Cerba Research es una empresa de renombre mundial especializada en ofrecer soluciones analíticas y diagnósticas de vanguardia, diseñadas a medida para ensayos clínicos en todo el mundo. En Cerba Research Montpellier, nuestro equipo especializado personaliza protocolos de inmunohistoquímica para detectar expresiones específicas de dianas en muestras de tejido de pacientes. Para satisfacer la creciente demanda de desarrollo de protocolos y mejorar la rentabilidad del proceso, reconocemos la necesidad crucial de optimizar los plazos de desarrollo y reducir los costes.
Dada la diversidad de protocolos personalizados que deben desarrollarse, el enfoque convencional OFAT (un factor a la vez) ya no es suficiente. Por lo tanto, hemos realizado una evaluación exhaustiva, comparando diversas metodologías de diseño de experimentos (DOE), incluyendo el diseño personalizado y el diseño de relleno de espacio, utilizando JMP. Estos enfoques DOE se evalúan frente a protocolos OFAT desarrollados previamente. Presentamos datos que ilustran las ventajas comparativas de los enfoques OFAT y DOE en términos de rentabilidad y calidad.
Hola. Soy Marie Gérus-Durand y trabajo en Cerba Research como ingeniera de validación. Hoy les mostraré cómo podemos reducir costos y mejorar la calidad mediante el diseño de experimentos al configurar protocolos clínicos de inmunohistoquímica. A modo de introducción, Cerba Research es una empresa global con presencia en todos los continentes. He resaltado en amarillo el departamento en el que trabajo.
Es el departamento de patología e inmunohistoquímica. El departamento principal de investigación en inmunohistoquímica se encuentra en Montpellier, donde trabajo. ¿Qué es la inmunohistoquímica? La inmunohistoquímica es el estudio de proteínas o diversos objetivos en los tejidos. Cuando se realizan biopsias, se cortan portaobjetos liberadores del tejido y se utiliza tecnología basada en anticuerpos para detectar diferentes objetivos de un agente patógeno en el tejido, que podemos observar bajo un microscopio o con un escáner, en imágenes digitalizadas.
Aquí, por ejemplo, tenemos un tejido cutáneo donde se observa un objetivo bien definido, teñido de rojo. Más de una cuarta parte de nuestras actividades se centran en el desarrollo de protocolos para nuestros clientes en Cerba Research Montpellier. Contamos con más de 50 clientes. Cada uno de estos objetivos es de gran interés. Para nosotros es fundamental contar con la estrategia de desarrollo más eficaz y rápida para mantenernos competitivos en todo el ámbito del desarrollo de protocolos para ensayos clínicos.
Aquí tienen un ejemplo de otra tinción, la misma que usaré en el primer ejemplo. Se la mostraré. Se trata de la detección de una diana en color marrón mediante inmunohistoquímica (IHC), por lo que este protocolo permite detectar una sola diana. La llamamos tinción simplex, y es básicamente lo que hacemos.
Nuestro enfoque actual consiste en analizar un factor a la vez. Primero, evaluaremos la accesibilidad del tejido al antígeno para que los objetivos sean reconocidos. Luego, realizaremos una titulación del anticuerpo para encontrar la condición óptima que proporcione la mejor relación señal/ruido, y, si es necesario, realizaremos una optimización adicional. Cada flecha representa un paso en el protocolo de desarrollo, y cada paso corresponde a al menos un ciclo de automatización. Cada ciclo dura al menos cuatro días desde la solicitud hasta la obtención de los resultados de la prueba.
Para mejorar la rentabilidad de nuestras subvenciones y la cantidad de protocolos desarrollados, necesitamos reducir el tiempo y la cantidad de pruebas necesarias para llegar al protocolo óptimo. Aquí esquematizo nuestra estrategia: probamos dos condiciones de accesibilidad del antígeno, con o sin anticuerpos, y así obtenemos cuatro puntos. Luego elegimos la mejor: la condición dos, que tiene más puntos, requiere una titulación del anticuerpo. Pero, ¿qué sucede si el punto óptimo se encuentra en algún lugar de la condición uno, fuera del rango probado?
