DSDs和稀疏效应原理这更多是与DSD相关的概念性问题，以及它们对效应稀疏性/帕累托原则的依赖。我正在尝试创建一个DoE，用于表征制造药品的生物过程。目标是收集我们已识别的参数的数据，创建模型，并使用JMP中的预测分析器为每个参数设置限制，因此没有“失败”，例如10,000次运行。选择我们的参数时，我们会对流程中的所有参数进行风险分析。所以我们从大约40个参数开始。然后我们订购它们并根据对过程输出的影响风险对它们进行排序。对它们进行排名后，我们消除了最低约80％的参数，让我们有大约10个因素进行测试。我很好奇的是，在这种情况下，DSD似乎依赖于（如果我正确地理解它）的效果稀疏性是否合适仍然是合适的，因为我们已经消除了我们认为的底部〜 80％的参数？那么剩下的很大一部分因素是不是很重要呢？当然，在我们开始的40个参数中，很多都是次要的，我们将它们包括在内，只是为了尽职尽责。
我的后续问题是，如果我们有预算来测试~48个条件，那么做一个自定义设计会更好吗并简单地删除交互效应我认为在我将N降到48以下之前不会很重要吗？对于10个连续因子，DSD只需要25个条件，因为我没有太多的表征经验，我有点担心它不会提供足够的数据来自信地建模我们应该放置过程限制的位置，如果任何参数范围我们已决定测试导致超出我们输出规格的结果。我意识到我们总是可以做一个DSD然后补充，如果我们需要更多的运行，但这对我们来说效率较低（因为它需要更多的块），而不仅仅是开始计算48次运行的设计。
谢谢你的帮助！
Re：DSDs和稀疏效应原理在你的开场白的第一段中，听起来像你担心的是，对于10个因素，其中大部分将是活跃的。您的流程和专业知识告诉您什么？您是否拥有可以利用数据可视化，探索性数据分析以及简单到高级建模技术来帮助您了解知识的预先存在的过程数据？如果你真的拥有ZERO领域/过程知识，那么我认为你应该将DSD路线作为第一个实验来构建这些知识。从那里，利用剩余资源，使用SECOND实验处理问题的优化部分。在实践中，我所研究的新产品/流程开发团队发现顺序DOE流程是解决实际问题最有效的方法。DSD首先是SCREENING设计。
Re：DSDs和稀疏效应原理首先，谢谢你的回复。不幸的是，虽然我很好地感觉到这些参数中的哪一个会对过程输出产生影响，但我们不断测量pH值，细胞生长等，我不太确定它们对药物产品的影响（他们可能会有影响，这就是他们在我们的风险评估中得分较高的原因），这通常是我们必须调查的事情。我们没有针对此特定流程的数据。因此，基于您的回复，听起来在这种情况下您的建议是从DSD开始，然后通过更多运行填写重要效果。更具体地说，我将运行DSD，然后逐个使用拟合模型工具消除不具有统计显着性的影响（截止约为~p = 0.05或任何明确的截止值）。然后我将把剩下的效果放到自定义设计器中，我们预算的剩余运行可以获得最佳设计。这听起来和你的做法相似吗？谢谢你的帮助！
Re：DSDs和稀疏效应原理筛选的想法是分开“ 从重要的少数人那里得到了许多琐事 “。
我会考虑在DSD的最小运行次数之外再添加几次运行。JMP现在默认为4次额外运行。您可以考虑再添加1或2次运行。这种小幅增加将大大提高您的设计能力。
没有，不要从DSD或任何其他初始实验中获取您的知识，然后使用自定义设计开始后续实验。使用增强设计平台。此平台使用自定义设计算法，但它也使用您现有的运行。因此，您可以逐步提高设计的功效和预测性能。这种方法被称为顺序实验近五十年来一直倡导。
（顺便说一句，DSD是别名最佳定制设计的特例。）
Re：DSDs和稀疏效应原理我建议使用Fit Definitive Screening平台或Generalized Regression（JMP Pro）代替Fit Least Squares。
Re：DSDs和稀疏效应原理你好 @markbailey ，谢谢你的帮助。我以前玩过增强设计工具。当我使用增强设计时，我想要更清楚地说明如何区分重要的少数和微不足道的几个。当您第一次按“Augment Design”时，会出现一个屏幕，要求您选择响应和因子参数。假设从最初的DSD实验中，10个变量中只有4个变得显着。我应该只选择此屏幕中的4个因子吗？或者我应该选择全部10，然后在下一个屏幕上询问模型术语时，我应该开始删除不重要的术语，包括我感兴趣的交互效果和多项式术语。或者这些做同样的事情？
