DSD et principe de parcimonie d'effetIl s’agit plus d’une question conceptuelle liée aux DSD et à leur dépendance de la rareté des effets / principe de Pareto. J'essaie de créer un DoE pour la caractérisation d'un bioprocédé de fabrication de produit pharmaceutique. L'objectif est de collecter des données pour les paramètres que nous avons identifiés, de créer un modèle et d'utiliser le profileur de prédiction de JMP pour définir des limites pour chacun des paramètres afin d'éviter tout "échec" sur 10 000 exécutions par exemple. Lors de la sélection de nos paramètres, nous analysons tous les paramètres de notre processus en analysant les risques. Nous avons donc commencé avec environ 40 paramètres. Nous les avons ensuite commandés et classés en fonction du risque d’impact sur les résultats du processus. Après les avoir classés, nous avons éliminé les ~ 80% inférieurs des paramètres, ce qui nous laisse environ 10 facteurs à tester. Ce que je suis curieux de savoir, c’est de savoir s’il est approprié de supposer que le principe de parcimonie des effets sur lequel le DSD semble s’appuyer (si je le comprends bien) dans cette situation puisque nous avons déjà éliminé ce que nous considérions comme le fond ~ 80% de paramètres? Une grande partie des facteurs restants ne devrait-elle pas être significative? Certes, sur les 40 paramètres avec lesquels nous avons commencé, bon nombre d’entre eux étaient mineurs et nous ne les avons inclus que pour faire notre devoir de diligence.
Ma question suivante est de savoir si nous avons un budget pour tester les conditions ~ 48, serait-il préférable de faire une conception personnalisée et de simplement supprimer les effets d'interaction qui, à mon avis, ne seront pas importants tant que je n'aurai pas le N inférieur à 48? Un DSD nécessite seulement 25 conditions pour 10 facteurs continus et, comme je n'ai pas beaucoup d'expérience en caractérisation, je suis un peu inquiet car il ne fournira pas assez de données pour modéliser en toute confiance où nous devrions placer nos limites de processus si l'une des plages de paramètres ont décidé de tester les résultats obtenus en dehors de nos spécifications de sortie. Je me rends compte que nous pourrions toujours faire un DSD et ensuite compléter si nous avons besoin de plus de pistes, mais cela serait moins efficace pour nous (puisqu'il nécessiterait plus de blocs) que de commencer avec une conception qui compte pour 48 pistes.
Merci de votre aide!
Re: DSD et principe de faible densité d'effetDans le premier paragraphe de vos remarques liminaires, il me semble que vous craignez que la majorité des 10 facteurs ne soient actifs. Qu'est-ce que votre processus et votre expertise du domaine vous disent? Disposez-vous de données de processus préexistantes que vous pouvez utiliser à l'aide de la visualisation de données, d'une analyse exploratoire de données et de techniques de modélisation simples à avancées pour enrichir vos connaissances? Si vous avez vraiment une connaissance ZERO de domaine / processus, alors je pense que vous devriez choisir DSD comme première expérience pour développer cette connaissance. À partir de là, avec les ressources restantes, travaillez sur l'optimisation de votre problème en utilisant une seconde expérience. Dans la pratique, les nouvelles équipes de développement de produits / processus sur lesquelles j'ai travaillé ont trouvé que le processus séquentiel DOE était le plus efficace pour résoudre le problème pratique. Les DSD sont avant tout des designs SCREENING.
