970055_it-IT

liliconcom

FDE + BayesOpt per lo sviluppo di processi farmaceutici complessi

Ciao a tutti,

Stiamo sviluppando un processo di produzione multi-unità altamente complesso, con un gran numero di CPP (Critical Performance Process) distribuiti nelle varie operazioni unitarie, unitamente a CQA (Critical Quality Assurance) continui, come ad esempio i profili di rilascio del farmaco dipendenti dal tempo.

Abbiamo raccolto una notevole quantità di dati storici da precedenti studi DoE, che stiamo attualmente analizzando come un unico set di dati combinato, e abbiamo anche la possibilità di generare una quantità considerevole di dati aggiuntivi.

Stiamo valutando l'aggiornamento a JMP Pro, principalmente per capire se l'FDE e l'ottimizzazione bayesiana possano funzionare insieme per questo tipo di problema.

Mi piacerebbe in particolare ricevere feedback da chi ha utilizzato questi approcci nello sviluppo di processi complessi e articolati in più fasi, piuttosto che in problemi di ottimizzazione relativamente semplici.

Ecco alcune cose che mi incuriosiscono:

• FDE → BayesOpt: Quanto è pratico ridurre i profili continui a punteggi FPC e poi usarli come valori target Y in BayesOpt?

• Dati storici del DoE: quanto bene funziona BayesOpt con dati combinati provenienti da diversi DoE, in particolare quando gli intervalli dei fattori e i modelli sono differenti?

• Vincoli multi-unità: quanto è facile gestire i confini di processo e le combinazioni di fattori che non sono fattibili in diverse operazioni unitarie?

• BayesOpt vs. DoE tradizionale: Per questo tipo di problema, avete riscontrato che l'approccio iterativo di BayesOpt rappresenta un reale vantaggio rispetto all'integrazione di un DoE convenzionale?

Mi farebbe molto piacere conoscere esperienze concrete, flussi di lavoro o lezioni apprese da chiunque abbia affrontato qualcosa di simile. Anche se l'esperienza non ha avuto il successo sperato, sarebbe comunque molto utile saperlo.

Grazie!

Oggetto: FDE + BayesOpt per lo sviluppo di processi farmaceutici complessi

Ciao @RicardoCosta ,

Forse potresti contattare @Emmanuel_Romeu , dato che credo abbia già lavorato proprio su questo argomento, ovvero la combinazione di Bayes Opt con FDE.
Il flusso di lavoro che descrivi sembra ragionevole:

1. Analizzare le prime curve con l'FDE con l'obiettivo, estrarre gli FPC.
2. Utilizza i valori FPC delle curve come risposte nella piattaforma BayesOpt, ad eccezione di quelli relativi al target che utilizzi per impostare i valori limite e gli obiettivi (massimizzare, minimizzare, raggiungere il target) della risposta FPC.
3. Utilizza BayesOpt per esplorare e sfruttare i tuoi dati storici e trovare le prossime raccomandazioni utilizzando l'apprendimento derivante dai modelli GP.

Assicurati di utilizzare una colonna di convalida nella tua tabella dati FDE per evitare la perdita di dati durante la modellazione delle curve: imposta i tuoi punti dati storici iniziali come righe di training e tutti i nuovi punti dati come righe di test , per assicurarti che i valori FPC dei tuoi punti dati storici non cambino a ogni iterazione quando utilizzi la piattaforma FDE. In questo modo, puoi semplicemente estrarre i nuovi valori FPC dei tuoi esperimenti successivi.

Riguardo alle vostre domande:

• Dati storici DoE: a condizione che gli spazi di progettazione dei diversi studi non siano completamente disgiunti (il che renderebbe più difficile l'apprendimento del modello), è possibile utilizzare questi set di dati per esplorare un ampio spazio con BayesOpt. Si noti che, come per DoE, è necessario specificare gli intervalli per i fattori. È anche possibile utilizzare i dati storici e aumentare i progetti .
• Vincoli multi-unità: come per il DoE personalizzato, è possibile impostare, modificare o eliminare i vincoli. Il vantaggio della piattaforma BayesOpt è che è possibile farlo per ogni iterazione, nonché ridurre lo spazio di progettazione (se si desidera forzare l'algoritmo a esplorare/ottimizzare solo in un'area specifica). Per impostare i vincoli, è possibile fare clic sul triangolo rosso in Augmented Acquisition Functions Profiler > Ottimizzazione e desiderabilità > Pannello di controllo dell'ottimizzazione:
  Victor_G_0-1789026811047.pngVictor_G_0-1789026811047.pngVictor_G_0-1789026811047.pngVictor_G_0-1789026811047.png Victor_G_0-1789026811047.png
  

  Vedi Risolto: Come si imposta un vincolo quando si utilizza l'ottimizzazione bayesiana? - Community degli utenti
  Se hai una combinazione di vincoli o vincoli più complessi da imporre, il modo più semplice per includerli nella piattaforma BayesOpt è creare un set di candidati che li rispetti. Puoi farlo tramite il triangolo rosso del Personalizzazione batch per l'ottimizzazione bayesiana , opzione "Genera set di candidati dalle impostazioni del Profiler", oppure creando una tabella in JMP ed eliminando le righe che non rispettano i vincoli. Una volta pronto il set di candidati, utilizza il triangolo rosso del Personalizzazione batch per l'ottimizzazione bayesiana e scegli l'opzione "Carica set di candidati dalla tabella dati".