谢谢
Re：DSDs和稀疏效应原理您只会结转您认为有效的因素。所有原始因素可能都不明确。
是的，您应该修改模型术语，以根据您当前的知识或问题更新它们。
我建议救命 > 图书 > 实验设计 。有关于筛选，DSD和扩充设计的章节。
Re：DSDs和稀疏效应原理谢谢 @markbailey 。关于不同主题的另一个快速问题。假设我有3个因素，温度，pH值和生产长度。我想看看对产品的影响。设计仅有2个因子（温度和pH）并采用不同时间点样本来表示生产长度的实验会产生什么负面影响。假设每个因子你有3个级别（我们假设全因子）。所以3 x 3是9次运行。对于那9次跑步，你每次需要3个时间点。好吧，当你把它插入JMP软件时，你看起来实际上你有27次运行，而实际上很多不同的时间点在不同的时间都是相同的条件。你是否以某种方式偏向其他2个因素（温度和pH值）的结果这样做？或者这是否可以接受并被认为可以提高实验效率？
Re：DSDs和稀疏效应原理这一切都取决于您如何查看生产长度。它是影响结果的因素（输入）还是重复测量设计？在优化或确定设计空间中的窗口时，您会选择一个级别吗？这是一个因素。
你对时间课程感兴趣吗？如果是这样，那么你可以使用JMP Pro Functional Data Explorer，虽然三点不是很多功能。或者你可以使用另一个模型作为Y（时间），如果你有JMP，可以使用模型参数作为响应。无论哪种方式，它都是响应的一部分。
偏见是一个典型的东西，而不是设计的东西。（当然，设计必须支持任何相关模型。）
效率是一个典型的东西，经济是一个设计的东西。
Re：DSDs和稀疏效应原理 @markbailey 这绝对是一个因素。是的，我们会尝试为它定义流程限制（确定一个窗口）。所以你说在这种情况下，它需要在设计中成为它自己的因素，不在设计中包含它并简单地采用时间过程样本是不合适的。但我不清楚为什么会这样。采用时间课程样本，然后进行实验后，只需将数据添加回来就像是自己的因素一样，会出现什么问题？在我的3个因子的例子中，这看起来像复制和粘贴你的3 x 3设计两次，并添加一个新的时间列，你有t1，t2和t3为每组3 x 3条件。然后用结果填写响应列，其中t1行包含第一个时间点的结果，t2行包含下一个时间点的结果等。是因为当您拟合模型时，对于任何给定因子，您的数据点之间存在独立性假设吗？那么当你采取时间进程时，你的t3样本并不是独立于你的t2？
Re：DSDs和稀疏效应原理您选择的10个因素是否来自同一个流程步骤。 通常，生物制药过程是多步骤的（细胞裂解，澄清/ TFF，重折叠，色谱纯化，缓冲液交换......）。 如果10个因素分散在几个步骤中，那么DSD的一个很好的优势是它们可以投射到任何3个因子的响应曲面设计中，即使有4个因素，您也可以建立一个不错的预测模型。 而且，在这些过程中，来自一个步骤的因素不直接与来自另一个步骤的因素相互作用。 可以“间接”地相互作用，因为来自1步骤的输出（可能取决于来自该步骤的因素）是另一步骤的输入。 然而，这种“间接”交互通常小于任何过程因素效应。
假设步骤1有3个因子，步骤2有3个因子，步骤3有4个因子。 然后，您可以在整个过程中运行DSD（步骤1-3），在每个步骤中表征和测量产品质量，并构建许多不同的模型。
A.在步骤1之后预测产品质量的模型
B.在步骤2之后预测产品质量的模型。 您可以使用步骤1中的结果质量测量值作为此模型中的协变量。
C.在步骤3之后预测产品质量的模型。 您可以使用步骤1或步骤2中得到的质量测量值作为此模型中的协变量。
做这种工作时不要忘记考虑阻止。 通常该块与用于测量实验中出来的材料的分析运行相关联，并且您可以阻止“分析运行”的实验以解释将来自分析的任何潜在偏差或混淆。
所有这一切，我肯定会预算进行实验，因为DSD通常不会向您提供有关该过程的所有信息，或者您可能发现您没有选择最佳实验范围等...