Re: DSD et principe de faible densité d'effetTout d'abord, merci pour votre réponse. Malheureusement, même si j'ai une idée précise des paramètres qui auront une incidence sur les résultats des processus que nous mesurons en permanence, tels que le pH, la croissance cellulaire, etc., je suis moins certain de leur impact sur le produit pharmaceutique (et ils pourraient l’impact, c’est la raison pour laquelle ils ont obtenu un score plus élevé dans notre évaluation des risques) et c’est généralement quelque chose que nous devons simplement étudier. Nous n'avons pas ces données pour ce processus spécifique. Donc, en fonction de votre réponse, il semble que dans ce scénario, votre recommandation est de commencer par un DSD, puis de compléter les effets significatifs avec davantage d'essais. Plus précisément, je lancerais le DSD, puis utiliserais l'outil de modèle d'ajustement pour éliminer un par un les effets non statistiquement significatifs (seuil autour de ~ p = 0,05 ou tout seuil net autour de celui-ci). Ensuite, je prendrais les effets restants et les placerais dans le concepteur personnalisé avec les exécutions restantes que nous avions budgétisées pour obtenir le meilleur design possible. Est-ce que cela ressemble à comment vous le feriez? Merci de votre aide!
Re: DSD et principe de faible densité d'effetL’idée du dépistage est de séparer les " trivial beaucoup parmi le vital vital . "
J'envisagerais d'ajouter quelques exécutions supplémentaires au-dessus du nombre minimal d'exécutions dans votre DSD. JMP utilise maintenant par défaut 4 analyses supplémentaires. Vous pourriez envisager d'ajouter 1 ou 2 exécutions supplémentaires. Cette petite augmentation améliorera considérablement la puissance de votre conception.
Non, ne pas Tirez vos connaissances du DSD ou de toute autre expérience initiale et démarrez une expérience ultérieure avec Custom Design. Utilisez le Conception de l'augmentation Plate-forme. Cette plate-forme utilise l'algorithme de conception personnalisé, mais utilise également vos exécutions existantes. Vous pouvez ainsi améliorer progressivement la puissance et les performances prédictives d'une conception. Cette approche est connue sous le nom de expérimentation séquentielle , préconisé depuis près de cinq décennies.
(À propos, le DSD est un cas particulier de conception personnalisée avec alias-optimal.)
Re: DSD et principe de faible densité d'effetJe recommande d'utiliser la plate-forme Fit Definitive Screening ou la régression généralisée (JMP Pro) au lieu de l'option Ajuster les moindres carrés.
Re: DSD et principe de faible densité d'effetsalut @markbailey , Merci de votre aide. J'ai déjà joué avec l'outil de conception augment. J'aimerais avoir plus de clarté sur la façon de différencier les éléments essentiels des éléments les plus triviaux lorsque j'utilise le concept d'augmentation. Lorsque vous appuyez pour la première fois sur "Augmenter la conception", un écran apparaît vous demandant de sélectionner vos paramètres de réponse et de facteur. Supposons que seulement 4 des 10 variables soient significatives par rapport à l'expérience initiale de DSD. Devrais-je sélectionner uniquement les 4 facteurs dans cet écran? Ou devrais-je sélectionner les 10, puis à l'écran suivant, lorsqu'il demande des termes modèles, je dois commencer par supprimer les termes qui ne sont pas significatifs, y compris les effets d'interaction et les termes polynomiaux qui m'intéressent. Ou font-ils la même chose?
Je vous remercie
Re: DSD et principe de faible densité d'effetVous ne reportez que les facteurs que vous décidez d'activer. Cette décision pourrait ne pas être claire sur tous les facteurs d'origine.
Oui, vous devez modifier les termes du modèle pour les mettre à jour en fonction de vos connaissances actuelles ou de vos questions.
je recommande Aidez-moi > Livres > Conception d'expériences . Il existe des chapitres sur la sélection, le DSD et les conceptions supplémentaires.