• Questa domanda non è così semplice ed è più legata a considerazioni pratiche che statistiche:
  • Quanto è facile per te eseguire più esperimenti contemporaneamente/in parallelo? Quanto tempo è necessario per misurare le risposte e quanto è possibile parallelizzare il processo?
  • Le condizioni di misurazione e sperimentazione sono sufficientemente stabili/precise da consentire l'esecuzione di più iterazioni con BayesOpt anziché di pochi progetti sequenziali?
  • Esistono fonti di rumore che possono variare tra le iterazioni e che devono essere prese in considerazione? Ci sono fattori incontrollati che potrebbero interferire con il processo di ottimizzazione bayesiana?
  • Qual è la dimensionalità dei vostri casi d'uso (quanti fattori)? Avete già identificato quelli più rilevanti? Se la dimensionalità è molto elevata (>10 fattori) e/o non avete ancora identificato completamente i fattori più importanti da ottimizzare, vi consiglio di iniziare con un DoE (eventualmente ampliato con i vostri dati storici).
  • Quante risposte stai misurando? Come interagiscono tra loro (c'è un compromesso tra le risposte da ottimizzare)? Se sai già che alcune risposte sono in competizione tra loro, penso che un approccio DoE (Design of Experiments) possa essere più sensato, in quanto ti permetterà di vedere realmente il compromesso tra le risposte. Con BayesOpt, il rischio è quello di passare da un ottimo all'altro senza valutare appieno il compromesso tra le due risposte.
  • Qual è il tuo obiettivo: ottimizzare soltanto o acquisire una comprensione e una conoscenza più approfondita del tuo spazio di progettazione? Tieni presente che con BayesOpt ti concentrerai sulla parte di ottimizzazione, con opzioni limitate o nulle per comprendere quali fattori hanno la maggiore importanza sulle risposte.

BayesOpt può rappresentare un vero vantaggio se si dispone di dati di buona qualità fin dall'inizio e se si sa già che le condizioni sperimentali sono robuste e riproducibili. Le situazioni migliori che ho osservato finora si verificano quando è possibile combinare BayesOpt e gli approcci DoE, poiché i loro punti di forza e i loro limiti possono compensarsi a vicenda.

Spero che questa risposta ti sia d'aiuto.

Oggetto: FDE + BayesOpt per lo sviluppo di processi farmaceutici complessi

Ciao Ricardo,

Per quanto riguarda il componente FDE/BayesOpt, è relativamente semplice convertire i punteggi FPC in un ciclo con BayesOpt e FDE: il flusso di lavoro è essenzialmente il seguente: 1) Eseguire l'esperimento con BayesOpt 2) Raccogliere i dati funzionali 3) Eseguire FDE ed estrarre il valore di "differenza rispetto al target" 4) Inserire in BayesOpt e ottenere il risultato dell'esperimento successivo. Questo processo si ripete ciclicamente. Aggiungo un piccolo consiglio: lo strumento FDE Model Screen aiuta a selezionare rapidamente il modello FDE più adatto ai propri dati. Posso affermare di aver parlato recentemente con clienti che lo hanno utilizzato con successo nello sviluppo di formulazioni per soddisfare specifici profili di dissoluzione, utilizzando la differenza rispetto al target (anziché F2) come parte del processo BayesOpt.

- Dati storici del DoE - essenzialmente BayesOpt cercherebbe di individuare i limiti inferiori/superiori dei fattori in un'area ampia quanto i dati disponibili. È possibile limitare questa ricerca nella piattaforma, ma si fornisce a BayesOpt un'ampia area di ricerca da esplorare. A quel punto, potrebbe suggerire di aggiungere ulteriori esecuzioni di "esplorazione" o di passare direttamente all'"sfruttamento" (ottimizzazione).

- BayesOpt vs. DoE - Victor ti ha dato una risposta davvero ottima ed esaustiva, vorrei solo aggiungere che è importante considerare BayesOpt come uno strumento sperimentale aggiuntivo, non un sostituto del DoE. Può essere più flessibile per la sperimentazione restrittiva e i vincoli, e può fornire un approccio più efficiente per raggiungere un ottimo. Ma se il tuo obiettivo è avere una comprensione completa del tuo sistema, potrebbe essere meglio utilizzare un DoE, oppure un approccio ibrido BayesOpt + DoE (ovvero iniziare con BayesOpt per trovare il valore ottimale, quindi integrare con un DoE in un intervallo più ristretto per ottenere valori di robustezza).

