Takeda 借助 Minitab 机器学习模型促进药物生产

本文将为大家分享一篇来自海外的案例研究报告，讲解在药物研发与生产领域minitab可以发挥的作用。

背景

Takeda Pharmaceutical Company Ltd. 的总部位于东京，是一家以患者为中心、以价值为基础的研发驱动型全球生物制药公司，致力于为全世界人民带来“更好的健康和更光明的未来”。该公司在日本有着 230 多年的辉煌历史，对可能改变患者人生的治疗有着满腔热情和不懈追求。

Philippe Noquéro 是欧洲六西格玛领导者和经过认证的黑带大师 (MBB)，作为整体 AGILE 4.0 计划的一部分，负责 Takeda 欧洲网络的六西格玛能力。

Takeda 与 Minitab 有着长期合作关系，利用分析来解决制造问题、识别并执行改进机遇、设计适当的试验，从而在尽可能减少监督的情况下实现过程改进等。

挑战

在瑞士，Takeda Neuchâtel 生产了三种药物，用于治疗两种类型的凝血障碍或缺陷：

一、血液病类型 1：甲型血友病 – 这些患者的 VIII 蛋白缺失或缺乏。甲型血友病是最常见和最广为人知的一种凝血障碍和缺陷。Takeda 针对这种疾病生产了这两种凝血药物：

a.因子 VIII：这是凝血链所需的蛋白质

b.长效因子 VIII：这是因子 VIII 在患者体内的长效版本

二、血液病类型 2：血管性血友病 (VWD) – 这种血液病使血液无法正常凝结。VWD 患者要么血管假性血友病因子蛋白水平较低，要么该蛋白工作方式不符合预期。Takeda 针对这种疾病生产了一种凝血药物：

a.血管性血友病因子：凝血链所需的蛋白质

这三种药物又被称为“重组治疗”，这意味着它们是在不添加人或动物衍生物的情况下生产的。这些药物来源于生物技术生产，使用细胞培养。因此，药品具有极高的安全性、纯度和有效性。

Takeda 为了更高效地生产更多的此类药物，因此希望找到一种方法来提高生产过程中使用的细胞培养物的产出。为了实现这一点，研究人员需要了解哪些过程参数会影响细胞培养性能。

解决方案

Philippe 团队跟踪了多个批次，收集了近 30 个过程参数的数据，这些参数可能影响必需凝血蛋白的细胞培养性能。Philippe 在探索性分析过程中使用了许多统计工具（包括功能工程设计技术）来准备用于分析的数据。该团队发现偏最小二乘能够识别会影响产出的关键因素。偏最小二乘回归描述许多预测变量与一个或多个连续响应之间的关系。当预测变量高度共线或者预测变量多于观测值时，偏最小二乘回归特别有用。

该团队使用这种方法确定了几个关键的过程参数，这些参数在标准化系数可视化中可见，用来表明模型中每个预测变量的重要性。

Phillipe 知道他需要与团队中的其他成员和其他领域的同事分享这些结果。由于偏最小二乘回归是一种比较先进的技术，因此可能很难让每个人都理解和使用它。 Takeda 科学家和工程师在接受培训后，能够使用 Minitab Statistical Software 自行分析数据。Phillipe 决定评估 CART 决策树如何补充偏最小二乘回归分析。此方法的好处有两方面：CART 树可以确认 PLS 分析的结果，并且通常更便于人们使用和理解。

CART 树的一个有益输出是相对变量重要性图。将具有最高改进得分的变量设置为最重要的变量，并对其他变量进行相应的排序。结果与偏最小二乘法一致，并引发了有关产出过程的有趣讨论。CART 还提供了另一种直观可视化 – 单一决策树（未显示）。

结果

通过使用多种机器学习模型，研究人员对产出过程了解更多并能够识别关键参数。CART 决策树结果与偏最小二乘回归结果一致。CART 决策树通常更易于使用和解释，因此会有更多的科学家和工程师使用。这有助于加快 Takeda 的 Minitab 用户对结果及其解释的理解。尽管与传统建模技术相比，它们是新技术，但它们非常直观，是对工程师和科学家已知的统计工具的一种补充。

下一步，Philippe 及其团队计划使用 Minitab Statistical Software 整合高级决策树，如 Random Forests 和梯度推进树 (TreeNet®) 建模技术，以提高模型的准确度。