DSDと効果の希薄性の原則これは、DSDとそれが効果の疎密性/パレート原則に依存していることに関連する概念上の問題です。医薬品製造のためのバイオプロセスの特性評価のためのDoEを作成しようとしています。目標は、識別したパラメータのデータを収集し、モデルを作成し、JMPの予測プロファイラを使用して各パラメータに制限を設定することです。これにより、1万回の実行でも "失敗"がなくなります。パラメータを選択する際には、プロセス内のすべてのパラメータのリスク分析を行います。それで私たちは約40のパラメータから始めました。次に、それらを順序付けし、プロセス出力への影響のリスクに基づいてランク付けしました。それらをランク付けした後、私たちはテストするために私たちに約10の要素を残して、パラメータの下位80％までを排除しました。私が興味を持っているのは、私たちが最下位であると考えているものをすでに排除しているので、DSDが（私が正しく理解しているなら）頼るような効果の希薄性原理を仮定することがまだ適切かどうかです。パラメーターの80％それでは、残りの要素の大部分は重要ではないでしょうか。確かに、私たちが始めた40のパラメータのうち、それらの多くはマイナーなものであり、私たちは私たちの正当な努力をするためだけにそれらを含めました。
私のフォローアップの質問は、〜48の条件をテストする予算があるのなら、カスタムデザインをして、相互作用効果を単純に削除するほうが良いでしょうか。DSDは10の連続因子に対して25の条件しか必要としません、そして私はあまり多くの特性評価の経験がないので、パラメータの範囲のどれかが私たちがプロセス限界を置くべき場所を自信を持ってモデル化するのに十分なデータを提供しない我々の出力仕様から外れる結果へのテストリードを決定しました。DSDを実行してさらに実行が必要な場合は補完することができますが、48回の実行を考慮に入れた設計から開始するよりも、効率が低下します（ブロックが増えるため）。
ご協力いただきありがとうございます！
再：DSDと効果の希薄性の原則冒頭の挨拶の最初の段落では、10の要因に対して、それらの大多数がアクティブになることを懸念しているように聞こえます。あなたのプロセスとドメインの専門知識はあなたに何を伝えていますか？データの視覚化、予備的なデータ分析、そして知識を知らせるための単純なものから高度なモデリング技術を使って利用できる既存のプロセスデータはありますか。あなたが本当にZEROドメイン/プロセスの知識を持っているなら、私はあなたがその知識を築くための最初の実験としてDSDルートを進むべきだと思います。そこから、残りのリソースを使用して、2番目の実験を使用して問題の最適化部分に取り組みます。実際に私が取り組んだ新しい製品/プロセス開発チームは、シーケンシャルDOEプロセスが実際的な問題を解決するのに最も効率的であることを発見しました。DSDは何よりもまずSCREENINGデザインです。
再：DSDと効果の希薄性の原則はじめにお返事ありがとうございます。残念なことに、これらのパラメータのうちどれがpH、細胞増殖など常に測定しているプロセス出力に影響を与えるのかについてはよくわかっていますが、それらが医薬品に与える影響についてはあまりよくわかりません。これが、私たちのリスクアセスメントでより高いスコアを獲得した理由です。これは通常、調査しなければならないことです。この特定のプロセスに関するデータはありません。そのため、このシナリオでは、DSDから開始してから、より多くの実行で重要な効果を埋めることをお勧めします。より具体的には、DSDを実行してから、フィットモデルツールを使用して、統計的に有意ではない効果を排除します（〜p = 0.05付近のカットオフまたはその付近の明確なカットオフ）。それから残りの効果を取り入れて、最高のデザインを可能にするために予算を組んだ残りのランと共にそれらをカスタムデザイナーに入れます。そのように聞こえますか？ご協力いただきありがとうございます！
再：DSDと効果の希薄性の原則スクリーニングのアイデアは「 重要な少数からの自明な多数 "
DSDの最小実行数を上回る数回の実行を追加することを検討します。JMPはデフォルトで4回の追加実行になりました。あなたはさらに1つか2つの実行を追加することを検討するかもしれません。このわずかな増加で、デザインの力が劇的に向上します。
