zu erkennenden Zielstrukturen. Anschließend titrieren wir den Antikörper, um die optimalen Bedingungen für das beste Signal-Rausch-Verhältnis zu ermitteln, und optimieren ihn bei Bedarf weiter. Jeder Pfeil symbolisiert einen Schritt im Entwicklungsprotokoll. Jeder Schritt umfasst mindestens einen Automatisierungszyklus, der von der Anfrage bis zum Testergebnis mindestens vier Tage dauert.
Um die Rentabilität unserer Fördermittel und die Anzahl der entwickelten Protokolle zu verbessern, müssen wir den Zeitaufwand und die Anzahl der Tests bis zum optimierten Protokoll reduzieren. Hier ist unsere Strategie schematisch dargestellt: Wir testen zwei Bedingungen der Antigenzugänglichkeit – ohne Antikörper bzw. mit einer definierten Antikörperkonsultation – und erhalten so vier Messpunkte. Anschließend wählen wir den besten Wert aus, also Bedingung zwei, um eine Antikörpertitration durchzuführen, da diese die meisten Messpunkte aufweist. Was aber, wenn der optimale Wert tatsächlich außerhalb des getesteten Bereichs von Bedingung eins liegt?
Wenn ich mir das so ansehe, erinnert es mich stark an die Versuchsplanung und die Webinare, die ich bei JNP gesehen habe. Das ist eine Beispielfolie aus einem Workshop, in der man den vorgestellten Ansatz – den wir aktuell verwenden – Faktor für Faktor mit der Versuchsplanung vergleicht. Man sieht, dass man so eine größere Abdeckung des Versuchsbereichs erreicht. Das kann in unserem Versuchsaufbau eine deutliche Verbesserung sein. Ich habe beschlossen, es auszuprobieren.
Zunächst beginne ich mit dem Einfachsten: der Entwicklung eines simplen Protokolls, wie ich Ihnen zeigen werde, um in diesem Fall nur ein Ziel zu erkennen. Wir müssen zuerst unsere Randbedingungen und Parameter definieren. Der Automat, den ich für dieses Experiment verwende, hat unabhängige Positionen. Er ist mit einem Test aus dem Versuchsplan verknüpft und bildet eine Ebene im Automaten. Wir müssen die Zielgrößen und die Einflussfaktoren definieren.
Die zu analysierende Antwort ist die Signalintensität. Wir wollen sie maximieren und den Hintergrund minimieren. Die Faktoren, mit denen wir in dieser Phase experimentieren können, sind die Antigenrückgewinnung (ein kategorischer Faktor) und die Konzentration des primären Antikörpers (eine kontinuierliche Variable). Legen wir los. Ich vergleiche verschiedene Versuchsdesigns.
Ich zeige Ihnen das benutzerdefinierte Design und das raumfüllende Design. Wir würden dieses Design gemeinsam erstellen. Ich gehe dazu einfach auf die DOE-Plattform und wähle „Benutzerdefiniertes Design“. Dort müssen wir die Ergebnisse und Faktoren aus dem letzten Jahr eingeben. Der erste Faktor ist die Signalintensität, die wir maximieren möchten.
Ich gehe von einer willkürlichen Bewertung zwischen Null (kein Signal) und Drei (Signal) aus und füge hier eine weitere Antwort hinzu. Es handelt sich um ein Hintergrundsignal, das wir minimieren wollen. Daher minimiere ich es diesmal und trage das Hintergrundsignal hier ein. Analog dazu bedeutet Null kein Hintergrundsignal und Drei ein sehr hohes Hintergrundsignal. Anschließend addieren wir die Faktoren.
Ich zeige es Ihnen kurz, da ich hier etwas versteckt war. Als Faktoren haben wir den zweistufigen kategorialen Faktor, die Antigenrückgewinnung. Diese lässt sich recht einfach ändern. Außerdem haben wir zwei pH-Werte, üblicherweise pH 6 und pH 9. Die Bezeichnungen variieren je nach Automat, aber das ist hier nicht relevant.
Wir haben den kontinuierlichen Faktor, die Antikörperkonzentration. Normalerweise testen wir hier den Maximalwert von 10, daher lasse ich ihn von null bis zehn variieren. Damit habe ich keine Kovariaten mehr. Wie bereits erwähnt, habe ich das einfachste Modell gewählt. Wir fahren mit dem Modell fort. Ich möchte alle möglichen Interaktionen betrachten, daher verwende ich die Response-Surface-Methodik (RSM). Ich verwende keine Replikate und keine Mittelpunkte. Ich habe bereits das einfachste Modell gewählt, und wie Sie sehen, ist das standardmäßig der Fall, sagte sie. Okay.