Al analizar esto, me recuerda mucho al diseño de experimentos y a los seminarios web que vi con JNP. Esta es una diapositiva de ejemplo de una sala de manuales, donde se compara el enfoque propuesto, factor por factor (el que estamos usando actualmente), con el diseño de experimentos (DOE), y se observa que abarca una mayor área experimental. Esto puede representar una gran mejora en nuestra configuración. Decidí probarlo.
Primero, empiezo con lo más sencillo: el desarrollo de un protocolo simple, como les mostraré, que detecta un único objetivo en este caso. Primero, debemos definir las restricciones y los parámetros. En nuestro autómata, el que estoy usando para este experimento, este autómata tiene posiciones independientes. Se combina con una prueba del diseño de experimentos en una diapositiva del autómata, y debemos definir las respuestas y los factores.
La respuesta que queremos analizar es la intensidad de la señal. Queremos maximizarla y minimizar el ruido de fondo. Los factores con los que podemos trabajar en esta etapa son la recuperación del antígeno, que es un factor categórico, y la concentración del anticuerpo primario, que es una variable continua. Sigamos con el diseño. Elijo comparar diferentes diseños.
Les muestro el diseño personalizado y el diseño que llena el espacio. Configuraremos juntos este diseño. Simplemente voy a la plataforma del DOE y al diseño personalizado, y tendremos que ingresar las respuestas y los factores o respuestas del año pasado aquí. El primero es una intensidad de señal que queremos maximizar.
Supondré una evaluación arbitraria entre cero, que es ausencia de señal, y tres, que es una señal, y añadiré otra respuesta aquí. Es un fondo que queremos minimizar, así que debo minimizarlo esta vez, y pongo el fondo aquí. De la misma manera, cero es ausencia de fondo, y tres es un fondo muy alto, y luego añadiremos los factores.
Te lo mostraré porque estaba un poco escondido aquí. Como factores, tenemos el factor categórico, que es de dos niveles, la recuperación de antígenos. Es bastante fácil de cambiar, y tenemos dos PH, generalmente PH 6 y PH 9. Que se denominan de forma diferente según el autómata, pero esto no importa realmente.
Tenemos el factor continuo, que es una concentración de anticuerpos. Normalmente, probamos 10 y el máximo, así que haré que varíe de cero a 10. Una vez dicho esto, no tengo covariables. Como te dije, elegí la más simple. Continuaremos con el modelo. Quiero ver todas las interacciones posibles, así que hago RSM. No hago réplicas. No hago puntos centrales. Ya fui a la más simple, y ves que por defecto, dijo, de acuerdo.
Deberías hacer 11 unos, 11 unos encaja con lo que estamos haciendo arriba, normalmente, así que está bien. Para aprovechar este explorador de diseño que está en JNP 17, simplemente hago clic aquí y digo, de acuerdo. Exploremos tal vez un diseño diferente. Verás que cuando haces clic, tienes los factores de nuevo, el modelo aquí, y tienes diferentes opciones, así que a la izquierda, es solo para expresar diseño por diseño. A la derecha, puedes hacer una combinación. Para RSM normalmente, hacemos optimalidad visual, y una vez, digamos, quiero probar diferentes números de ejecuciones.
Digamos un mínimo de cinco. Digamos que empezamos con esto y subimos hasta, digamos, 11. ¿Qué pasa si hacemos 15, por ejemplo, con un paso de, digamos, uno? Los puntos centrales, realmente no me importan, pero podemos intentar y ver qué pasa y replicarlo. Veamos, es mejor si lo replicamos.
Hago clic en generar todo el diseño, y también diseñó con diferentes parámetros, así que elegí optimización ocular, por lo que es optimización ocular en todas partes. Elijo las ejecuciones número cinco a quince, y luego tienes réplicas.
No funcionó, pero aquí hay una réplica para cinco. No sé por qué, pero está bien. Como puedes ver, para siete, por ejemplo, tengo dos réplicas, una o cero, ya que son iguales para todas. Para los puntos centrales también, tengo uno o dos puntos centrales cuando es posible. En la parte inferior, tienes una tabla de lino para que puedas crearla y añadir una bonita columna.
Esto está diseñado a medida para todos ellos. Si elige un diseño en esta tabla, haga clic en Diseño personalizado y se abrirá la tabla de costos. Lo cual es bueno aquí para que pueda hacer algunos gráficos y decir, de acuerdo. Veamos. La eficiencia, dependiendo del número de frentes, haré.