いいえ、しない DSDまたはその他の初期実験から知識を得て、カスタムデザインを使用して後続の実験を開始します。使用増強デザインプラットフォーム このプラットフォームはカスタム設計アルゴリズムを使用しますが、既存の実行も使用します。そのため、デザインの能力と予測パフォーマンスを徐々に向上させることができます。このアプローチはとして知られています逐次実験これは、ほぼ50年間にわたって提唱されてきました。
（ところで、DSDはエイリアス最適カスタムデザインの特別なケースです。）
再：DSDと効果の希薄性の原則Fit Least Squaresの代わりにFit Definitive ScreeningプラットフォームまたはGeneralized Regression（JMP Pro）を使用することをお勧めします。
再：DSDと効果の希薄性の原則こんにちは @markbailey 、ご協力いただきありがとうございます。私は以前にオーギュメントデザインツールで遊んだことがあります。私がオーギュメントデザインを使用するとき、私は重要な少数を些細なものと区別する方法についてもう少し明確にしたいと思います。初めて「Augment Design」を押すと、応答とファクタのパラメータを選択するように求める画面が表示されます。最初のDSD実験では、10個の変数のうち4個のみが有意に現れるとしましょう。この画面で4つの要素だけを選択する必要がありますか？あるいは、10個すべてを選択してから、次の画面でモデルの項を尋ねるときに、重要ではない項（相互作用効果や興味のある多項式の項を含む）を削除するようにします。それとも、これらは同じことをしますか？
ありがとうございました
再：DSDと効果の希薄性の原則あなたがアクティブな決定要因を前方にのみ運びます。この決定は、すべてオリジナルの要因については明らかではないかもしれません。
はい、あなたはあなたの現在の知識や質問に基づいてそれらを更新するためのモデル条項を変更する必要があります。
私はお勧め助けて > 本 > 実験計画 。、DSDをスクリーニングし、そしてデザインを増強についての章があります。
再：DSDと効果の希薄性の原則ありがとう @markbailey 。別のトピックに関するもう1つの簡単な質問。温度、pH、製造期間の3つの要因があるとしましょう。医薬品への影響を見たいのですが。たった2つの要因（温度とpH）で実験を設計し、生産期間を表すために異なる時点のサンプルをとることのマイナス面は何でしょうか。各要因に3つのレベルがあるとしましょう（そして完全な階乗を仮定します）。3 x 3は9ランです。これら9回の実行では、それぞれ3つのタイムポイントがかかります。これをJMPソフトウェアに接続すると、実際には27回実行したように見えます。実際には、これらの異なる時点の多くは異なる時点で同じ状態でした。あなたはどういうわけか他の2つの要因（温度とpH）の結果をこのように偏らせていますか？それともこれは許容可能であり、実験をより効率的にするものとして認識されていますか？
再：DSDと効果の希薄性の原則それはすべて、制作期間の見方によって異なります。結果に影響を与えるのは要因（入力）ですか、それとも繰り返し測定の設計ですか。最適化するときにレベルを選択しますか、それともデザインスペースでウィンドウを決定しますか？それが要因です。
あなたはタイムコースに興味がありますか？もしそうなら、あなたはJMP Pro Functional Data Explorerを使用することができますが、3つのポイントはそれほど機能的ではありません。あるいは、Y（時間）に別のモデルを使用し、JMPがある場合は応答にモデルパラメータを使用することもできます。いずれにせよ、それは応答の一部です。
バイアスはモデルのものであり、デザインのものではありません。（もちろん、デザインは問題のモデルのいずれかをサポートしなければなりません。）
効率はモデルのもの、経済はデザインのものです。
