970055_fr-FR

liliconcom

FDE + BayesOpt pour le développement de procédés pharmaceutiques complexes

Salut tout le monde,

Nous développons un procédé de fabrication multi-unités très complexe avec un grand nombre de paramètres critiques de procédé (CPP) répartis sur les différentes opérations unitaires, ainsi que des attributs critiques de qualité (CQA) continus tels que les profils de libération du médicament en fonction du temps.

Nous avons accumulé un volume important de données historiques provenant d'expériences précédentes, que nous examinons actuellement comme un ensemble de données combiné, et nous avons également la possibilité de générer des données supplémentaires substantielles.

Nous envisageons de passer à JMP Pro, principalement pour explorer si l'optimisation par éléments finis (FDE) et l'optimisation bayésienne pourraient fonctionner ensemble pour ce type de problème.

J'aimerais particulièrement entendre l'avis de personnes ayant utilisé ces approches dans le cadre de développements de processus complexes et à plusieurs étapes, plutôt que dans le cadre de problèmes d'optimisation relativement simples.

Quelques points qui m'intriguent :

• FDE → BayesOpt : Dans quelle mesure est-il pratique de réduire les profils continus à des scores FPC, puis de les utiliser comme cibles Y dans BayesOpt ?

• Données historiques de plans d'expériences : dans quelle mesure BayesOpt fonctionne-t-il avec des données combinées provenant de plusieurs plans d'expériences, en particulier lorsque les plages de facteurs et les conceptions sont différentes ?

• Contraintes multi-unités : Dans quelle mesure est-il facile de gérer les limites des processus et les combinaisons de facteurs qui ne sont pas réalisables entre différentes opérations unitaires ?

• BayesOpt vs. DoE traditionnel : Pour ce type de problème, avez-vous constaté que l’approche itérative de BayesOpt représente un réel avantage par rapport à l’augmentation d’un DoE conventionnel ?

J'apprécierais beaucoup d'entendre parler d'expériences concrètes, de méthodes de travail ou de leçons tirées de la pratique de personnes ayant abordé un sujet similaire. Même si l'expérience n'a pas abouti comme prévu, cela me serait très utile.

Merci!

Re: FDE + BayesOpt pour le développement de procédés pharmaceutiques complexes

Salut @RicardoCosta ,

Vous pourriez peut-être contacter @Emmanuel_Romeu , car je pense qu'il a déjà travaillé précisément sur ce sujet, à savoir la combinaison de l'optimisation bayésienne avec l'estimation par éléments finis (FDE).
Le flux de travail que vous décrivez semble raisonnable :

1. Analysez les premières courbes avec l'EDF avec la cible, extrayez les FPC.
2. Utilisez les valeurs FPC des courbes comme réponses dans la plateforme BayesOpt, à l'exception de celles de la cible que vous utilisez pour définir les valeurs limites et les objectifs de réponse FPC (maximiser, minimiser, atteindre la cible).
3. Utilisez BayesOpt pour explorer et exploiter vos données historiques, et découvrez les prochaines recommandations grâce aux enseignements tirés des modèles GP.

Veillez à utiliser une colonne de validation dans votre tableau de données FDE afin d'éviter toute fuite de données lors de la modélisation des courbes : définissez vos points de données historiques initiaux comme lignes d'entraînement et les nouveaux points de données comme lignes de test , afin de garantir que les valeurs FPC de vos points de données historiques restent inchangées à chaque itération lors de l'utilisation de la plateforme FDE. De cette manière, vous pourrez facilement extraire les nouvelles valeurs FPC de vos prochaines expériences.

À propos de vos questions :

• Données historiques de plans d'expériences : tant que les espaces de conception des différentes études ne sont pas complètement disjoints (ce qui compliquerait l'apprentissage du modèle), vous pouvez utiliser ces ensembles de données pour explorer un large espace avec BayesOpt. Notez que, comme pour les plans d'expériences, vous devez spécifier les plages de valeurs de vos facteurs. Vous pouvez également utiliser vos données historiques et augmenter les plans d'expériences .
• Contraintes multi-unités : comme pour les plans d’expériences personnalisés, vous pouvez définir, modifier ou supprimer des contraintes. L’avantage de la plateforme BayesOpt est que vous pouvez effectuer ces opérations pour chaque itération, et réduire l’espace de conception (si vous souhaitez contraindre l’algorithme à explorer/optimiser uniquement dans une zone spécifique). Pour définir des contraintes, cliquez sur le triangle rouge de Profiler des fonctions d’acquisition augmentées > Optimisation et désirabilité > Panneau de contrôle d’optimisation.
  Victor_G_0-1789026811047.pngVictor_G_0-1789026811047.pngVictor_G_0-1789026811047.pngVictor_G_0-1789026811047.png Victor_G_0-1789026811047.png
  