Re: DSD et principe de faible densité d'effetMerci @markbailey . Une autre question rapide sur un sujet différent. Disons que j'ai 3 facteurs, température, pH et longueur de production. Je veux voir l'impact sur le produit pharmaceutique produit. Quels seraient les inconvénients de concevoir une expérience avec seulement 2 facteurs (température et pH) et de prélever des échantillons ponctuels différents pour représenter la durée de production. Disons que vous avez 3 niveaux pour chaque facteur (et nous supposerons factoriel complet). Donc, 3 x 3, c'est 9 pistes. Pour ces 9 courses, vous prenez 3 points de temps chacun. Lorsque vous connectez ceci au logiciel JMP, vous donnez l’impression que vous avez eu 27 essais, alors qu’en réalité, beaucoup de ces moments différents étaient dans le même état à des moments différents. Etes-vous en quelque sorte en train de biaiser les résultats pour les 2 autres facteurs (température et pH) en procédant ainsi? Ou est-ce acceptable et reconnu comme rendant l'efficacité de l'expérimentation plus efficace?
Re: DSD et principe de faible densité d'effetTout dépend de la façon dont vous voyez la longueur de la production. Est-ce un facteur (entrée) pour influencer le résultat ou est-ce une conception de mesures répétées? Souhaitez-vous sélectionner un niveau lors de l'optimisation ou déterminer une fenêtre dans l'espace de conception pour cela? C'est un facteur.
Êtes-vous intéressé par le cours du temps? Si tel est le cas, vous pouvez utiliser l'explorateur de données fonctionnel JMP Pro, bien que trois points ne constituent pas vraiment une fonction. Vous pouvez également utiliser un autre modèle pour le Y (heure) et utiliser les paramètres du modèle pour les réponses si vous avez JMP. De toute façon, cela fait partie de la réponse.
Le parti pris est un modèle, pas un concept. (Bien entendu, la conception doit prendre en charge l’un des modèles en question.)
L'efficacité est un modèle, l'économie est un concept.
Re: DSD et principe de faible densité d'effet @markbailey C'est certainement un facteur. Oui, nous essaierions de définir des limites de processus (déterminer une fenêtre). Vous dites donc que dans ce cas, il faudrait que ce soit un facteur propre dans la conception, et il serait inapproprié de ne pas l'inclure dans la conception et de simplement prélever des échantillons de parcours. Mais je ne comprends pas pourquoi. Quel est le problème avec le prélèvement d'échantillons de parcours dans le temps, puis post-expérimentation, en rajoutant simplement les données comme s'il s'agissait de son propre facteur? Dans mon exemple avec les 3 facteurs, cela ressemblerait à copier et coller deux fois de plus votre conception 3 x 3 et à l'ajout d'une nouvelle colonne d'heure où vous avez t1, t2 et t3 pour chaque ensemble de 3 x 3 conditions. Puis remplissez la colonne de réponse avec vos résultats, où les lignes avec t1 ont les résultats de votre premier point horaire et les lignes avec t2 ont les résultats de votre point horaire suivant, etc. Est-ce parce que lorsque vous vous adaptez à un modèle, il y a une hypothèse d'indépendance entre vos points de données pour un facteur donné? Ainsi, lorsque vous prenez un cours sur le temps, votre échantillon t3 n'est pas indépendant de votre t2?
Re: DSD et principe de faible densité d'effetLes 10 facteurs que vous avez choisis d’expérimenter sont-ils tous issus de la même étape du processus? Typiquement, les processus biopharmaceutiques sont multi-étapes (lyse cellulaire, clarification / TFF, repliement, purification chromatographique, échange de tampon, ...). Si les 10 facteurs sont dispersés en plusieurs étapes, un avantage intéressant d'un DSD réside dans le fait qu'ils s'insèrent dans la conception des surfaces de réponse pour 3 facteurs quelconques, et même s'il existe 4 facteurs, vous pouvez créer un modèle de prédiction intéressant. En outre, dans ce processus, les facteurs d'une étape n'interagissent pas directement avec les facteurs d'une autre étape. Le peut interagir "indirectement", car la sortie d'une étape (qui peut dépendre de facteurs de cette étape) est une entrée pour une autre étape. Cette interaction "indirecte" est souvent inférieure à tout effet de facteur de processus.