再：DSDと効果の希薄性の原則 @markbailey それは間違いなく要因です。はい、それにプロセス制限を定義しようとしています（ウィンドウの決定）。ですから、その場合はデザインにそれ自身の要素が必要であるということになるでしょう。そしてそれをデザインに含めずに単に時間経過のサンプルを取るのは不適切でしょう。しかし、それがなぜなのか、私にははっきりしません。時間経過のサンプルを採取し、その後実験後にデータを追加するだけでそれが独自の要因であるという問題は何ですか。3つの要素を含む私の例では、これは3 x 3デザインをさらに2回コピーして貼り付け、3 x 3条件の各セットに対してt 1、t 2、およびt 3を持つ新しい時間列を追加するように見えます。次にレスポンス列にあなたの結果を記入してください。ここで、t1の行はあなたの最初の時点からの結果であり、t2の行はあなたの次の時点からの結果です。モデルを当てはめると、与えられた要因に対してデータポイント間に独立性があるという仮定があるからでしょうか。それで、あなたが時間経過を取るとき、あなたのt3サンプルはあなたのt2から独立していませんか？
再：DSDと効果の希薄性の原則同じプロセスステップからすべてを試すために選択した10の要素です。 典型的には、バイオ医薬品プロセスは多段階（細胞溶解、清澄化／ ＴＦＦ、リフォールディング、クロマトグラフィー精製、緩衝液交換など）である。 10個の要因が複数のステップに分散されている場合、DSDの利点の1つは、3つの要因に対して応答曲面計画を立てることです。4つの要因がある場合でも、優れた予測モデルを構築できます。 また、これらのプロセスでは、あるステップの要因が別のステップの要因と直接相互作用することはありません。 1つのステップからの出力（そのステップからの要因に依存する可能性がある）は別のステップへの入力であるため、「間接的に」対話することができます。 ただし、この「間接的な」相互作用は、多くの場合、プロセス要因の影響よりも小さくなります。
ステップ1に3つの要素があり、ステップ2に3つの要素があり、ステップ3に4つの要素があるとします。 その後、DSDをフルプロセスで実行し（ステップ1〜3）、各ステップで製品の品質を評価および測定し、さまざまなモデルを構築できます。
A.ステップ1の後の製品品質を予測するためのモデル
B.ステップ2の後に製品の品質を予測するためのモデル。 このモデルでは、ステップ1で得られた品質測定値を共変量として使用できます。
C.ステップ3の後に製品の品質を予測するためのモデル。 このモデルでは、ステップ1またはステップ2で得られた品質測定値を共変量として使用できます。
この種の作業を行うときにブロックを検討することを忘れないでください。 多くの場合、ブロックは実験から出てくる物質を測定するために使用される分析実行に関連しており、あなたは「分析実行」で実験をブロックして、分析から生じる潜在的な偏りや交絡を考慮することができます。
DSDがプロセスに関してあなたが望むすべての情報をあなたに与えないことが多い、あるいは実験に最適な範囲を選択しなかったことに気づくかもしれないので、私は間違いなく実験を追うための予算を立てるでしょう。...
再：DSDと効果の希薄性の原則私の口に言葉を入れないでください。あなたが時間を反応の一部として扱うというあなたの考えが「不適切」であるとは私は言いませんでした。それは私がすることではありません。「何」がないので、「なぜ」もありません。
あなたは組み合わせの観点から考えます。私はあなたがいると言うでしょうデザイン指向 。見積もりの観点から考えます。私は私がいると言うモデル指向 。どちらの方向でもうまくいき、一方的な方法でそれ自体を説明したり、他の方法で正当化したりする必要はありません。実験のデザイン、実験の実行、およびデータ分析（モデル）が一致している限り、うまくいかないという提案はありません。。私はモデルから始めます。あなたはデザインから始めます。
独立の問題は現実のものです。あなたは繰り返し測定実験を実行することを提案していますが、それを完全に無作為化要因計画として分析することを提案しています。統計モデルには、データの生成方法や応答について知りたいことを反映した、固定効果と変量効果の組み合わせがあります。3番目の因子を観察するための2つの固定因子を使って一連の全体プロットを作成しています。各プロットの3つの観測値はこのように相関しています。
再：DSDと効果の希薄性の原則ありがとうございました @MathStatChem 。残念ながら、同じプロセスのステップ（細胞培養による生産）では10の要素がありません。私は間違いなく10のすべてが重要になるとは思わないが、それは4-6のような何かであるかもしれません（しかしより少ないかもしれませんが）。このプロセスでは大量のデータがないため、確信が持てません。