  Voir la question résolue : Comment définir une contrainte lors de l’utilisation de l’optimisation bayésienne ? – Communauté d’utilisateurs
  Si vous devez appliquer une combinaison de contraintes ou des contraintes plus complexes, la méthode la plus simple pour les intégrer à la plateforme BayesOpt consiste à créer un ensemble de candidats les respectant. Vous pouvez le créer en cliquant sur le triangle rouge de l'outil de personnalisation par lots d'optimisation bayésienne , puis en sélectionnant l'option « Générer un ensemble de candidats à partir des paramètres du profileur », ou en créant une table dans JMP et en supprimant les lignes qui ne respectent pas vos contraintes. Une fois votre ensemble de candidats prêt, cliquez à nouveau sur le triangle rouge de l' outil de personnalisation par lots d'optimisation bayésienne et choisissez l'option « Charger l'ensemble de candidats à partir de la table de données ».

• Cette question n'est pas si simple et relève davantage de considérations pratiques que statistiques :
  • Dans quelle mesure est-il facile pour vous de mener plusieurs expériences simultanément/en parallèle ? Quel est le temps nécessaire pour mesurer les réponses, et quel est le degré de parallélisation possible ?
  • Vos conditions de mesure et d'expérimentation sont-elles suffisamment stables/précises pour effectuer plusieurs itérations avec BayesOpt au lieu de réaliser quelques conceptions séquentielles ?
  • Existe-t-il des sources de bruit susceptibles de varier d'une itération à l'autre et qu'il convient de prendre en compte ? Des facteurs incontrôlés peuvent-ils interférer avec le processus d'optimisation bayésienne ?
  • Quelle est la complexité de vos cas d'utilisation (combien de facteurs ?) ? Avez-vous déjà identifié les plus pertinents ? Si la complexité est très élevée (> 10 facteurs) et/ou si vous n'avez pas encore identifié tous les facteurs importants à optimiser, je vous recommande de commencer par une planification d'expériences (DoE), éventuellement enrichie par vos données historiques.
  • Combien de réponses mesurez-vous ? Comment interagissent-elles (existe-t-il des compromis à optimiser entre les réponses) ? Si vous savez déjà que certaines réponses sont en concurrence, une approche par plans d'expériences (DoE) serait plus judicieuse, car elle permettrait d'observer clairement les compromis entre elles. Avec BayesOpt, le risque est de passer d'un optimum à l'autre sans évaluer pleinement le compromis entre les deux réponses.
  • Quel est votre objectif : optimiser uniquement, ou mieux comprendre votre espace de conception ? Notez qu’avec BayesOpt, vous vous concentrerez sur l’optimisation, avec peu ou pas d’options pour identifier les facteurs ayant le plus d’influence sur les résultats.

BayesOpt peut s'avérer très avantageux si vous disposez de données initiales de bonne qualité et si vous savez déjà que vos conditions expérimentales sont robustes et reproductibles. Les meilleures situations que j'ai observées jusqu'à présent consistent à combiner BayesOpt et les approches de plans d'expériences (DoE), car leurs forces et leurs limites peuvent se compléter.

J'espère que cette réponse vous aidera.

Re: FDE + BayesOpt pour le développement de procédés pharmaceutiques complexes

Salut Ricardo,

Pour le composant FDE/BayesOpt, la conversion des scores FPC en boucle avec BayesOpt et FDE est relativement simple. Le flux de travail est le suivant : 1) Exécuter l'expérience avec BayesOpt ; 2) Collecter les données fonctionnelles ; 3) Exécuter FDE et calculer la valeur de « différence par rapport à la cible » ; 4) Intégrer cette valeur dans BayesOpt pour obtenir les résultats de l'expérience suivante. Ce processus s'exécute en boucle. Petite précision : l'outil de sélection de modèle FDE permet de choisir rapidement le modèle FDE le plus adapté à vos données. J'ai récemment discuté avec des clients qui l'ont utilisé avec succès pour développer des formulations répondant à des profils de dissolution prédéfinis, en utilisant la différence par rapport à la cible (au lieu de F2) dans leur processus BayesOpt.

-Données historiques du DoE - BayesOpt examinera essentiellement la zone aussi large que les données le permettent pour les limites basses/hautes des facteurs. Vous pouvez choisir de restreindre cela dans la plateforme, mais vous donnez à la plateforme BayesOpt une large zone de recherche à explorer. Elle pourrait alors suggérer d'ajouter des exécutions d'« exploration » supplémentaires, ou passer directement à l'« exploitation » (optimisation).

