FDE + BayesOpt für die Entwicklung komplexer pharmazeutischer ProzesseHallo zusammen,
Wir entwickeln einen hochkomplexen, mehrstufigen Herstellungsprozess mit einer großen Anzahl kritischer Prozessparameter (CPPs) in den verschiedenen Verfahrensschritten sowie kontinuierlichen kritischen Qualitätsmerkmalen (CQAs) wie z. B. zeitabhängigen Wirkstofffreisetzungsprofilen.
Wir haben eine beträchtliche Menge an historischen Daten aus früheren DoEs gesammelt, die wir derzeit als einen kombinierten Datensatz betrachten, und wir haben auch die Möglichkeit, substanzielle zusätzliche Daten zu generieren.
Wir erwägen ein Upgrade auf JMP Pro, hauptsächlich um zu untersuchen, ob FDE und Bayes'sche Optimierung für diese Art von Problem zusammenarbeiten können.
Ich würde mich besonders über Rückmeldungen von Personen freuen, die diese Ansätze bei ähnlich komplexen, mehrstufigen Prozessentwicklungen angewendet haben, und nicht bei vergleichsweise einfachen Optimierungsproblemen.
Ein paar Dinge, die mich interessieren:
-
FDE → BayesOpt: Wie praktikabel ist es, kontinuierliche Profile auf FPC-Scores zu reduzieren und diese dann als Zielwerte Y in BayesOpt zu verwenden?
-
Historische DoE-Daten: Wie gut funktioniert BayesOpt mit Daten, die aus mehreren DoEs kombiniert wurden, insbesondere wenn die Faktorbereiche und Designs unterschiedlich sind?
-
Einschränkungen bei mehreren Einheiten: Wie einfach ist es, mit Prozessgrenzen und Kombinationen von Faktoren umzugehen, die über verschiedene Verfahrensschritte hinweg nicht realisierbar sind?
-
BayesOpt vs. traditionelles DoE: Haben Sie bei dieser Art von Problem den iterativen Ansatz von BayesOpt als echten Vorteil gegenüber der Erweiterung eines herkömmlichen DoE empfunden?
Ich würde mich sehr über Erfahrungsberichte, Arbeitsabläufe oder Erkenntnisse aus der Praxis von Personen freuen, die ein ähnliches Projekt angegangen sind. Selbst wenn die Erfahrung nicht wie erwartet verlaufen ist, wäre das sehr hilfreich.
Danke!
Betreff: FDE + BayesOpt für die Entwicklung komplexer pharmazeutischer ProzesseHallo @RicardoCosta ,
Vielleicht können Sie Kontakt mit @Emmanuel_Romeu aufnehmen, da er sich meines Wissens bereits mit genau diesem Thema der Kombination von Bayes Opt mit FDE beschäftigt hat.
Der von Ihnen beschriebene Arbeitsablauf scheint vernünftig zu sein:
- Analysiere die ersten Kurven mit der FDE mit dem Zielwert, extrahiere FPCs.
- Verwenden Sie die FPC-Werte aus den Kurven als Antworten in der BayesOpt-Plattform, mit Ausnahme derjenigen aus dem Zielwert, die Sie verwenden, um die FPC-Antwortgrenzwerte und Ziele (maximieren, minimieren, Ziel erreichen) festzulegen.
- Nutzen Sie BayesOpt, um Ihre historischen Daten zu analysieren und auszuwerten und mithilfe der Erkenntnisse aus den GP-Modellen die nächsten Empfehlungen zu finden.
Um Datenlecks während der Kurvenmodellierung zu vermeiden, verwenden Sie unbedingt eine Validierungsspalte in Ihrer FDE-Datentabelle: Legen Sie Ihre ursprünglichen historischen Datenpunkte als Trainingszeilen und alle neuen Datenpunkte als Testzeilen fest. Dadurch wird sichergestellt, dass sich die FPC-Werte Ihrer historischen Datenpunkte bei jeder Iteration mit der FDE-Plattform nicht ändern. So können Sie die neuen FPC-Werte Ihrer nächsten Experimente einfach extrahieren.