Como pueden ver, existe una gran correlación entre ambos. Podemos jugar y agregar otras variables para analizar con el selector de columnas. Una vez quiero ver las rachas y también quiero ver los puntos centrales y las réplicas. Lo siento, lo olvidé. Para seleccionar las rachas, pero bueno, aquí tenemos las rachas.
Los puntos centrales no parecen tener un buen impacto y tampoco replican nada, así que parece que ya está listo. Deberíamos experimentar con el número de ejecuciones. Si miro el número de ejecuciones, volvería a esto. Simplemente bloquearía a los usuarios, los puntos centrales, y ahora solo mirarías los números de referencia.
No lo eliminé todo. Espero que lo hayas eliminado todo antes. De lo contrario, simplemente los agregará todos. Lo eliminé todo. Solo seleccioné. No tomé nota. Lo siento. Toma eso, así que digamos que elegiré lo que fue seleccionado, entonces 12 ejecuciones.
Volveré aquí y diré, de acuerdo. ¿Es el valor predeterminado? ¿11? De hecho, quiero asegurarme de tener mis dos controles negativos, que no contienen ningún anticuerpo con isótopos, así que diría que 10.
Haré un diseño con 10, y luego agregaré manualmente mis dos controles. Aquí lo ven, es un diseño pequeño. Solo toma 10 segundos, y aquí hay una tabla. De hecho, cada vez que lo ejecutemos, hará números diferentes aquí. Usaré el que hice antes. Solo ejecutando este script. Tendré exactamente los mismos datos que cualquiera que les esté mostrando. Aquí es una tabla, así que ven que fue diferente.
Solo tengo 0, 10 o cinco de la concentración, pero mantengamos esto estable. En la tabla, verás que ya tienes el modelo, la evaluación del diseño, y puedes volver al cuadro de diálogo DOE. Evaluación, no la haré porque quiero comparar dos diseños. La haré en este momento. Acabo de traerlo, así que el diseño que tengo, se duplica para cada punto al final.
Aunque no pedí duplicados, me dio duplicados. Cubre esta área del espacio experimental. Intento un diseño de llenado de espacio. Es lo mismo. Buen DOE, pero esta vez, es un diseño de propósito especial, de llenado de espacio aquí, y lo que quiero mostrarte, así que tendría que volver a mi Diseño Personalizado. Quiero comparar el diseño, pero las respuestas y los factores serían los mismos. Puedo simplemente guardar mis respuestas y mis factores. Oh, simplemente guardaría las respuestas, de la misma manera que se guardan las fotos.
Luego, si vuelvo al Diseño de Relleno de Espacio, puedo cargar las respuestas. Lo siento. Tienes que tener la ventana seleccionada para encontrarla. Lo mismo ocurre con los factores, y yo escribí los factores. Sin restricciones. Una vez más, el número de garantías es 20, pero quiero comparar dos diseños, así que haré 10 iguales.
No tengo otra opción. Es solo una sensación flexible. Genera este diseño, y ves que esta vez, la concentración no es estricta como 0105. Es un rango enorme de concentraciones, y puedes hacer la tabla igual. Puedo cerrar todo esto. En cuanto al diseño personalizado, volví a ejecutar el que hice, así que tengo exactamente los mismos números, y por eso quería comparar el diseño. ¿Cómo se compara el diseño? Oh, primero. Lo siento. Lo olvidé.
Como pueden ver, la variación en la concentración de anticuerpos no es la misma. No tengo duplicados, excepto este control. Cubre un rango más amplio de concentración de anticuerpos, lo cual es bueno para lo que buscamos.
Quería comparar los diseños. Primero, puedo hacerlo gráficamente, ya que el área que cubre cada diseño es diferente. Y, desde mi punto de vista, el método de relleno de espacio me permitirá probar una mayor concentración de anticuerpos, lo cual puede ser una ventaja, pero puedo comparar los diseños. En el diseño de experimentos (DOE), se dispone de herramientas de diagnóstico y comparación de diseños, así que, como ven, tengo ambas.
