DSD y principio de escasez de efectoEsta es más una pregunta conceptual relacionada con los DSD y su dependencia de la escasez de efectos / principio de Pareto. Estoy tratando de crear un DoE para la caracterización de un bioprocesamiento para la fabricación de productos farmacéuticos. El objetivo es recopilar datos para los parámetros que hemos identificado, crear un modelo y usar el generador de perfiles de predicción en JMP para establecer límites para cada uno de los parámetros, de modo que no se produzcan "fallas" en, por ejemplo, 10,000 ejecuciones. Al seleccionar nuestros parámetros, hacemos un análisis de riesgo de todos los parámetros en nuestro proceso. Así que comenzamos con unos 40 parámetros. Luego los ordenamos y los clasificamos según el riesgo de impacto en los resultados del proceso. Después de clasificarlos, eliminamos la parte inferior ~ 80% de los parámetros, lo que nos deja con cerca de 10 factores para probar. Lo que siento curiosidad es si aún es apropiado asumir el principio de escasez de efectos en el que parece depender el DSD (si lo estoy entendiendo correctamente) en esta situación, ya que ya eliminamos lo que consideramos el fondo ~ 80% de los parámetros? ¿No debería ser significativa una gran parte de los factores restantes? Por supuesto, de los 40 parámetros con los que comenzamos, muchos de ellos eran menores y los incluimos solo para hacer nuestra debida diligencia.
Mi pregunta de seguimiento es si tenemos un presupuesto para probar ~ 48 condiciones, ¿sería mejor hacer un diseño personalizado y simplemente eliminar los efectos de interacción que no creo que sean importantes hasta que obtenga la N por debajo de 48? Un DSD solo requiere 25 condiciones para 10 factores continuos y, como no tengo mucha experiencia en la caracterización, me preocupa un poco que no proporcione datos suficientes para modelar con confianza dónde deberíamos poner nuestros límites de proceso si alguno de los rangos de parámetros Decidimos probar los resultados que se encuentran fuera de nuestras especificaciones de salida. Me doy cuenta de que siempre podríamos hacer un DSD y luego complementar si necesitamos más ejecuciones, pero esto sería menos eficiente para nosotros (ya que requeriría más bloques) que comenzar con un diseño que cuenta con 48 ejecuciones.
¡Gracias por tu ayuda!
Re: DSDs y principio de escasez de efectoEn el primer párrafo de sus comentarios iniciales, me parece que le preocupa que, en función de los 10 factores, la mayoría de ellos estarán activos. ¿Qué te dice tu proceso y experiencia en el dominio? ¿Tiene datos de procesos preexistentes que puede aprovechar utilizando la visualización de datos, análisis de datos exploratorios y técnicas de modelado simples a avanzadas para ayudar a informar sus conocimientos? Si realmente tiene CERO conocimiento de proceso / proceso, entonces creo que debería seguir la ruta DSD como PRIMER experimento para desarrollar ese conocimiento. A partir de ahí, con los recursos restantes, trabaje en la parte de optimización de su problema utilizando un segundo experimento. En la práctica, los nuevos equipos de desarrollo de productos / procesos en los que trabajé encontraron que el proceso secuencial del DOE es el más eficiente para resolver el problema práctico. Los DSD son, ante todo, diseños de SCREENING.
Re: DSDs y principio de escasez de efectoPrimero, gracias por su respuesta. Desafortunadamente, aunque tengo una buena idea de cuál de estos parámetros tendrá un impacto en los resultados del proceso que medimos constantemente, como el pH, el crecimiento celular, etc., estoy menos seguro de su impacto en el producto farmacéutico (y podrían haberlo hecho). un impacto, que es la razón por la que obtuvieron una puntuación más alta en nuestra evaluación de riesgos) y eso es algo que normalmente tenemos que investigar. No tenemos esos datos para este proceso específico. Entonces, según su respuesta suena como en este escenario, su recomendación es comenzar con un DSD y luego completar los efectos significativos con más ejecuciones. Más específicamente, ejecutaría el DSD, y luego usaría la herramienta de ajuste del modelo para eliminar uno por uno los efectos que no son estadísticamente significativos (corte alrededor de ~ p = 0.05 o cualquier corte claro alrededor de allí). Luego tomaría los efectos restantes y los pondría en el diseñador personalizado con las ejecuciones restantes que hemos presupuestado para obtener el mejor diseño posible. ¿Suena similar a cómo lo harías? ¡Gracias por tu ayuda!