Grazie!
Ben

Oggetto: FDE + BayesOpt per lo sviluppo di processi farmaceutici complessi

Sì, ho presentato un abstract sulla combinazione di FDE e BayesOpt per il prossimo Discovery Summit di marzo 2027. Il mio esempio è relativamente semplice, ma illustra il compromesso tra le risposte da ottimizzare menzionato da @Victor_G . A tal fine, consiglio di non essere troppo ambiziosi e di definire obiettivi minimi e ideali da raggiungere con una ponderazione simile.

È assolutamente possibile combinare diversi set di dati preliminari, ma potrebbe essere necessario verificare le raccomandazioni del progetto di riempimento dello spazio, confrontarle con i dati a disposizione ed eventualmente aggiungere alcuni punti per avvicinarsi il più possibile al progetto di riempimento dello spazio raccomandato.

È necessario determinare quale FPC sia il più rilevante, poiché non è necessariamente quello con il valore più alto. Ad esempio, ci si potrebbe concentrare su un piccolo picco corrispondente a un'impurità. Potrebbe anche essere necessario ottimizzare diversi FPC e assegnare loro dei pesi, che potrebbero essere basati sugli autovalori; tuttavia, questo non è necessariamente il caso se, ancora una volta, un'impurità corrispondente a un FPC meno significativo si rivela critica. Possiamo organizzare una chiamata, se lo desideri, con @Ben_BarrIngh, il tuo ingegnere di sistema responsabile del tuo account.

Oggetto: FDE + BayesOpt per lo sviluppo di processi farmaceutici complessi

Ciao @Victor_G .

Grazie per la chiara spiegazione: aiuta a confermare come BayesOpt FDE possano funzionare insieme.

Il mio processo è altamente multivariabile, con diverse operazioni unitarie, molti fattori e molteplici CQA (Critical Quality Assurance). Disponiamo di un ampio set di dati storici provenienti da diversi DoE (Design of Experiments), già aggregati. In questa fase, la priorità è estrarre le informazioni più rilevanti e definire i prossimi esperimenti, e stiamo valutando se un aggiornamento a JMP Pro sia giustificato.

Il tuo flusso di lavoro (FDE → FPC → BayesOpt → iterazione guidata da GP) è appropriato. I punti principali che sto cercando di chiarire sono se BayesOpt rimane affidabile in un ampio spazio fattoriale e quanto bene BayesOpt gestisce i CQA concorrenti rispetto a un approccio incentrato sul DoE, se i cicli di misurazione lenti ne riducono il valore e se i DoE storici eterogenei dovrebbero essere ampliati o modellati direttamente.

BayesOpt sembra un ottimo complemento a DoE, ma voglio assicurarmi che i vantaggi siano significativi prima di passare a JMP Pro.

Se non è chiedere troppo, tu o @Emmanuel_Romeu potreste indicarmi le migliori risorse online per approfondire FDE e BayeOpt, idealmente materiale che vada oltre la documentazione di base di JMP?

Data la complessità del nostro processo e la possibilità di passare a JMP Pro, vorrei approfondire la mia conoscenza sia dei fondamenti teorici che dei dettagli pratici di implementazione (in particolare la modellazione basata su processi gaussiani e l'interpretazione dei diagrammi di flusso dei processi). Qualsiasi suggerimento su tutorial, articoli, video o risorse formative sarebbe molto apprezzato.

Grazie ancora per il tempo che mi avete dedicato e per la chiarezza delle vostre spiegazioni: le ho molto apprezzate.

Oggetto: FDE + BayesOpt per lo sviluppo di processi farmaceutici complessi

Ciao a tutti, grazie a @Ben_BarrIngh , @Emmanuel_Romeu e @Victor_G per il tempo che avete dedicato a condividere una guida così dettagliata e ponderata. Le prospettive che ognuno di voi ha apportato, dal punto di vista pratico del ciclo FDE/BayesOpt, sono state estremamente preziose.

Prima di passare alle fasi successive da parte nostra, vorrei cogliere l'occasione per approfondire la conoscenza di FDE e BayesOpt.

I vostri commenti hanno chiarito che una comprensione più approfondita della selezione del modello, della definizione dell'obiettivo, della ponderazione FPC e dell'iterazione guidata da GP sarà importante per applicare correttamente questi strumenti, soprattutto mentre valutiamo se l'aggiornamento a JMP Pro sia la decisione giusta.

Grazie ancora per la chiarezza, gli esempi e la disponibilità a continuare la discussione. Apprezzo molto il vostro supporto.