Zu Ihren Fragen:
- Historische DoE-Daten: Solange die Designräume der verschiedenen Studien nicht völlig disjunkt sind (was das Modelllernen erschweren würde), können Sie diese Datensätze nutzen, um mit BayesOpt einen breiten Raum zu erkunden. Beachten Sie, dass Sie wie bei DoE die Bereiche für Ihre Faktoren festlegen müssen. Alternativ können Sie Ihre historischen Daten verwenden und die Designs erweitern .
- Einschränkungen für mehrere Einheiten: Wie bei benutzerdefinierten Versuchsplanungen können Sie Einschränkungen festlegen, ändern oder löschen. Der Vorteil der BayesOpt-Plattform besteht darin, dass Sie dies für jede Iteration tun und den Designraum reduzieren können (wenn Sie den Algorithmus zwingen möchten, nur in einem bestimmten Bereich zu erkunden/optimieren). Um Einschränkungen festzulegen, klicken Sie auf das rote Dreieck im Profiler für erweiterte Erfassungsfunktionen > Optimierung und Wünschenswertigkeit > Optimierungs-Kontrollfeld.
Victor_G_0-1789026811047.pngVictor_G_0-1789026811047.pngVictor_G_0-1789026811047.pngVictor_G_0-1789026811047.png Victor_G_0-1789026811047.png
Siehe Gelöst: Wie richte ich eine Nebenbedingung bei der Bayes'schen Optimierung ein? – Benutzergemeinschaft
Wenn Sie mehrere oder komplexere Nebenbedingungen berücksichtigen müssen, erstellen Sie am einfachsten eine Kandidatenmenge, die diese Nebenbedingungen in der BayesOpt-Plattform erfüllt. Dies können Sie über das rote Dreieck im Batch-Customizer für Bayesianische Optimierung und die Option „Kandidatenmenge aus Profilereinstellungen generieren“ tun oder indem Sie in JMP eine Tabelle erstellen und die Zeilen löschen, die Ihre Nebenbedingungen nicht erfüllen. Sobald Ihre Kandidatenmenge fertig ist, wählen Sie im Batch-Customizer für Bayesianische Optimierung erneut das rote Dreieck und anschließend die Option „Kandidatenmenge aus Datentabelle laden“.
- Diese Frage ist nicht so einfach und hängt eher mit praktischen als mit statistischen Erwägungen zusammen:
- Wie einfach ist es für Sie, mehrere Experimente gleichzeitig/parallel durchzuführen? Wie lange dauert es, die Reaktionen zu messen, und wie weit lässt sich der Prozess parallelisieren?
- Sind Ihre Mess- und Versuchsbedingungen stabil/präzise genug, um mehrere Iterationen mit BayesOpt durchzuführen, anstatt wenige sequentielle Designs zu erstellen?
- Gibt es Störquellen, die sich zwischen den Iterationen ändern können und berücksichtigt werden müssen? Gibt es unkontrollierte Faktoren, die den Bayes'schen Optimierungsprozess beeinträchtigen könnten?
- Welche Dimensionalität haben Ihre Anwendungsfälle (wie viele Faktoren?)? Haben Sie die relevantesten bereits identifiziert? Bei einer sehr hohen Dimensionalität (>10 Faktoren) und/oder falls Sie die wichtigsten Optimierungsfaktoren noch nicht vollständig identifiziert haben, empfehle ich Ihnen, mit einer Versuchsplanung (DoE) zu beginnen (gegebenenfalls ergänzt durch Ihre historischen Daten).
- Wie viele Reaktionen messen Sie? In welchem Verhältnis stehen sie zueinander (gibt es Zielkonflikte zwischen den Reaktionen, die optimiert werden müssen)? Wenn Sie bereits wissen, dass einige Reaktionen miteinander konkurrieren, ist ein Versuchsplanungsansatz (DoE) möglicherweise sinnvoller, da Sie so die Zielkonflikte zwischen den Reaktionen besser erkennen können. Bei BayesOpt besteht das Risiko, von einem Optimum zum anderen zu gelangen, ohne die Zielkonflikte zwischen den beiden Reaktionen vollständig zu bewerten.