Sie sollten 11 Versuche durchführen, 11 passt zu dem, was wir üblicherweise machen, also ist alles in Ordnung. Um den Design-Explorer in JNP 17 zu nutzen, klicke ich einfach hier und sage: „Okay, erkunden wir mal verschiedene Designs.“ Sie sehen, dass nach dem Klicken die Faktoren und das Modell wieder angezeigt werden und verschiedene Optionen zur Verfügung stehen. Links kann man die einzelnen Designs auswählen. Rechts lassen sich Kombinationen erstellen. Bei RSM führen wir üblicherweise eine visuelle Optimalitätsprüfung durch und möchten beispielsweise verschiedene Anzahlen von Durchläufen testen.
Sagen wir, mindestens fünf. Nehmen wir an, wir fangen damit an und gehen bis elf. Was wäre, wenn wir zum Beispiel 15 machen, mit einer Schrittweite von eins? Die Mittelpunkte sind mir eigentlich egal, aber wir können es ausprobieren und sehen, was passiert, und es wiederholen. Mal sehen, es ist besser, wenn wir es wiederholen.
Ich klicke auf „Alle Designs generieren“, und es wurden auch Designs mit verschiedenen Parametern erstellt. Ich habe die Option „Optimalität für das Auge“ gewählt, sodass überall die optimale Darstellung für das Auge gilt. Ich wähle die Durchläufe 5 bis 15 aus, und dann erhält man Replikate.
Es hat nicht geklappt, aber hier ist eine Kopie für fünf. Ich weiß nicht warum, aber es ist in Ordnung. Sehen Sie, für sieben zum Beispiel habe ich zwei Kopien, eine oder keine, da dies für alle gleich ist. Auch bei den Mittelpunkten habe ich, wenn möglich, einen oder zwei Mittelpunkte. Unten haben Sie eine Tischplatte, die Sie anfertigen können und die eine schöne Spalte bildet.
Das ist speziell für alle Kunden angepasst. Wenn Sie in dieser Tabelle ein Design auswählen, klicken Sie auf „Benutzerdefiniertes Design“, und die Kostentabelle öffnet sich. Das ist praktisch, da Sie Diagramme erstellen und beispielsweise die Effizienz in Abhängigkeit von der Anzahl der Fronten analysieren können.
Sie sehen, dass zwischen den beiden eine starke Korrelation besteht. Wir können experimentieren und mit dem Spaltenumschalter weitere Variablen hinzufügen. Ich möchte mir beispielsweise die Läufe, die Mittelpunkte und die Replikate anzeigen lassen. Entschuldigung, ich hatte vergessen, die Läufe auszuwählen. Aber egal, hier sind sie nun.
Die Mittelpunkte scheinen keine gute Wirkung zu haben und werden auch nicht repliziert, daher sieht es so aus, als ob es fertig ist. Wir sollten mit der Anzahl der Durchläufe experimentieren. Wenn ich mir die Anzahl der Durchläufe ansehe, würde ich darauf zurückkommen. Ich würde einfach die Benutzer und die Mittelpunkte blockieren und uns dann nur noch die Referenznummern ansehen.
Ich habe nicht alles entfernt. Ich hoffe, du solltest vorher alles entfernen. Sonst werden sie einfach alle wieder hinzugefügt. Ich habe alles entfernt. Nur ausgewählt. Habe mir nichts notiert. Tut mir leid. Es dauert also so lange, also nehme ich an, ich wähle aus, was ausgewählt war, also 12 Durchläufe.
Ich gehe hier nochmal zurück und sage: Okay. Ist das der Standardwert? 11? Ich möchte aber sichergehen, dass ich meine beiden Negativkontrollen habe, also Kontrollen ohne Antikörper, aber mit Isotopen, daher würde ich 10 sagen.
Ich erstelle ein Design mit 10 Elementen und füge dann manuell meine beiden Steuerelemente hinzu. Hier sehen Sie ein kleines Design. Es dauert nur 10 Sekunden, und hier ist die Tabelle. Tatsächlich liefert das Skript bei jeder Ausführung unterschiedliche Ergebnisse. Ich verwende das Ergebnis von vorher. Ich führe einfach dieses Skript aus. Ich erhalte genau dieselben Daten wie alle anderen, die ich Ihnen zeige. Hier ist eine Tabelle, Sie sehen also, dass sie unterschiedlich war.