Re: DSDs y principio de escasez de efectoLa idea del screening es separar el " Trivial muchos de los pocos vitales. . "
Consideraría agregar algunas corridas más por encima del número mínimo de ejecuciones en su DSD. JMP ahora tiene por defecto 4 ejecuciones adicionales. Podría considerar agregar 1 o 2 ejecuciones más. Este pequeño aumento mejorará dramáticamente la potencia de su diseño.
No, no haga obtenga su conocimiento del DSD o de cualquier otro experimento inicial y comience un experimento posterior con Diseño personalizado. Utilizar el Diseño de aumento plataforma. Esta plataforma utiliza el algoritmo de diseño personalizado, pero también utiliza sus ejecuciones existentes. De este modo, puede mejorar de forma incremental la potencia y el rendimiento predictivo de un diseño. Este enfoque es conocido como experimentación secuencial , que ha sido defendida durante casi cinco décadas.
(Por cierto, el DSD es un caso especial de diseño personalizado alias-óptimo).
Re: DSDs y principio de escasez de efectoRecomiendo usar la plataforma Fit Definitive Screening o la Regresión generalizada (JMP Pro) en lugar de Fit Least Squares.
Re: DSDs y principio de escasez de efectoHola @markbailey , gracias por tu ayuda. He jugado con la herramienta de diseño de aumento un poco antes. Me gustaría algo más de claridad sobre cómo diferenciar a los pocos vitales de los más triviales, aunque cuando use el diseño de aumento. Cuando presiona por primera vez en "Diseño de aumento", aparece una pantalla que le solicita que seleccione sus parámetros de respuesta y factor. Digamos que solo 4 de las 10 variables resultan significativas del experimento DSD inicial. ¿Debo seleccionar solo los 4 factores en esta pantalla? O si selecciono los 10, y luego en la siguiente pantalla, cuando solicite los términos modelo, debería comenzar a eliminar los términos que no son significativos, e incluir los efectos de interacción y los términos polinomiales en los que estoy interesado. ¿O estos hacen lo mismo?
Gracias
Re: DSDs y principio de escasez de efectoSolo traspasas los factores que decidas que están activos. Esa decisión podría no ser clara sobre todos los factores originales.
Sí, debe modificar los términos modelo para actualizarlos en función de sus conocimientos o preguntas actuales.
yo recomiendo Ayuda > Libros > Diseño de experimentos . Hay capítulos sobre detección, DSD y aumento de diseños.
Re: DSDs y principio de escasez de efectoGracias @markbailey . Una pregunta más rápida sobre un tema diferente. Digamos que tengo 3 factores, temperatura, pH y longitud de producción. Quiero ver el impacto en el producto farmacéutico producido. ¿Cuáles serían los aspectos negativos de diseñar un experimento con solo 2 factores (temperatura y pH) y tomar muestras de diferentes puntos de tiempo para representar la duración de la producción? Digamos que tiene 3 niveles para cada factor (y asumiremos factorial completo). Entonces 3 x 3 son 9 carreras. Para esas 9 carreras, tomas 3 puntos de tiempo cada uno. Bueno, cuando conectas esto en el software JMP, parece que en realidad tenías 27 carreras, cuando en realidad muchos de esos diferentes puntos de tiempo eran la misma condición solo en diferentes momentos. ¿Está sesgando de alguna manera los resultados de los otros 2 factores (temperatura y pH) que lo hacen de esta manera? ¿O es aceptable y se reconoce que hace que la experimentación sea más eficiente?
Re: DSDs y principio de escasez de efectoTodo depende de cómo se ve la longitud de producción. ¿Es un factor (entrada) influir en el resultado o es un diseño de medidas repetidas? ¿Seleccionaría un nivel al optimizar o determinar una ventana en el espacio de diseño para él? Ese es un factor.
¿Te interesa el curso de tiempo? Si es así, entonces puede usar el Explorador de datos funcionales de JMP Pro, aunque tres puntos no son una función muy importante. O puede usar otro modelo para la Y (hora) y usar los parámetros del modelo para las respuestas si tiene JMP. De cualquier manera, es parte de la respuesta.
El sesgo es una cosa modelo, no una cosa de diseño. (Por supuesto, el diseño debe ser compatible con cualquiera de los modelos en cuestión.)
La eficiencia es una cosa modelo, la economía es una cosa de diseño.