BayesOpt vs. DoE : Victor vous a donné une réponse très complète et pertinente. Je tiens simplement à préciser qu’il est important de considérer BayesOpt comme un outil expérimental complémentaire, et non comme un substitut à la méthode DoE. BayesOpt offre une plus grande flexibilité face aux expérimentations restrictives et aux contraintes, et permet une approche plus efficace pour atteindre un optimum. Cependant, si votre objectif est d’obtenir une compréhension exhaustive de votre système, il peut être préférable d’opter pour une méthode DoE, ou une approche hybride BayesOpt + DoE (c’est-à-dire commencer par BayesOpt pour trouver la valeur optimale, puis compléter par une méthode DoE sur un intervalle plus restreint afin d’obtenir des valeurs de robustesse).

Merci!
Ben

Re: FDE + BayesOpt pour le développement de procédés pharmaceutiques complexes

Oui, j'ai effectivement soumis un résumé sur la combinaison de FDE et de BayesOpt pour le prochain Discovery Summit en mars 2027. Mon exemple est relativement simple, mais il illustre le compromis entre les réponses à optimiser évoqué par @Victor_G . C'est pourquoi je recommande de ne pas être trop ambitieux et de définir des objectifs minimaux et idéaux à atteindre avec une pondération similaire.

Il est tout à fait possible de combiner plusieurs ensembles de données préliminaires, mais vous devrez peut-être vérifier les recommandations du modèle de remplissage d'espace, les comparer à vos données et éventuellement ajouter quelques points pour vous rapprocher du modèle recommandé.

Il vous faut déterminer quel FPC est le plus pertinent, car il ne s'agit pas forcément du plus grand. Par exemple, vous pouvez vous concentrer sur un petit pic correspondant à une impureté. Il peut également être nécessaire d'optimiser plusieurs FPC et de leur attribuer des pondérations, éventuellement basées sur les valeurs propres ; toutefois, ce n'est pas forcément le cas si, encore une fois, une impureté correspondant à un FPC moins significatif s'avère critique. Si vous le souhaitez, nous pouvons organiser un appel avec @Ben_BarrIngh, votre ingénieur système en charge de votre compte.

Re: FDE + BayesOpt pour le développement de procédés pharmaceutiques complexes

Salut @Victor_G .

Merci pour cette explication claire ; elle permet de confirmer comment BayesOpt et FDE peuvent fonctionner ensemble.

Mon processus est hautement multivariable, avec plusieurs opérations unitaires, de nombreux facteurs et de multiples attributs critiques de qualité (ACQ). Nous disposons d'un vaste ensemble de données historiques issues de plusieurs plans d'expériences, déjà agrégées. À ce stade, la priorité est d'extraire les informations les plus pertinentes et de définir les prochaines expériences. Nous évaluons actuellement la pertinence d'une mise à niveau vers JMP Pro.

Votre flux de travail (FDE → FPC → BayesOpt → Itération guidée par GP) est pertinent. Je cherche principalement à clarifier les points suivants : la fiabilité de BayesOpt dans un large espace de facteurs ; sa capacité à gérer les attributs de qualité concurrents par rapport à une approche centrée sur les plans d’expériences ; l’impact de la lenteur des cycles de mesure sur sa valeur ; et la nécessité d’augmenter ou de modéliser directement les plans d’expériences historiques hétérogènes.

BayesOpt semble être un excellent complément à DoE, mais je veux m'assurer que les avantages soient significatifs avant de m'engager avec JMP Pro.

Si ce n'est pas trop demander, pourriez-vous, vous ou @Emmanuel_Romeu, m'indiquer les meilleures ressources en ligne pour en savoir plus sur FDE et BayeOpt — idéalement des documents qui vont au-delà de la documentation de base de JMP ?

Compte tenu de la complexité de notre processus et de la possibilité de passer à JMP Pro, je souhaite approfondir ma compréhension des fondements théoriques et des détails pratiques de mise en œuvre (notamment la modélisation basée sur les processus gaussiens et l'interprétation des FPC). Toute recommandation de tutoriels, articles, vidéos ou ressources de formation serait grandement appréciée.

Merci encore pour votre temps et pour la clarté de vos explications — c'est très apprécié.

Re: FDE + BayesOpt pour le développement de procédés pharmaceutiques complexes

Bonjour à tous, merci @Ben_BarrIngh , @Emmanuel_Romeu et @Victor_G pour le temps que vous avez consacré à partager des conseils aussi détaillés et pertinents. Vos points de vue respectifs, issus de la boucle pratique FDE/BayesOpt, ont été extrêmement précieux.

Avant de passer aux prochaines étapes de notre côté, je souhaite profiter de cette occasion pour approfondir mes connaissances sur FDE et BayesOpt.

Vos commentaires ont clairement montré qu'une compréhension plus approfondie de la sélection du modèle, de la définition de la cible, de la pondération FPC et de l'itération pilotée par GP sera importante pour appliquer correctement ces outils — en particulier pour évaluer si la mise à niveau vers JMP Pro est la bonne décision.

Merci encore pour votre clarté, vos exemples et votre volonté de poursuivre la discussion. J'apprécie vraiment votre soutien.