Ich habe nur 0, 10 oder 5 Konzentrationen, aber wir halten das erst einmal konstant. In der Tabelle sehen Sie das Modell und die Auswertung des Versuchsdesigns. Sie können zum DOE-Dialogfeld zurückkehren. Die Auswertung werde ich jetzt nicht durchführen, da ich zwei Versuchsdesigns vergleichen möchte. Ich werde sie jetzt vornehmen. Das Design, das ich gerade erstellt habe, wird am Ende für jeden Punkt dupliziert.
Selbst wenn ich keine Duplikate angefordert habe, wurden mir welche angezeigt. Das deckt diesen Bereich des Versuchsraums ab. Ich versuche es mit einem raumfüllenden Versuchsdesign. Es ist dasselbe. Gutes Versuchsdesign, aber diesmal ist es ein spezielles Design, hier ein raumfüllendes, und das möchte ich Ihnen zeigen, daher müsste ich zu meinem benutzerdefinierten Design zurückkehren. Ich möchte das Design vergleichen, aber die Antworten und Faktoren wären gleich. Ich kann einfach meine Antworten und meine Faktoren speichern. Oh, ich würde einfach die Antworten speichern, genauso wie Fotos.
Wenn ich dann zum raumfüllenden Design zurückkehre, kann ich die Antworten laden. Entschuldigung. Sie müssen das Fenster ausgewählt haben, um es zu finden. Dasselbe gilt für die Faktoren, und ich habe die Faktoren eingegeben. Keine Einschränkung. Die Anzahl der Garantien beträgt 20, aber ich möchte zwei Designs vergleichen, daher werde ich 10 gleiche durchführen.
Ich habe keine Wahl. Es ist einfach ein flexibles Gefühl. Es generiert dieses Design, und Sie sehen, dass die Konzentration diesmal nicht so streng wie bei 0,105 ist. Es gibt einen riesigen Konzentrationsbereich, und Sie können die Tabelle genauso erstellen. Ich kann das alles schließen. Was das benutzerdefinierte Design angeht, habe ich das, das ich erstellt hatte, erneut ausgeführt, sodass ich genau die gleichen Zahlen habe, und deshalb wollte ich das Design vergleichen. Wie vergleicht man das Design? Oh, zuerst. Entschuldigung. Ich hatte es vergessen.
Sie sehen also, dass die Schwankungen der Antikörperkonzentration nicht gleich sind. Ich habe außer dieser Kontrollprobe hier keine Duplikate. Sie deckt einen breiteren Bereich der Antikörperkonzentration ab, was für unsere Zwecke tatsächlich gut ist.
Ich wollte die Designs vergleichen. Zunächst kann ich das grafisch tun, da die von jedem Design abgedeckte Fläche unterschiedlich ist. Meiner Ansicht nach ermöglicht mir die Raumfüllungsmethode, höhere Antikörperkonzentrationen zu testen, was ein Vorteil sein kann. Aber ich kann die Designs auch vergleichen. In DOE gibt es Design-Diagnostik und die Möglichkeit, Designs zu vergleichen. Wie Sie sehen, habe ich beide zur Verfügung.
Ich habe bereits das Fast Flexible-Modell, also füge ich das benutzerdefinierte Design hinzu. Die Spaltennamen sind identisch, daher benötige ich nicht viele Spalten. Er wird das schon erledigen, das weißt du ja. Fassen wir also die Faktoren noch einmal zusammen. Beim Fast Flexible-Modell beginnt die Skala nicht exakt bei null und geht nicht bis zehn, aber sie ist fast so weit. Das Modell, das ich verwenden werde, um sie zu entfernen. Ich kann den kategorialen Faktor hier eigentlich nicht haben, habe ihn aber doch. Gehen wir zurück zum Risiko-Nutzen-Verhältnis von Antikörper zu Antikörper und von Antikörper zu Antigen. Ich kann Antigen nicht als zweiten Faktor verwenden, aber das ist in Ordnung, und wir fahren mit der Designbewertung fort.
Deshalb habe ich es nicht einzeln gemacht. Ich wollte vergleichen. Hier in der Leistungskurve (blau) ist ein schnelles, flexibles Design dargestellt, in Orange ein benutzerdefiniertes Design. Man sieht, dass [unverständlich 00:17:23] das benutzerdefinierte Design hinsichtlich vier der Modellbestimmungen besser abschneidet als das schnelle, flexible Design. Dasselbe gilt für die Diagramme zum Anteil des Designraums.