Ya tengo el Fast Flexible, así que añadiré el Custom Design. Los nombres de las columnas son los mismos, así que no necesito muchas columnas. Él lo hará, ya lo sabes, y recapitulemos los factores. Para el Fast Flexible, no empieza exactamente en cero y no llega hasta 10, pero está casi ahí. El modelo que haré para borrarlos. No puedo tener el factor categórico en esto, pero lo tengo. Volvamos al riesgo-recompensa anticuerpo por anticuerpo y anticuerpo por antígeno. No puedo obtener el antígeno en el factor dos, pero está bien, y pasamos a la evaluación del diseño.
Por eso no lo hice uno por uno. Quería comparar. Aquí en azul, si miras el gráfico de potencia, es un Diseño Flexible Rápido, y en naranja está el Diseño Personalizado. Puedes ver que [inaudible 00:17:23], el Diseño Personalizado se ve mejor en el nombre de cuatro de la determinación del modelo que el Diseño Flexible Rápido. Si vas a los gráficos de fracción del Espacio de Diseño, es lo mismo.
El diseño personalizado parece encajar mejor. Si comparamos los diagnósticos de diseño, es relativo al diseño personalizado. Es decir, el diseño personalizado añade un valor, y si busco alta eficiencia, diseño rápido y flexible, abro siete, por lo que es un 30 % menos eficiente, digamos, que un diseño personalizado con sensor. Acabo de añadir esto.
Solo tres diagnósticos que les muestro aquí, y parece que el Diseño personalizado es mejor que el de relleno de espacio [inaudible 00:18:18], pero veamos qué nos dirán los resultados. Los perfiles se obtienen después de ingresar [inaudible 00:18:26] así que solo para mostrarles un ejemplo de los datos, tengo mi tabla DOE aquí. Acabo de agregar la intensidad de la señal y la respuesta de fondo, así que miro mis imágenes y digo, de acuerdo. No tengo intensidad. Tengo algo. Tengo más, y así sucesivamente, e hice lo mismo para ambos diseños.
Aquí está lo mismo. Si no fuera así, serían dos ejecuciones, por lo tanto, dos conjuntos de datos diferentes. Al final, hice el modelo. Simplemente haz clic en el modelo. Verás que es una prueba de efecto cuadrado estándar. Con toda la interacción aquí, y lo ajusté todo. Tengo algunos factores que podría eliminar, pero decidí mantener todo. Luego voy al perfilador aquí. Si miramos la mejor condición, maximizaré mi discapacidad como se hizo.
Maximizando mi intensidad. Como ves, llega al punto más alto aquí, minimizando el fondo, y él encontró esta condición. Después de esto, me di cuenta de que tal vez no, no quiero maximizar la intensidad de la señal. Solo quiero coincidir con un objetivo porque tal vez la muestra que estoy usando aquí, no es la muestra con baja, así que quiero poder detectar la baja expresión de mis objetivos.
Voy a cambiar un poco, y digo, de acuerdo. Quiero que coincida con un objetivo, que es de intensidad media. No uno diagnosticado, sino uno de intensidad media. Todavía quiero minimizar el fondo porque el fondo no es bueno. Ahora, si maximizo la deseabilidad, verás que cambió la concentración de anticuerpo a usar. Esto es casi lo que obtuvimos aquí. Tal vez hice un pequeño cambio en los números, pero está bien. Hice lo mismo, y eso es lo mismo para un diseño rápido y flexible.
Obtuve dos condiciones diferentes, una donde tengo casi 3.8 de anticuerpos en CC2 y dos en CC2. Aquí, no es PHCCN9 porque en este automático se llama CC1 y CC2, pero es lo mismo. Entonces digo, de acuerdo. Tengo estas dos condiciones. Las compararía con el protocolo inicial.
Es decir, nuestra referencia, que es nuestro pincel estándar, que son las imágenes que les mostré antes. Aquí, tienen las condiciones de Diseño Personalizado y las condiciones de Diseño de Relleno Espacial. Como pueden ver, estas dos condiciones proporcionan datos que son al menos igual de buenos, diría incluso mejores que los que definimos con nuestro enfoque estándar. En mi caso, los datos de Relleno Espacial los utilicé para probar una mayor concentración de anticuerpos, lo cual es útil cuando se trata de objetivos difíciles.
