在生物製藥研發中，一個反覆出現的挑戰是如何利用分析結果來建立和優化方法。本案例研究重點介紹一種特定的色譜技術，其基本原理已成功應用於製劑和生物製程開發等其他領域。
為了完成這項任務，研究人員將各個實驗設計（DOE）的數據合併，方法是將目標變數作為附加因子引入模型，或在之後透過模型整合來產生統一的預測函數。關鍵挑戰在於確保跨專案評估的一致性，從而實現模型的可比較性。 JMP 的廣義迴歸功能在建立穩健且易於解釋的模型方面發揮了重要作用。
基於這些模型，我們定義了最佳化目標和範圍。利用 JMP 的 Profiler 和 Simulation 功能，我們進行了均值預測和蒙特卡羅模擬，以探索關鍵效能指標的設計空間。策略視覺化同時揭示了多個輸入和輸出變數的最佳參數組合，使複雜的資料對領域專家變得直觀易懂。
由此，我們辨識出了類似的輸入輸出趨勢，從而能夠推導出可推廣的製程知識。在某些情況下，不確定性量化能夠對建議的設定點進行風險評估，為方法開發中的知情決策提供支援。對於更複雜的場景，我們應用了諸如人工神經網路（ANN）和其他機器學習方法等代理建模技術來揭示更深層的模式。
本案例研究表明，JMP 如何支持多學科協作，並在藥物開發中實現策略性統計思維。