Das kundenspezifische Design scheint besser zu passen. Wenn wir die Design-Diagnostik vergleichen, bezieht sich das auf das kundenspezifische Design. Das heißt, das kundenspezifische Design bietet einen Mehrwert. Wenn ich hingegen auf hohe Effizienz achte, öffne ich beim schnellen und flexiblen Design sieben Optionen, was beispielsweise 30 % weniger effizient ist als bei einem kundenspezifischen Sensordesign. Ich habe das hier nur mal so eingefügt.
Ich zeige Ihnen hier drei Diagnosen. Es scheint, als ob das benutzerdefinierte Design besser abschneidet als das raumfüllende [unverständlich 00:18:18]. Mal sehen, was die Ergebnisse aussagen. Die Profiler werden nach der Eingabe von [unverständlich 00:18:26] erstellt. Um Ihnen ein Beispiel der Daten zu zeigen: Hier ist meine DOE-Tabelle. Ich habe die Signalintensität und die Hintergrundantwort hinzugefügt. Ich betrachte meine Bilder und sehe: Okay, ich habe keine Intensität. Ich habe etwas. Ich habe mehr usw. Das Gleiche habe ich für beide Designs gemacht.
Hier ist das gleiche Ergebnis. Wäre das nicht so, wären es zwei Durchläufe, also zwei verschiedene Datensätze. Am Ende habe ich das Modell erstellt. Klicken Sie einfach auf das Modell. Sie sehen, es ist ein Standard-Screening mit quadratischen Effekten. Alle Interaktionen sind berücksichtigt, und ich habe alles angepasst. Ich könnte einige Faktoren entfernen, habe mich aber entschieden, alle beizubehalten. Dann gehe ich hier zum Profiler. Wenn wir uns den besten Zustand ansehen, maximiere ich meine Behinderung, wie es bereits geschehen ist.
Ich maximiere meine Intensität. Man sieht, dass sie hier ihren Höchstwert erreicht, den Hintergrund minimiert, und er hat diesen Zustand gefunden. Danach wurde mir klar, dass es vielleicht gar nicht darum geht, die Signalintensität zu maximieren. Ich möchte lediglich ein Zielmolekül erfassen, denn vielleicht ist die Probe, die ich hier verwende, nicht die mit der niedrigsten Intensität. Daher möchte ich die niedrige Intensität und die Expression meiner Zielmoleküle nachweisen können.
Ich ändere etwas, und dann sage ich: Okay. Ich möchte ein Zielmolekül mit mittlerer Intensität anvisieren. Nicht das diagnostizierte, sondern das mittlere. Ich möchte den Hintergrund weiterhin minimieren, da Hintergrundrauschen unerwünscht ist. Wenn ich nun die Zielgenauigkeit maximiere, sehen Sie, dass sich die Konzentration des zu verwendenden Antikörpers geändert hat. Das ist fast das Ergebnis, das wir hier erzielt haben. Vielleicht habe ich einen kleinen Unterschied gemacht, aber das ist in Ordnung. Ich habe es genauso gemacht, und das ist typisch für ein schnelles, flexibles Design.
Ich habe zwei unterschiedliche Bedingungen ermittelt: eine mit fast 3,8 Antikörpern in CC2 und eine mit 2 in CC2. Hier handelt es sich nicht um PHCCN9, da es auf diesem automatisierten System als CC1 und CC2 bezeichnet wird, aber es ist dasselbe. Dann sage ich: Okay, ich habe diese beiden Bedingungen. Ich vergleiche sie mit dem ursprünglichen Protokoll.
Das heißt, unsere Referenz ist unser Standardpinsel, also die Bilder, die ich Ihnen zuvor gezeigt habe. Hier sehen Sie die Bedingungen für das benutzerdefinierte Design und die Bedingungen für das raumfüllende Design. Sie sehen, dass diese beiden Bedingungen Daten liefern, die mindestens genauso gut, wenn nicht sogar besser sind als die, die wir mit unserem Standardansatz definieren. Die raumfüllenden Daten habe ich verwendet, um mehr Antikörperkonzentrationen zu testen, was bei schwierigen Zielstrukturen hilfreich ist.
Ich werde mich dafür entscheiden, da die beiden hier aufgeführten Bedingungen bereits im Space Filling Design vorhanden waren. Ich musste die Bedingungen nicht testen, da die Daten im Space Filling Design vorlagen und das Bild lediglich der Überprüfung der korrekten Funktion diente. Ich habe ein Space Filling Design ausgewählt, um es mit einem anderen Protokoll zu testen und seine Funktionsfähigkeit zu überprüfen.