Me decanto por esta opción porque, además, estas dos condiciones que ven aquí, de hecho, estaban presentes en el diseño de llenado de espacio. No tuve que comprobar las condiciones porque tenía los datos en el diseño de llenado de espacio y la imagen sirve para verificar que funciona correctamente. Elegí un diseño de llenado de espacio para probarlo con otro protocolo, solo para comprobar su funcionamiento.
No revises todo. Simplemente tomo el mismo papel y cambio mis respuestas para los nuevos objetivos. Obtuve este modelo donde para hacer coincidir el objetivo de dos aquí de intensidad central y para minimizar ese fondo, dijo, está bien, deberías tener 2.8 microgramos por macho de anticuerpo y en condición CC2.
Si lo comparo con el protocolo que desarrollamos, se decía CC1 y programa de 5 microgramos, así que no es lo mismo. Ambos cambian, pero como puede ver en la imagen, es el mismo protocolo definido por Space Filing Design es al menos tan bueno como el que solemos desarrollar. Ahora lo que falta para convencer a operaciones y gerentes es sin duda el costo y el tiempo. Nuestro enfoque propuesto para el diseño aquí.
Primero, comparo el tiempo que me llevó diseñar todo con el diseño personalizado y el diseño de relleno de espacio, en comparación con nuestro enfoque estándar. Nuestro enfoque estándar está en azul en este gráfico, el diseño de relleno de espacio en rojo y el diseño personalizado en verde. También comparo el número de ciclos, que es lo que consume más tiempo, el número de diapositivas, el tiempo desde el diseño hasta el protocolo y el tiempo desde que se recibe una solicitud hasta que se realizan las reservas.
Si consideramos el tiempo transcurrido desde la solicitud técnica hasta la investigación, incluso teniendo en cuenta el diseño completo, incluyendo que se trata de una nueva metodología para el equipo técnico, logramos reducir el tiempo para obtener resultados. Ahora bien, en un segundo ejemplo, no fue necesario rediseñar todo nuevamente. Es más probable que adoptemos este enfoque como nuestro nuevo método de trabajo, y por eso lo comparo con el enfoque estándar utilizado para este proyecto.
En azul, en rojo rayado, puse la configuración DOE, presione el ciclo de comparación porque tenemos un protocolo de referencia. Hice un ciclo de comparación, pero si es en el nuevo enfoque que estamos usando, entonces no haremos un ciclo de comparación porque no tendremos referencia. Solo haríamos la configuración DOE, y está en rojo. Como puede ver, disminuyó el número de ciclos, el número de sitios, el número de anticuerpos que usamos y los resultados finales en días, se acortó por ALF, lo cual es bastante bueno.
En conclusión, me gusta esta cita de Steve Jobs: "Empieza pequeño, piensa grande". Al principio, cuando vi todo esto [inaudible 00:24:53], oh, está bien, pero puedo aplicarlo. Me costó un poco, pero dije, está bien, empezaré de la manera más sencilla, y lo configuré para este IHC simple, y convencí a mi gerente aún más rápidamente cuando pensé. Luego, el equipo operativo y finalmente otros líderes de que el enfoque se puede aplicar a IHC.
No podemos garantizar la optimización, como ocurre ahora, porque al principio no se sabe si el desarrollo será sencillo o no. El siguiente paso que me gustaría presentar al laboratorio es la configuración multiplex. Consiste en detectar múltiples objetivos en el mismo tejido, comenzando con dos objetivos frente al suprimido y aumentando hasta cinco. Este proceso está en marcha.
Finalmente, quiero darles las gracias. Quiero agradecer al comité directivo por haber seleccionado mi resumen. Quiero agradecerles al equipo de Cerba Research Montpellier y también al técnico de laboratorio porque a veces es difícil seguir mis ideas descabelladas.
Mi gerente, que ya me apoya en la nueva estrategia y en la nueva forma de ver las cosas, y todo el equipo de concepción y validación, también forma parte de este equipo que me acompaña en esta prueba. Quiero agradecer al equipo francés de JNP, a Stephane, por su apoyo y por responder a todas mis preguntas, lo que me permitió incorporarme a esta nueva versión de JNP 17, donde antes estaba atascado con la versión 16, y poder disfrutar de la excelente plataforma de exploración de diseño. Les agradezco a todos su atención.