Supposons que l'étape 1 comporte 3 facteurs, que l'étape 2 comporte 3 facteurs et que l'étape 3 comporte 4 facteurs. Vous pouvez ensuite exécuter le DSD sur l'ensemble du processus (étapes 1 à 3), caractériser et mesurer la qualité du produit à chaque étape et créer de nombreux modèles différents.
A. Un modèle pour prédire la qualité du produit après l'étape 1
B. Un modèle permettant de prédire la qualité du produit après l’étape 2. Vous pouvez utiliser les mesures de qualité obtenues à l’étape 1 en tant que covariables dans ce modèle.
C. Un modèle permettant de prédire la qualité du produit après l’étape 3. Vous pouvez utiliser les mesures de qualité obtenues aux étapes 1 ou 2 comme covariables dans ce modèle.
N'oubliez pas de penser au blocage lorsque vous effectuez ce type de travail. Souvent, le blocage est associé à l'analyse utilisée pour mesurer le matériel issu de l'expérience. Vous pouvez également bloquer les expériences sur une "analyse" pour prendre en compte tout biais ou confusion pouvant provenir de l'analyse.
Ceci étant dit, je budgétiserais certainement des expériences ultérieures, car souvent, le DSD ne vous donne pas toutes les informations souhaitées sur le processus, ou vous découvrirez peut-être que vous n'avez pas choisi les meilleures plages d'expérimentation, etc. ...
Re: DSD et principe de faible densité d'effetS'il vous plaît, ne mettez pas de mots dans ma bouche. Je n'ai pas dit que votre idée de traiter le temps comme faisant partie de la réponse est "impropre". Ce n'est tout simplement pas ce que je ferais. Puisqu'il n'y a pas de «quoi», il n'y a pas de «pourquoi».
Vous pensez en termes de combinaisons. Je dirais que tu es orienté design . Je pense en termes d'estimation. Je dis que je suis orienté modèle . Les deux orientations fonctionnent et une manière ne doit pas nécessairement s’expliquer ou se justifier. (Je travaille dans un groupe qui aborde des expériences dans les deux sens.) Rien de ce que vous avez proposé ne va fonctionner tant que la conception de l'expérience, l'exécution des tests et les analyses de données (modèle) sont cohérentes. . Je commence par le modèle. Vous commencez avec la conception.
La question de l'indépendance est réelle. Vous proposez de lancer une expérience de mesures répétées mais de l’analyser comme un plan factoriel complètement aléatoire. Un modèle statistique comporte une combinaison d'effets fixes et aléatoires qui devraient refléter la manière dont les données ont été générées ainsi que ce que vous voulez savoir sur la réponse. Vous créez une série de parcelles entières avec les deux facteurs fixes pour observer le troisième facteur. Les 3 observations dans chaque graphique sont corrélées de cette façon.
Re: DSD et principe de faible densité d'effetJe vous remercie @MathStatChem . Malheureusement non, il faut 10 facteurs pour la même étape du processus (production avec culture cellulaire). Je ne crois vraiment pas que tous les 10 seront importants, mais cela pourrait être quelque chose comme 4-6 (bien que peut-être même moins). Nous ne sommes tout simplement pas sûrs car nous ne disposons pas de beaucoup de données avec ce processus.
Re: DSD et principe de faible densité d'effet @markbailey Merci de votre aide. Je n'essayais pas de mettre des mots dans votre bouche, mais simplement de clarifier ce que vous dites. Je pense que je comprends maintenant.
Re: DSD et principe de faible densité d'effetFaites attention.
Il convient de prendre en compte plus que les interactions potentielles entre les facteurs liés à plusieurs étapes de traitement. Il est probable que les premières étapes représentent une restriction de la randomisation des analyses impliquant les facteurs dans les étapes ultérieures. Si tel est le cas, un DSD n'est pas approprié. Une conception personnalisée avec des facteurs difficiles à modifier et très difficiles à modifier définis de manière appropriée sera probablement plus réaliste et plus efficace.