- Was ist Ihr Ziel: Nur optimieren oder ein umfassendes Verständnis Ihres Designraums erlangen? Beachten Sie, dass Sie sich mit BayesOpt auf die Optimierung konzentrieren und nur eingeschränkte Möglichkeiten haben, die wichtigsten Einflussfaktoren auf die Ergebnisse zu ermitteln.
BayesOpt kann von großem Vorteil sein, wenn man mit qualitativ hochwertigen Daten arbeitet und die Versuchsbedingungen robust und reproduzierbar sind. Die besten Ergebnisse habe ich bisher bei der Kombination von BayesOpt und DoE-Ansätzen beobachtet, da sich deren Stärken und Schwächen ausgleichen können.
Ich hoffe, diese Antwort hilft Ihnen.
Betreff: FDE + BayesOpt für die Entwicklung komplexer pharmazeutischer ProzesseHallo Ricardo,
Für die FDE/BayesOpt-Komponente ist die Konvertierung der FPC-Werte in einer Schleife mit BayesOpt und FDE relativ einfach. Der Workflow sieht im Wesentlichen so aus: 1) Experiment mit BayesOpt durchführen, 2) Funktionsdaten erfassen, 3) FDE durchführen und den Wert für die „Abweichung vom Zielwert“ ermitteln, 4) in BayesOpt eingeben und das nächste Experiment starten. Dieser Vorgang wiederholt sich. Zur Information: Das FDE-Modell-Screening-Tool hilft Ihnen, schnell das beste FDE-Modell für Ihre Daten auszuwählen. Ich habe kürzlich mit Kunden gesprochen, die dieses Tool erfolgreich zur Entwicklung von Formulierungen eingesetzt haben, um vorgegebene Auflösungsprofile zu erreichen. Dabei verwendeten sie die Zielwertdifferenz (anstelle von F2) im Rahmen ihres BayesOpt-Prozesses.
-Historische DoE-Daten - im Wesentlichen würde BayesOpt so weit wie möglich nach den unteren/oberen Grenzwerten der Faktoren suchen, je nachdem, wie breit die Daten sind. Sie können dies in der Plattform einschränken, aber Sie geben der BayesOpt-Plattform einen großen Suchbereich zur Erkundung - sie könnte dann vorschlagen, zusätzliche "Explorations"-Läufe hinzuzufügen oder direkt zur "Exploitation" (Optimierung) überzugehen.
BayesOpt vs. DoE – Victor hat Ihnen eine sehr gute und ausführliche Antwort gegeben. Ich möchte lediglich hinzufügen, dass BayesOpt als ergänzendes experimentelles Werkzeug und nicht als Ersatz für DoE zu verstehen ist. Es ist flexibler im Umgang mit restriktiven Experimenten und Randbedingungen und kann einen effizienteren Weg zum Optimum bieten. Wenn Sie jedoch ein umfassendes Verständnis Ihres Systems anstreben, ist es möglicherweise besser, entweder DoE anzuwenden oder einen hybriden Ansatz aus BayesOpt und DoE zu verwenden (d. h. zunächst mit BayesOpt den optimalen Wert zu ermitteln und diesen dann durch DoE in einem kleineren Bereich zu ergänzen, um robuste Werte zu erhalten).
Danke!
Ben
Betreff: FDE + BayesOpt für die Entwicklung komplexer pharmazeutischer ProzesseJa, ich habe tatsächlich einen Abstract zur Kombination von FDE und BayesOpt für den nächsten Discovery Summit im März 2027 eingereicht. Mein Beispiel ist relativ einfach, verdeutlicht aber den von @Victor_G erwähnten Zielkonflikt zwischen den zu optimierenden Zielgrößen. Daher empfehle ich, nicht zu ambitioniert zu sein und stattdessen minimale und ideale Ziele mit ähnlicher Gewichtung festzulegen.
Das Kombinieren mehrerer vorläufiger Datensätze ist durchaus möglich, aber Sie sollten prüfen, was das raumfüllende Design empfiehlt, dies mit Ihren Daten vergleichen und gegebenenfalls einige Punkte hinzufügen, um dem empfohlenen raumfüllenden Design näherzukommen.
