DSDs和稀疏效應原理這更多是與DSD相關的概念性問題，以及它們對效應稀疏性/帕累托原則的依賴。我正在嘗試創建一個DoE，用於表徵製造藥品的生物過程。目標是收集我們已識別的參數的數據，創建模型，並使用JMP中的預測分析器為每個參數設置限制，因此沒有“失敗”，例如10,000次運行。選擇我們的參數時，我們會對流程中的所有參數進行風險分析。所以我們從大約40個參數開始。然後我們訂購它們並根據對過程輸出的影響風險對它們進行排序。對它們進行排名後，我們消除了最低約80％的參數，讓我們有大約10個因素進行測試。我很好奇的是，在這種情況下，DSD似乎依賴於（如果我正確地理解它）的效果稀疏性是否合適仍然是合適的，因為我們已經消除了我們認為的底部〜 80％的參數？那麼剩下的很大一部分因素是不是很重要呢？當然，在我們開始的40個參數中，很多都是次要的，我們將它們包括在內，只是為了盡職盡責。
我的後續問題是，如果我們有預算來測試~48個條件，那麼做一個自定義設計會更好嗎並簡單地刪除交互效應我認為在我將N降到48以下之前不會很重要嗎？對於10個連續因子，DSD只需要25個條件，因為我沒有太多的表徵經驗，我有點擔心它不會提供足夠的數據來自信地建模我們應該放置過程限制的位置，如果任何參數範圍我們已決定測試導致超出我們輸出規格的結果。我意識到我們總是可以做一個DSD然後補充，如果我們需要更多的運行，但這對我們來說效率較低（因為它需要更多的塊），而不僅僅是開始計算48次運行的設計。
謝謝你的幫助！
Re：DSDs和稀疏效應原理在你的開場白的第一段中，聽起來像你擔心的是，對於10個因素，其中大部分將是活躍的。您的流程和專業知識告訴您什麼？您是否擁有可以利用數據可視化，探索性數據分析以及簡單到高級建模技術來幫助您了解知識的預先存在的過程數據？如果你真的擁有ZERO領域/過程知識，那麼我認為你應該將DSD路線作為第一個實驗來構建這些知識。從那裡，利用剩餘資源，使用SECOND實驗處理問題的優化部分。在實踐中，我所研究的新產品/流程開發團隊發現順序DOE流程是解決實際問題最有效的方法。DSD首先是SCREENING設計。
Re：DSDs和稀疏效應原理首先，謝謝你的回复。不幸的是，雖然我很好地感覺到這些參數中的哪一個會對過程輸出產生影響，但我們不斷測量pH值，細胞生長等，我不太確定它們對藥物產品的影響（他們可能會有影響，這就是他們在我們的風險評估中得分較高的原因），這通常是我們必須調查的事情。我們沒有針對此特定流程的數據。因此，基於您的回复，聽起來在這種情況下您的建議是從DSD開始，然後通過更多運行填寫重要效果。更具體地說，我將運行DSD，然後逐個使用擬合模型工具消除不具有統計顯著性的影響（截止約為~p = 0.05或任何明確的截止值）。然後我將把剩下的效果放到自定義設計器中，我們預算的剩餘運行可以獲得最佳設計。這聽起來和你的做法相似嗎？謝謝你的幫助！
Re：DSDs和稀疏效應原理篩選的想法是分開“ 從重要的少數人那裡得到了許多瑣事 “。
我會考慮在DSD的最小運行次數之外再添加幾次運行。JMP現在默認為4次額外運行。您可以考慮再添加1或2次運行。這種小幅增加將大大提高您的設計能力。
沒有，不要從DSD或任何其他初始實驗中獲取您的知識，然後使用自定義設計開始後續實驗。使用增強設計平台。此平台使用自定義設計算法，但它也使用您現有的運行。因此，您可以逐步提高設計的功效和預測性能。這種方法被稱為順序實驗近五十年來一直倡導。
（順便說一句，DSD是別名最佳定制設計的特例。）
Re：DSDs和稀疏效應原理我建議使用Fit Definitive Screening平台或Generalized Regression（JMP Pro）代替Fit Least Squares。
Re：DSDs和稀疏效應原理你好 @markbailey ，謝謝你的幫助。我以前玩過增強設計工具。當我使用增強設計時，我想要更清楚地說明如何區分重要的少數和微不足道的幾個。當您第一次按“Augment Design”時，會出現一個屏幕，要求您選擇響應和因子參數。假設從最初的DSD實驗中，10個變量中只有4個變得顯著。我應該只選擇此屏幕中的4個因子嗎？或者我應該選擇全部10，然後在下一個屏幕上詢問模型術語時，我應該開始刪除不重要的術語，包括我感興趣的交互效果和多項式術語。或者這些做同樣的事情？