再：DSDと効果の希薄性の原則 @markbailey ご協力いただきありがとうございます。私はあなたの口に言葉を入れようとはしていませんでした。私は今理解していると思います。
再：DSDと効果の希薄性の原則注意してください。
考慮すべきなのは、複数の処理ステップにわたる要因間の潜在的な相互作用以上のものです。初期のステップは、後のステップの要因を含むランのランダム化に対する制限を表している可能性があります。その場合、DSDは適切ではありません。適切に定義された変更が困難で変更が非常に困難な要素を持つカスタムデザインは、より現実的で効果的です。
複数レベルのランダム化を不適切に考慮し、モデル内の追加のランダム効果を無視すると、分析からの推論情報が損なわれる可能性があります。
あなたの提案を誤解した場合はお詫び申し上げます。
再：DSDと効果の希薄性の原則それは良い点です。 あなたがステップを通してずっと材料を運ぶつもりでないなら、その数の要因のために、あなたはただそれぞれのステップを別々に特徴付けることが得策かもしれません。
私はそれを両方の方法でやった。
再：DSDと効果の希薄性の原則私はあなたがすでに何が重要であるか、そしてどんな相互作用が存在するかもしれないかについて良い考えを持っていると思います。
まだ行っていないのであれば、「インタラクション」マップを作成するのが良いかもしれません。 各ペアの要素を調べて、それらが相互作用すると思われるかどうかを評価します。 設計範囲の中央に最大または最小の出力結果があるかどうかを検討することもできます。 それが本当であれば、おそらくあなたも少なくとも1つの二次効果を持つことになります。 次に、主な効果（この場合は10）と、潜在的に重要な相互作用と2次効果の数を数え、その数が実験の実行数よりも少ないことを確認します。 また、2つの因子の相互作用が互いに強く相関しているかどうかを確認することもできます。そうしている場合は、DOE列への因子の割り当てをシャッフルすることもできます。 この場合に+4の追加の実行を追加することのもう1つの利点（10の連続的な要素）は、2要素間の相互作用と2次効果の間で混乱が少ない設計を作成することです。
再：DSDと効果の希薄性の原則全部読んだ後にここに返信します @markbailey そして @MathStatChem の入力です。私は彼らが助言したり話し合っていることすべてに同意します。私のおすすめは「ゆっくり行く」ことでした。「最初の」実験から始めましょう...そしてそれが実験的設計の観点からだけでなくあなたのためにロジスティックに働くならば、私たちは皆DSDを提案していると思います。私がDSDの後に提案しているのは、その結果（統計的かつ実用的）です...一時停止です。あなたのチームと深呼吸してください。以下の質問をしてください。
1。当面の実際的な問題を解決するために何を学んだか。
2。我々が学んだことを考えると、問題を解決するための次の論理的なステップは何ですか？
1の答え それでも、実験で「何もない」と通知されたときに私が協力していた賢明なエンジニアの1人は、「わからないことを知っているのと同じくらい貴重なことができます」。この時点では、特定のDOE手法（最適設計、従来のRSM、より多くのスクリーニング）を選択することに没頭し過ぎないようにしてください。代わりに、この困難な「新しい」知識を持つ問題を最適な次の分析ステップに当てはめます。これがMarkのコメントの本質だと思います。DOEかそうでなければ。たとえば、ここで最も重要に思われる「薬物効果」の測定システムが非常にノイズが多く、ノイズを超える信号を検出するのが困難になることを知ったとしたら、どうでしょうか。その後のDOEの作業は依然として問題がある可能性があります...最初に測定システムに費やすほうがよいリソースでしょうか。それとも、あなたが選んだいくつかの要因とレベルが不気味だったら？'Persnickety'は、実験の中の因子を制御、設定、またはさまざまな既知および未知の多様な原因を持つことが難しい場合に使用する専門用語です。私のバイオテクノロジーJMPプロセス/製品デザインの顧客と長年かけて仕事をしてきましたが、いつでも彼らは「セル」を使って仕事をしていました。
再：DSDと効果の希薄性の原則ありがとうございました。私は今のところその道筋について良い考えを持っていると思います、そして最初の走行としてDSDを使うことを計画するでしょう。