Sie müssen den relevantesten FPC ermitteln, da dieser nicht unbedingt der größte sein muss. Beispielsweise könnten Sie sich auf einen kleinen Peak konzentrieren, der einer Verunreinigung entspricht. Möglicherweise müssen Sie auch mehrere FPCs optimieren und ihnen Gewichtungen zuweisen, die auf den Eigenwerten basieren könnten. Dies ist jedoch nicht zwingend erforderlich, falls sich eine weniger signifikante, einer Verunreinigung zugeordnete FPC als kritisch erweist. Gerne können wir ein Gespräch mit @Ben_BarrIngh, Ihrem zuständigen SE, vereinbaren.
Betreff: FDE + BayesOpt für die Entwicklung komplexer pharmazeutischer ProzesseHallo @Victor_G .
Vielen Dank für die klare Erklärung – sie hilft mir zu verstehen, wie BayesOpt FDE zusammenarbeiten können.
Mein Prozess ist sehr komplex und umfasst mehrere Teilprozesse, zahlreiche Faktoren und diverse kritische Qualitätsmerkmale (CQAs). Wir verfügen über einen umfangreichen, bereits aggregierten Datensatz aus verschiedenen Versuchsreihen. Aktuell liegt der Fokus darauf, die relevantesten Erkenntnisse zu gewinnen und die nächsten Experimente zu definieren. Wir prüfen derzeit, ob ein Upgrade auf JMP Pro gerechtfertigt ist.
Ihr Workflow (FDE → FPCs → BayesOpt → GP-gestützte Iteration) passt gut. Mir geht es vor allem darum zu klären, ob BayesOpt in einem breiten Faktorraum zuverlässig bleibt, wie gut es im Vergleich zu einem DoE-zentrierten Ansatz mit konkurrierenden CQAs umgeht, ob langsame Messzyklen seinen Wert mindern und ob heterogene historische DoEs erweitert oder direkt modelliert werden sollten.
BayesOpt scheint eine gute Ergänzung zu DoE zu sein, aber ich möchte sichergehen, dass die Vorteile auch wirklich spürbar sind, bevor ich mich für JMP Pro entscheide.
Wenn es nicht zu viel verlangt ist, könnten Sie oder @Emmanuel_Romeu mir die besten Online-Quellen nennen, um mehr über FDE und BayeOpt zu erfahren – idealerweise Material, das über die grundlegende JMP-Dokumentation hinausgeht?
Angesichts der Komplexität unseres Prozesses und der Möglichkeit eines Upgrades auf JMP Pro möchte ich mein Verständnis sowohl der theoretischen Grundlagen als auch der praktischen Implementierungsdetails (insbesondere GP-basierte Modellierung und FPC-Interpretation) vertiefen. Empfehlungen für Tutorials, Fachartikel, Videos oder Schulungsressourcen wären sehr hilfreich.
Nochmals vielen Dank für Ihre Zeit und die Klarheit Ihrer Erklärungen – das wissen wir sehr zu schätzen.
Betreff: FDE + BayesOpt für die Entwicklung komplexer pharmazeutischer ProzesseHallo zusammen, vielen Dank an @Ben_BarrIngh , @Emmanuel_Romeu und @Victor_G für die Zeit, die ihr euch genommen habt, um so detaillierte und hilfreiche Hinweise zu geben. Eure jeweiligen Perspektiven aus der praktischen FDE/BayesOpt-Schleife waren äußerst wertvoll.
Bevor wir die nächsten Schritte unsererseits einleiten, möchte ich die Gelegenheit nutzen, um wesentlich mehr über FDE und BayesOpt zu erfahren.
Ihre Kommentare haben deutlich gemacht, dass ein tieferes Verständnis der Modellauswahl, der Zieldefinition, der FPC-Gewichtung und der GP-gesteuerten Iteration wichtig sein wird, um diese Werkzeuge korrekt anzuwenden – insbesondere wenn wir beurteilen, ob ein Upgrade auf JMP Pro die richtige Entscheidung ist.
Nochmals vielen Dank für die Erläuterungen, die Beispiele und die Offenheit für die Fortsetzung der Diskussion. Ich weiß Ihre Unterstützung sehr zu schätzen.