謝謝
Re：DSDs和稀疏效應原理您只會結轉您認為有效的因素。所有原始因素可能都不明確。
是的，您應該修改模型術語，以根據您當前的知識或問題更新它們。
我建議救命 > 圖書 > 實驗設計 。有關於篩選，DSD和擴充設計的章節。
Re：DSDs和稀疏效應原理謝謝 @markbailey 。關於不同主題的另一個快速問題。假設我有3個因素，溫度，pH值和生產長度。我想看看對產品的影響。設計僅有2個因子（溫度和pH）並採用不同時間點樣本來表示生產長度的實驗會產生什麼負面影響。假設每個因子你有3個級別（我們假設全因子）。所以3 x 3是9次運行。對於那9次跑步，你每次需要3個時間點。好吧，當你把它插入JMP軟件時，你看起來實際上你有27次運行，而實際上很多不同的時間點在不同的時間都是相同的條件。你是否以某種方式偏向其他2個因素（溫度和pH值）的結果這樣做？或者這是否可以接受並被認為可以提高實驗效率？
Re：DSDs和稀疏效應原理這一切都取決於您如何查看生產長度。它是影響結果的因素（輸入）還是重複測量設計？在優化或確定設計空間中的窗口時，您會選擇一個級別嗎？這是一個因素。
你對時間課程感興趣嗎？如果是這樣，那麼你可以使用JMP Pro Functional Data Explorer，雖然三點不是很多功能。或者你可以使用另一個模型作為Y（時間），如果你有JMP，可以使用模型參數作為響應。無論哪種方式，它都是響應的一部分。
偏見是一個典型的東西，而不是設計的東西。（當然，設計必須支持任何相關模型。）
效率是一個典型的東西，經濟是一個設計的東西。
Re：DSDs和稀疏效應原理 @markbailey 這絕對是一個因素。是的，我們會嘗試為它定義流程限制（確定一個窗口）。所以你說在這種情況下，它需要在設計中成為它自己的因素，不在設計中包含它並簡單地採用時間過程樣本是不合適的。但我不清楚為什麼會這樣。採用時間課程樣本，然後進行實驗後，只需將數據添加回來就像是自己的因素一樣，會出現什麼問題？在我的3個因子的例子中，這看起來像複製和粘貼你的3 x 3設計兩次，並添加一個新的時間列，你有t1，t2和t3為每組3 x 3條件。然後用結果填寫響應列，其中t1行包含第一個時間點的結果，t2行包含下一個時間點的結果等。是因為當您擬合模型時，對於任何給定因子，您的數據點之間存在獨立性假設嗎？那麼當你採取時間進程時，你的t3樣本並不是獨立於你的t2？
Re：DSDs和稀疏效應原理您選擇的10個因素是否來自同一個流程步驟。 通常，生物製藥過程是多步驟的（細胞裂解，澄清/ TFF，重折疊，色譜純化，緩衝液交換......）。 如果10個因素分散在幾個步驟中，那麼DSD的一個很好的優勢是它們可以投射到任何3個因子的響應曲面設計中，即使有4個因素，您也可以建立一個不錯的預測模型。 而且，在這些過程中，來自一個步驟的因素不直接與來自另一個步驟的因素相互作用。 可以“間接”地相互作用，因為來自1步驟的輸出（可能取決於來自該步驟的因素）是另一步驟的輸入。 然而，這種“間接”交互通常小於任何過程因素效應。
假設步驟1有3個因子，步驟2有3個因子，步驟3有4個因子。 然後，您可以在整個過程中運行DSD（步驟1-3），在每個步驟中表徵和測量產品質量，並構建許多不同的模型。
A.在步驟1之後預測產品質量的模型
B.在步驟2之後預測產品質量的模型。 您可以使用步驟1中的結果質量測量值作為此模型中的協變量。
C.在步驟3之後預測產品質量的模型。 您可以使用步驟1或步驟2中得到的質量測量值作為此模型中的協變量。
做這種工作時不要忘記考慮阻止。 通常該塊與用於測量實驗中出來的材料的分析運行相關聯，並且您可以阻止“分析運行”的實驗以解釋將來自分析的任何潛在偏差或混淆。
所有這一切，我肯定會預算進行實驗，因為DSD通常不會向您提供有關該過程的所有信息，或者您可能發現您沒有選擇最佳實驗範圍等...