Considérer incorrectement les multiples niveaux de randomisation et ignorer les effets aléatoires supplémentaires dans le modèle peut compromettre les informations inférentielles issues de l'analyse.
Je m'excuse si j'ai mal compris votre suggestion.
Re: DSD et principe de faible densité d'effetC'est un bon point. Si vous n'allez pas transporter du matériel tout au long des étapes, alors pour ce nombre de facteurs, vous feriez mieux de caractériser chaque étape séparément.
Je l'ai fait dans les deux sens.
Re: DSD et principe de faible densité d'effetJe suppose que vous avez déjà une bonne idée de ce qui est important et des interactions possibles.
Si vous ne l'avez pas déjà fait, il peut être intéressant de créer une carte "d'interaction". Passez simplement en revue chaque paire de facteurs et déterminez si vous pensez qu'ils vont interagir. vous pouvez également déterminer s'il existe un résultat de sortie maximal ou minimal au centre de la plage de conception. Si cela est vrai, vous aurez probablement aussi au moins un effet quadratique. Comptez ensuite les effets principaux (10 dans ce cas), le nombre d’interactions et d’effets quadratiques potentiellement importants et assurez-vous que ce nombre est inférieur au nombre de tests de l’expérience. Vous pouvez également vérifier si les interactions entre les deux facteurs sont fortement corrélées et, le cas échéant, remanier l'attribution des facteurs aux colonnes DOE. Dans ce cas, un autre avantage de l'ajout des +4 exécutions supplémentaires (10 facteurs continus) est que cela crée une conception avec moins de confusion pour les interactions à deux facteurs et les effets quadractiques.
Re: DSD et principe de faible densité d'effetJe réponds ici après avoir lu tous @markbailey et @MathStatChem l'entrée de. Je suis d'accord avec tout ce qu'ils conseillent ou discutent. Ma recommandation était «allez lentement». Commencez par une «première» expérience ... et je pense que nous suggérons tous un DSD si cela fonctionne sur le plan logistique pour vous, ainsi que d'un point de vue de la conception expérimentale. Ce que je suggère après le DSD et ses résultats (statistiques et pratiques) est ... Pause. Prenez une profonde respiration avec votre équipe. Posez les questions suivantes:
1. Qu'avons-nous appris à résoudre le problème pratique actuel?
2 Compte tenu de ce que nous avons appris, quelle est la prochaine étape logique pour résoudre le problème?
Les réponses à 1. peut être multiple, conflictuel ou tout simplement inutile (mais même dans ce cas, un des ingénieurs sages avec qui j'ai travaillé lorsqu'une expérience révélait que rien ne nous informait tous: "Essayez de ne pas trop vous perdre dans le choix d’une méthode DOE spécifique (conception optimale, RSM classique, plus de filtrage) à ce stade. Au lieu de cela, adaptez le problème avec ces «nouvelles» connaissances durement acquises aux prochaines étapes analytiques optimales. Je pense que c'est l'essence des commentaires de Mark. DOE ou autre. Par exemple, si vous appreniez que votre système de mesure de «l'effet du médicament», qui semble être primordial ici, est extrêmement bruyant, il est difficile de détecter un signal au-dessus du bruit? Les travaux ultérieurs du DOE pourraient encore poser problème ... peut-être faudrait-il d'abord mieux utiliser les ressources pour le système de mesure? Ou que se passe-t-il si certains facteurs et les niveaux choisis sont perspicaces? «Perspicacité» est un terme technique que j'utilise lorsque les facteurs d'une expérience sont difficiles à contrôler, à définir ou comportent de nombreuses sources de variabilité connues ou inconnues. En travaillant avec mes clients en conception de produits / procédés JMP biotech au fil des ans ... chaque fois qu'ils travaillaient avec des "cellules" ... eh bien, "persnickety" était poli.
Re: DSD et principe de faible densité d'effetJe vous remercie. Je pense avoir une bonne idée de la voie à suivre à présent et prévois d’utiliser un DSD comme première utilisation.