Re：DSDs和稀疏效应原理请不要'把话放在嘴里。'我没有说你把时间作为回应的一部分的想法是“不合适的”。这根本不是我会做的。既然没有'什么'，就没有'为什么'。
你认为在组合方面。我会说你是设计导向 。我认为就估计而言。我说我是型号为导向 。两种方向都有效，一种方式不必解释自己或以另一种方式证明自己。（我在一个从两个方向接近实验的小组中工作。）只要实验的设计，实验的执行运行以及数据分析（模型）是一致的，你提出的任何东西都无法工作。。我从模型开始。你从设计开始。
独立问题是真实的。您建议进行重复测量实验，但将其分析为完全随机的因子设计。统计模型具有固定和随机效应的某种组合，应该反映数据的生成方式以及您想要了解的响应。您正在创建一系列具有两个固定因子的整体图，以观察第三个因素。每个图中的3个观察结果以这种方式相关。
Re：DSDs和稀疏效应原理谢谢 @MathStatChem 。不幸的是，没有它是同一步骤（细胞培养生产）的10个因素。我绝对不相信所有10个都很重要，但它可能会像4-6（尽管mayb甚至更少）。我们只是不确定，因为我们没有这个过程的大量数据。
Re：DSDs和稀疏效应原理 @markbailey 谢谢你的帮助。我并没有试图把话语放在嘴里，只是想弄清楚你说的是什么。我想我现在明白了。
Re：DSDs和稀疏效应原理小心。
这不仅仅是应该考虑的多个处理步骤之间的因素之间的潜在相互作用。早期步骤可能代表对涉及后续步骤中的因素的运行随机化的限制。如果是这种情况，则DSD不合适。定制设计具有适当定义的难以改变且非常难以改变的因素可能更加真实和有效。
不正确地考虑多级随机化并忽略模型中的额外随机效应可能会损害分析中的推论信息。
如果我误解了你的建议，我道歉。
Re：DSDs和稀疏效应原理那是个很好的观点。 如果您不打算在整个步骤中携带材料，那么对于这么多因素，您可能最好分别表征每个步骤。
我已经做到了两个方面。
Re：DSDs和稀疏效应原理我猜你已经对什么是重要的以及可能存在的交互有了一个很好的想法。
如果您还没有，那么制作“互动”地图可能会很好。 只需浏览每对因素并评估您是否认为他们会互动。 您还可以考虑在设计范围的中间是否会有最大或最小输出结果。 如果这是真的，那么你可能还会有至少一个二次效应。 然后计算主效应（在这种情况下为10）和潜在重要的相互作用和二次效应的数量，并确保该数字小于实验中的运行次数。 您还可以检查两个因子相互作用是否彼此强相关，如果是，您可以对DOE列的因子分配进行一些改组。 在这种情况下增加+4额外运行（10个连续因素）的另一个优点是它创建了一个设计，在双因素交互和四边形效应之间减少了混淆。
Re：DSDs和稀疏效应原理我在阅读完所有内容后回复此处 @markbailey 和 @MathStatChem 的输入。我同意他们建议或讨论的一切。我的建议是“慢慢来”。从“第一次”实验开始......我认为我们都建议使用DSD，如果这对您有逻辑作用，以及从实验设计的角度来看。在DSD之后我建议的是它的结果（统计和实际）是......暂停。与您的团队深呼吸。提出以下问题：
1。我们学到了什么来解决手头的实际问题？
2。根据我们所学到的，解决问题的下一个合乎逻辑的步骤是什么？
答案1。可能是多重的，相互冲突的，或者只是毫无用处（但即便如此，当一个实验表明'没有'通知我们所有人时，我与之合作的一位圣人工程师，“嘿，知道'不'可以和知道一样有价值一个'是'。“在这一点上尽量不要选择特定的DOE方法（最佳设计，经典RSM，更多筛选）。相反，将这个难以获得的“新”知识与最佳的下一个分析步骤相匹配。我认为这是马克评论的精髓。DOE或其他。例如，如果您了解到您的“药物效应”测量系统（这似乎是最重要的）是非常嘈杂的，那么很难检测到高于噪音的信号？后续的DOE工作仍然可能存在问题...也许它的资源最好先花在测量系统上？或者如果你选择的某些因素和水平是不安全的呢？“Persnickety”是我在实验中的因素难以控制，设定或具有许多已知和未知的变异来源时使用的技术术语。多年来与我的生物技术JMP工艺/产品设计客户合作......任何时候他们都与'细胞'合作......好'持久'是礼貌的。
Re：DSDs和稀疏效应原理谢谢。我想我现在已经很好地了解了前进的道路，并计划将DSD作为第一次使用。
