Sobre la Cuantificación de Incertidumbre en Modelos Matemáticos J. Tabora-Sierra Bristol Myers Squibb LPCD.

Presentación del tema: "Sobre la Cuantificación de Incertidumbre en Modelos Matemáticos J. Tabora-Sierra Bristol Myers Squibb LPCD."— Transcripción de la presentación:

1 Sobre la Cuantificación de Incertidumbre en Modelos Matemáticos J. Tabora-Sierra Bristol Myers Squibb LPCD

2 Estructura Modelos Matemáticos Números Aleatorios Desarrollo de un Modelo Matemático Estudio Experimental Modelo Causal Análisis Bayesiano Modelo Probabilístico Conclusiones

3 Motivación Números Aleatorios Todos los procesos, cuando son medidos, se comportan como generadores de números aleatorios (GNA) Modelos Matemáticos Un modelo matemático es una abstracción del proceso en términos de estructuras matemáticas que reproducen los patrones del proceso real Generalmente los modelos pretenden capturar el comportamiento promedio del proceso de interés Para aumentar su utilidad, los modelos matemáticos pueden convertirse en GNA que capturan el proceso de interés

4 Generadores de Números Aleatorios Dados http://dicecards.com/cards/distribution.html Suma (S) p(S)p(S)

5 Generadores de Números Aleatorios Ruleta http://www.gametero.com/temas/casualidades-extraordinarias.143918/

6 Generadores de Números Aleatorios Matemáticos : Dígitos de Pi https://everythingisbayesian.wordpress.com /2013/01/12/testing-the-distribution-of-the-digits-of-pi/ Digito (D) p(D)p(D)

7 Generadores de Números Aleatorios Temperatura Media en Tegucigalpa Octubre 10 1957-2014 http://www.tutiempo.net/clima/Tegucigalpa

8 Generadores de Números Aleatorios Temperatura Media en Tegucigalpa Octubre 10 1957-2014 http://www.tutiempo.net/clima/Tegucigalpa

9 Generadores de Números Aleatorios Temperatura Media en Tegucigalpa Octubre 10 1957-2014 http://www.tutiempo.net/clima/Tegucigalpa

10 Proceso Experimento Operación Unitaria Factores Variables Controladas Independientes Variables Dependientes Observables Respuestas Esquemática de un Proceso

11 Proceso Experimento Operación Unitaria Modelo Matemático: Relación cuantitativa entre X y Y Estima el valor promedio de Y dado valores de X Factores Variables Controladas Independientes Variables Dependientes Observables Respuestas Esquemática de un Proceso

12 Proceso Experimento Operación Unitaria Factores Variables Controladas Independientes Variables Dependientes Observables Respuestas Esquemática de un Proceso

13 Proceso Experimento Operación Unitaria Factores Variables Controladas Independientes Variables Dependientes Observables Respuestas Esquemática de un Proceso

14 Industria Farmacéutica La industria farmacéutica descubre o inventa compuestos químicos con propiedades terapéuticas Área Clínica Diseña los estudios clínicos para evaluar la eficacia y posible toxicidad de los compuestos Área Química Diseña y desarrolla los procesos químicos y físicos que transforman materias primas en compuestos activos (fármacos) y medicinas.

15 Industria Farmacéutica : Reactores Químicos Descripción del proceso Producto + Impureza Reactantes (2) Reactor de Carga

16 Industria Farmacéutica 1. Solvente-1 2. Solvente-2 3. Reactante-1 4. Reactante-2 5. Catalizador 6. Trasportador de Fase 7. Temperatura Descripción del proceso Producto + Impureza Reactantes (2)

17 Industria Farmacéutica Descripción del proceso Factores – 7 + Tiempo Observables- 2 ProductoImpureza Reactantes (2)

18 Industria Farmacéutica Descripción del proceso ProductoImpureza Reactantes (2)

19 1. Experimentos se conducen para caracterizar el proceso (INFORMACION) Desarrollo de Procesos Químicos

20 1. Experimentos se conducen para caracterizar el proceso (INFORMACION) 2. Se formulan modelos matemáticos para predecir (simular) el comportamiento del proceso (INFORMACION) Desarrollo de Procesos Químicos

21 1. Experimentos se conducen para caracterizar el proceso (INFORMACION) 2. Se formulan modelos matemáticos para predecir (similar) el comportamiento del proceso (INFORMACION) 3. Se evalúa el impacto de la factores (variables independientes) del proceso en las observables de interés (INFORMACION) Desarrollo de Procesos Químicos