Re: DSDs y principio de escasez de efecto @markbailey Definitivamente es un factor. Sí, estaríamos intentando definir los límites del proceso (determinar una ventana). Entonces, en ese caso, está diciendo que tendría que ser su propio factor en el diseño, y sería inapropiado no incluirlo en el diseño y simplemente tomar muestras del curso de tiempo. Pero no me queda claro por qué es eso. ¿Cuál es el problema con tomar muestras del curso de tiempo y luego post-experimentación simplemente agregando los datos de nuevo como si fuera su propio factor? En mi ejemplo con los 3 factores, esto se vería como copiar y pegar su diseño 3 x 3 dos veces más, y agregar una nueva columna de tiempo donde tenga t1, t2 y t3 para cada conjunto de condiciones 3 x 3. Luego complete la columna de respuesta con sus resultados, donde las filas con t1 tienen los resultados de su primer punto de tiempo, y las filas con t2 tienen los resultados de su próximo punto de tiempo, etc. ¿Es porque cuando se ajusta a un modelo hay un supuesto de independencia entre sus puntos de datos para un factor determinado? Entonces, cuando tomas un curso de tiempo, ¿tu muestra de t3 no es independiente de tu t2?
Re: DSDs y principio de escasez de efectoSon los 10 factores que ha elegido para experimentar en todos en el mismo paso del proceso. Típicamente, los procesos de biofarma son de varios pasos (lisis celular, clarificación / TFF, replegamiento, purificación cromatográfica, intercambio de tampón, ...). Si los 10 factores se encuentran dispersos en varios pasos, una buena ventaja de DSD es que estos se proyectan en diseños de superficie de respuesta para 3 factores, e incluso si hay 4 factores, puede crear un buen modelo de predicción. Además, en este proceso, los factores de un paso no interactúan directamente con los factores de otro paso. El puede interactuar "indirectamente", ya que la salida de 1 paso (que puede depender de los factores de ese paso) es una entrada para otro paso. Sin embargo, esta interacción "indirecta" es a menudo más pequeña que cualquier efecto factor de proceso.
Digamos que el paso 1 tiene 3 factores, el paso 2 tiene 3 factores y el paso 3 tiene 4 factores. Luego puede ejecutar el DSD en el proceso completo (Pasos 1-3), caracterizar y medir la calidad del producto en cada paso y construir muchos modelos diferentes.
A. Un modelo para predecir la calidad del producto después del Paso 1
B. Un modelo para predecir la calidad del producto después del Paso 2. Puede usar las mediciones de calidad resultantes del Paso 1 como covariables en este modelo.
C. Un modelo para predecir la calidad del producto después del Paso 3. Puede usar las mediciones de calidad resultantes del Paso 1 o Paso 2 como covariables en este modelo.
No olvides considerar el bloqueo al hacer este tipo de trabajo. A menudo, el bloqueo está asociado con la ejecución analítica utilizada para medir el material que sale del experimento, y puede bloquear los experimentos en la "ejecución de ensayo" para tener en cuenta cualquier posible sesgo o confusión que se obtendrá del ensayo.
Dicho todo esto, definitivamente me quedaría con el presupuesto para seguir con los experimentos, ya que a menudo el DSD no le brinda toda la información que desea sobre el proceso, o puede descubrir que no eligió los mejores rangos para la experimentación, etc. ...
Re: DSDs y principio de escasez de efectoPor favor, no 'pongan palabras en mi boca'. No dije que su idea de tratar el tiempo como parte de la respuesta es "impropia". Simplemente no es lo que yo haría. Puesto que no hay "qué", no hay "por qué".
Piensas en términos de combinaciones. Yo diria que tu eres orientado al diseño . Pienso en términos de estimación. Yo digo que soy orientado al modelo . Ambas orientaciones funcionan y una manera no tiene que explicarse o justificarse a la otra manera. (Trabajo en un grupo que se acerca a los experimentos desde ambas direcciones.) No hay nada que haya propuesto que no funcionará siempre que el diseño del experimento, la ejecución de los experimentos y el análisis de datos (modelo) sean consistentes. . Comienzo con el modelo. Comienzas con el diseño.
El tema de la independencia es real. Está proponiendo realizar un experimento de medidas repetidas pero analizarlo como un diseño factorial completamente aleatorizado. Un modelo estadístico tiene una combinación de efectos fijos y aleatorios que deben reflejar cómo se generaron los datos, así como lo que desea saber sobre la respuesta. Está creando una serie de gráficos completos con los dos factores fijos para observar el tercer factor. Las 3 observaciones en cada parcela están correlacionadas de esta manera.
Re: DSDs y principio de escasez de efectoGracias @MathStatChem . Desafortunadamente, no hay 10 factores para el mismo paso del proceso (producción con cultivo celular). Definitivamente no creo que los 10 sean importantes, pero podría ser algo así como 4-6 (aunque quizás menos). Simplemente no estamos seguros porque no tenemos muchos datos con este proceso.