Gehen Sie nicht alles durch. Ich nehme einfach dasselbe Papier und passe meine Antworten an die neuen Ziele an. Ich habe dieses Modell erhalten, bei dem man, um das Ziel von zwei zentralen Intensitäten anzupassen und den Hintergrund zu minimieren, sagte er: „Okay, Sie sollten 2,8 Mikrogramm Antikörper pro Männchen unter CC2-Bedingungen haben.“
Vergleicht man es mit unserem entwickelten Protokoll (CC1 und 5-Mikrogramm-Programm), ist es nicht identisch. Beide Protokolle ändern sich, aber wie Sie auf dem Bild sehen, ist es dasselbe Protokoll. Das von Space Filing Design definierte Protokoll ist mindestens genauso gut wie unser übliches. Was die Betriebsleitung und das Management noch überzeugen muss, sind die Kosten und der Zeitaufwand. Unser hier vorgestellter Designansatz.
Zunächst vergleiche ich den Zeitaufwand für die Gestaltung eines individuellen Designs mit dem eines raumfüllenden Designs im Vergleich zu unserem Standardverfahren. Unser Standardverfahren ist in dieser Grafik blau, das raumfüllende Design rot und das individuelle Design grün dargestellt. Ich vergleiche außerdem die Anzahl der Zyklen, also die zeitaufwändige Anzahl der Folien, die Zeit vom Design bis zum Protokoll und die Zeit von der Anfrageannahme bis zur Reservierung.
Wenn man die Zeitspanne von der technischen Anfrage bis zur Recherche betrachtet, selbst wenn man alles neu konzipieren muss – was für das technische Team eine neue Vorgehensweise darstellt –, konnten wir die Zeit bis zum Ergebnis verkürzen. In einem zweiten Beispiel musste ich nicht alles neu konzipieren. Es geht vielmehr darum, wie wir im nächsten Schritt vorgehen werden, wenn wir diesen Ansatz als unseren neuen Standardansatz beibehalten. Daher vergleiche ich ihn mit dem für dieses Projekt verwendeten Standardansatz.
In Blau und Rot gestreift habe ich die DOE-Konfiguration für den Vergleichszyklus festgelegt, da wir ein Referenzprotokoll haben. Ich habe einen Vergleichszyklus durchgeführt, aber beim neuen Ansatz, den wir verwenden, verzichten wir darauf, da wir keine Referenz haben. Wir würden dann nur die DOE-Konfiguration durchführen (rot). Wie Sie sehen, reduziert dies die Anzahl der Zyklen, der Probenorte und der verwendeten Antikörper. Auch die Bearbeitungszeit verkürzt sich durch ALF deutlich, was sehr erfreulich ist.
Abschließend möchte ich noch auf dieses Zitat von Steve Jobs eingehen: „Klein anfangen, groß denken.“ Als ich anfangs all diese [unverständlich 00:24:53] sah, dachte ich: „Schön und gut, aber das kann ich ja anwenden.“ Ich hatte etwas Mühe, aber dann sagte ich: „Okay, ich fange ganz einfach an.“ Ich richtete es für dieses einfache IHC ein und überzeugte meinen Manager, es noch schneller umzusetzen, als ich dachte. Dann das operative Team und schließlich auch andere Führungskräfte, dass der Ansatz auf IHC anwendbar ist.
Wir können keine Garantie für eine mögliche Optimierung geben, da man zu Beginn nicht weiß, ob die Entwicklung einfach oder schwierig wird. Der nächste Schritt, den ich dem Labor vorstellen möchte, ist ein Multiplex-Setup. Dabei werden mehrere Zielstrukturen auf demselben Gewebe detektiert, beginnend mit zwei Zielstrukturen gegenüber einer unterdrückten Zielstruktur und bis zu fünf Zielstrukturen. Dieses Projekt ist noch im Gange.
Abschließend möchte ich mich bei Ihnen bedanken. Ich danke dem Lenkungsausschuss für die Auswahl meines Abstracts, dem Team von Cerba Research Montpellier und auch dem Labortechniker, da es manchmal schwierig ist, meinen verrückten Ideen zu folgen.
Mein Manager, der mich bereits bei neuen Strategien und Herangehensweisen unterstützt, und das gesamte Konzeptions- und Validierungsteam, dem ich angehöre, begleiten mich ebenfalls bei diesem Test. Mein Dank gilt dem französischen JNP-Team, insbesondere Stéphane, für seine Unterstützung und die Beantwortung all meiner Fragen. Dadurch konnte ich mich in die neue JNP-Version 17 einarbeiten, nachdem ich zuvor mit Version 16 gearbeitet hatte, und die hervorragende Plattform zur Designexploration nutzen. Vielen Dank an alle für Ihre Aufmerksamkeit.