22 1. Experimentos se conducen para caracterizar el proceso (INFORMACION) 2. Se formulan modelos matemáticos para predecir (similar) el comportamiento del proceso (INFORMACION) 3. Se evalúa el impacto de la factores (variables independientes) del proceso en las observables de interés (INFORMACION) 4. Se define el control de los parámetros del proceso que aseguran que las variables de interés se mantengan en un intervalo determinado (DECISION) Desarrollo de Procesos Químicos

23 Perfil de la formación de impurezas de 4 reacciones conducidas en condiciones similares Visualización de Datos Experimentales

24 Perfil de la formación de impurezas de 20 reacciones conducidas bajo formalismo DOE Visualización de Datos Experimentales Temperatura

25 Transformación de variables Visualización de Datos Experimentales Ln [Tiempo/hr] Nivel de Impureza Tiempo/hr Ln [ Nivel de Impureza ] Temperatura

26 Ln [ Nivel de Impureza ] Ln [Tiempo/hr] Data Visualization Related Impurities Solvente-1 CatalizadorTemperatura Reactante-2 Proyección grafica de 4 de las variables controladas (x) con mayor impacto en el nivel de impureza (y)

27 Definición del Modelo

28

29

30 Nivel de Impureza % Reactante-1 Eq Temperatura C

31 Impurity-2 at reaction endpoint (AP) Definición del Modelo Temperatura Reactante-2 Nivel de Impureza % Reactante-1 Eq Temperatura C

32 Definición del Modelo

33

34

35

36

37

38

39 Análisis Bayesiano R. Bayes 1702-1761

40 Análisis Bayesiano R. Bayes 1702-1761

41 En modelos matemáticos el análisis Bayesiano describe un formalismo sistemático para obtener p(y) a partir de x p(y) es la función de distribución de probabilidad INFERENCIA BAYESIANA Análisis Bayesiano R. Bayes 1702-1761

42 Inferencia Bayesiana utilizando Stan Probability distributions generated from Stan Desarrollado por el grupo de Andrew Gelman Columbia University Incorpora sampleo Hamiltoniano Generaliza los modelos causales incluyen E.D.O. http://mc-stan.org/

43 Definición del Modelo Probabilístico Bayesian Inference Incorporated with Stan [1] I   Node Model Stan Development Team. 2015. RStan: the R interface to Stan, Version 2.7.0 http://mc-stan.org/rstan.html.  Variabilidad introducida por el proceso, medición, etc. MODELO CAUSAL MODELO STOCASTICO

44 Definición del Modelo Probabilístico Proyección de la función de distribución de probabilidad conjunta de los parámetros del modelo probabilístico

45 Impurity-2 at reaction endpoint (AP) Definición del Modelo Probabilístico Temperatura Reactante-2 Nivel de Impureza % Reactante-1 Eq Temperatura C

46 Impurity-2 at reaction endpoint (AP) Definición del Modelo Probabilístico Nivel de Impureza % Reactante-1 Eq Temperatura C

47 Definición del Modelo Probabilístico Bayesian Inference Incorporated with Stan [1] I σ  Stan Development Team. 2015. RStan: the R interface to Stan, Version 2.7.0 http://mc-stan.org/rstan.html.  Variabilidad introducida por el proceso, medición, etc. MODELO CAUSAL MODELO STOCASTICO x Variabilidad introducida las variables de control

48 Impurity-2 at reaction endpoint (AP) Evaluación del Proceso Nivel de Impureza % Reactante-1 Eq Temperatura C

49 Utilización de Inferencia Bayesiana Distribución de niveles de impureza estimada por el modelo probabilístico utilizando inferencia Bayesiana

50 Simulación de 50,000 reacciones bajo el modelo probabilístico Grafico de control Capacidad del Proceso

51 Intervalos de Confidencia de la Capacidad del Proceso

52 Conclusiones “ All Models are Wrong Some are Useful” -G. Box “TODOS LOS MODELOS ESTAN EQUIVICADOS ALGUNOS SON UTILES” -G. Box -El grado de “equivocación” (error) del modelo se puede caracterizar (cuantificar) usando el formalismo de inferencia bayesiana -El formalismo es accesible -Avances en teoría de MCMC -Aumento exponencial en poder computacional (La Ley de Moore)

53 Acknowledgements Pharmaceutical Development Lindsay Hobson Rob Behling Don Buglino John Crison Joel Young Jake Albrecht Jun Li Nate Domagalski G. Sentveld John Crison M. Randazzo V. Rosso E. Rubin E. Reiff Global Manufacturing Yijie Dong Iris Yan Jennifer Walsh Tianhua Wang

54 Muchas Gracias!

55 Octubre 10 2015?