Re: DSDs y principio de escasez de efecto @markbailey gracias por tu ayuda. No estaba tratando de poner palabras en tu boca, solo estaba tratando de aclarar lo que estás diciendo. Creo que entiendo ahora.
Re: DSDs y principio de escasez de efectoTen cuidado.
Es más que posibles interacciones entre factores a través de más de un paso de procesamiento que deben considerarse. Es probable que los pasos iniciales representen una restricción en la aleatorización de las ejecuciones que involucran los factores en los pasos posteriores. Si ese es el caso, entonces un DSD no es apropiado. Un diseño personalizado con factores definidos como difíciles de cambiar y muy difíciles de cambiar probablemente sea más realista y efectivo.
Considerar incorrectamente los múltiples niveles de aleatorización e ignorar los efectos aleatorios adicionales en el modelo puede comprometer la información inferencial del análisis.
Pido disculpas si entendí mal su sugerencia.
Re: DSDs y principio de escasez de efectoEse es un buen punto. Si no va a llevar material a lo largo de todos los pasos, entonces para esa cantidad de factores, puede ser que sea mejor simplemente caracterizar cada paso por separado.
Lo he hecho de ambas maneras.
Re: DSDs y principio de escasez de efectoSupongo que ya tienes una buena idea sobre qué es importante y qué interacciones pueden estar presentes.
Si aún no lo ha hecho, podría ser bueno hacer un mapa de "interacción". Simplemente analice cada par de factores y evalúe si cree que van a interactuar. También puede considerar si habrá un resultado de salida máximo o mínimo en la mitad del rango de diseño. Si eso es cierto, entonces es probable que también tengas al menos un efecto cuadrático. Luego cuente los efectos principales (10 en este caso) y el número de interacciones potencialmente importantes y los efectos cuadráticos, y asegúrese de que el número sea menor que el número de ejecuciones en el experimento. También puede verificar si las interacciones de los dos factores están fuertemente correlacionadas entre sí, y si es así, puede hacer una mezcla de la asignación de los factores a las columnas del DOE. Otra ventaja de agregar las +4 ejecuciones adicionales en este caso (10 factores continuos) es que crea un diseño con menos confusión entre las interacciones de dos factores y los efectos cuadráticos.
Re: DSDs y principio de escasez de efectoEstoy respondiendo aquí después de leer todo @markbailey y @MathStatChem de entrada. Estoy de acuerdo con todo lo que están aconsejando o discutiendo. Mi recomendación fue 'ir despacio'. Comience con un "primer" experimento ... y creo que todos estamos sugiriendo un DSD si eso funciona logísticamente para usted, así como desde un punto de vista de diseño experimental. Lo que sugiero para después del DSD y sus resultados (estadísticos y prácticos) es ... Pausa. Respira hondo con tu equipo. Haga las siguientes preguntas:
1. ¿Qué hemos aprendido correctamente para resolver el problema práctico que nos ocupa?
2. Dado lo que hemos aprendido, ¿cuál es el siguiente paso lógico para resolver el problema?
Las respuestas a 1. puede ser múltiple, conflictivo o simplemente inútil (pero incluso entonces, uno de los sabios ingenieros con los que trabajé cuando un experimento demostró que "nada" nos informaba a todos, "Oye, saber un" no "puede ser tan valioso como saber y 'es' ". En este punto, trate de no envolverse demasiado al elegir un método DOE específico (diseño óptimo, RSM clásico, más pruebas de detección). En su lugar, ajuste el problema con este 'nuevo' conocimiento difícil de obtener a los próximos pasos analíticos óptimos. Creo que esta es la esencia de los comentarios de Mark. DOE o de otra manera. Por ejemplo, ¿qué sucede si descubre que su sistema de medición para el 'efecto de drogas', que parece ser primordial aquí, es extremadamente ruidoso, lo que dificulta la detección de una señal por encima del ruido? El trabajo posterior del DOE aún podría ser problemático ... ¿es posible que primero se inviertan los recursos en el sistema de medición? O, ¿qué pasa si algunos factores y los niveles que has elegido son delicados? "Persnickety" es un término técnico que utilizo cuando los factores en un experimento son difíciles de controlar, establecer o tienen muchas fuentes de variabilidad conocidas y desconocidas. Al trabajar con mis clientes de procesos / diseño de productos JMP biotecnológicos a lo largo de los años ... cada vez que trabajaron con 'células' ... bueno, 'la imprudencia' fue cortés.
Re: DSDs y principio de escasez de efectoGracias. Creo que ahora tengo una buena idea del camino a seguir y planearé usar un DSD como primera ejecución.