Re：DSDs和稀疏效應原理請不要'把話放在嘴裡。'我沒有說你把時間作為回應的一部分的想法是“不合適的”。這根本不是我會做的。既然沒有'什麼'，就沒有'為什麼'。
你認為在組合方面。我會說你是設計導向 。我認為就估計而言。我說我是型號為導向 。兩種方向都有效，一種方式不必解釋自己或以另一種方式證明自己。（我在一個從兩個方向接近實驗的小組中工作。）只要實驗的設計，實驗的執行運行以及數據分析（模型）是一致的，你提出的任何東西都無法工作。。我從模型開始。你從設計開始。
獨立問題是真實的。您建議進行重複測量實驗，但將其分析為完全隨機的因子設計。統計模型具有固定和隨機效應的某種組合，應該反映數據的生成方式以及您想要了解的響應。您正在創建一系列具有兩個固定因子的整體圖，以觀察第三個因素。每個圖中的3個觀察結果以這種方式相關。
Re：DSDs和稀疏效應原理謝謝 @MathStatChem 。不幸的是，沒有它是同一步驟（細胞培養生產）的10個因素。我絕對不相信所有10個都很重要，但它可能會像4-6（儘管mayb甚至更少）。我們只是不確定，因為我們沒有這個過程的大量數據。
Re：DSDs和稀疏效應原理 @markbailey 謝謝你的幫助。我並沒有試圖把話語放在嘴裡，只是想弄清楚你說的是什麼。我想我現在明白了。
Re：DSDs和稀疏效應原理小心。
這不僅僅是應該考慮的多個處理步驟之間的因素之間的潛在相互作用。早期步驟可能代表對涉及後續步驟中的因素的運行隨機化的限制。如果是這種情況，則DSD不合適。定制設計具有適當定義的難以改變且非常難以改變的因素可能更加真實和有效。
不正確地考慮多級隨機化並忽略模型中的額外隨機效應可能會損害分析中的推論信息。
如果我誤解了你的建議，我道歉。
Re：DSDs和稀疏效應原理那是個很好的觀點。 如果您不打算在整個步驟中攜帶材料，那麼對於這麼多因素，您可能最好分別表徵每個步驟。
我已經做到了兩個方面。
Re：DSDs和稀疏效應原理我猜你已經對什麼是重要的以及可能存在的交互有了一個很好的想法。
如果您還沒有，那麼製作“互動”地圖可能會很好。 只需瀏覽每對因素並評估您是否認為他們會互動。 您還可以考慮在設計範圍的中間是否會有最大或最小輸出結果。 如果這是真的，那麼你可能還會有至少一個二次效應。 然後計算主效應（在這種情況下為10）和潛在重要的相互作用和二次效應的數量，並確保該數字小於實驗中的運行次數。 您還可以檢查兩個因子相互作用是否彼此強相關，如果是，您可以對DOE列的因子分配進行一些改組。 在這種情況下增加+4額外運行（10個連續因素）的另一個優點是它創建了一個設計，在雙因素交互和四邊形效應之間減少了混淆。
Re：DSDs和稀疏效應原理我在閱讀完所有內容後回复此處 @markbailey 和 @MathStatChem 的輸入。我同意他們建議或討論的一切。我的建議是“慢慢來”。從“第一次”實驗開始......我認為我們都建議使用DSD，如果這對您有邏輯作用，以及從實驗設計的角度來看。在DSD之後我建議的是它的結果（統計和實際）是......暫停。與您的團隊深呼吸。提出以下問題：
1。我們學到了什麼來解決手頭的實際問題？
2。根據我們所學到的，解決問題的下一個合乎邏輯的步驟是什麼？
答案1。可能是多重的，相互衝突的，或者只是毫無用處（但即便如此，當一個實驗表明'沒有'通知我們所有人時，我與之合作的一位聖人工程師，“嘿，知道'不'可以和知道一樣有價值一個'是'。“在這一點上盡量不要選擇特定的DOE方法（最佳設計，經典RSM，更多篩選）。相反，將這個難以獲得的“新”知識與最佳的下一個分析步驟相匹配。我認為這是馬克評論的精髓。DOE或其他。例如，如果您了解到您的“藥物效應”測量系統（這似乎是最重要的）是非常嘈雜的，那麼很難檢測到高於噪音的信號？後續的DOE工作仍然可能存在問題...也許它的資源最好先花在測量系統上？或者如果你選擇的某些因素和水平是不安全的呢？“Persnickety”是我在實驗中的因素難以控制，設定或具有許多已知和未知的變異來源時使用的技術術語。多年來與我的生物技術JMP工藝/產品設計客戶合作......任何時候他們都與'細胞'合作......好'持久'是禮貌的。
Re：DSDs和稀疏效應原理謝謝。我想我現在已經很好地了解了前進的道路，併計劃將DSD作為第一次使用。
