Les amis qui sont engagés dans le développement de processus ne sont pas étrangers au DOE. Le DOE est une science expérimentale. En apportant des modifications délibérées à l'entrée (variable prédictive X) dans l'expérience et en observant les modifications de la sortie (variable de réponse Y), afin d'étudier certains effets des modifications de X sur la sortie de Y , et établir un modèle pour X Relation et compréhension avec Y.
Le DOE est généralement en cours de développement de processus, généralement en trois phases.
- Tout d'abord, l'étape de dépistage. Ce que nous devons comprendre, c'est quelles variables prédictives peuvent affecter de manière significative la sortie Y, et nous devons trouver rapidement ces variables prédictives les plus importantes.
- Sur cette base, la deuxième étape est l'optimisation, y compris l'optimisation des applications de processus, ainsi que les expériences PC, la recherche de caractérisation des processus, etc. Le DOE peut être d'une grande aide pour l'optimisation du développement des processus.
- Le dernier est la recherche de robustesse, c'est-à-dire comment produire des produits de qualité de manière stable et efficace. Que la capacité du processus soit bonne et que le processus soit stable, nous pouvons avoir une meilleure compréhension du processus grâce au DOE.
Ce sont les trois principaux aspects d'application du DOE dans le processus de développement de processus. Ainsi, dans le processus de développement de processus, quels problèmes sont généralement résolus en appliquant le DOE ?
La première est la culture cellulaire, qui peut être une culture cellulaire ou une fermentation de cellules matérielles, et la production de polypeptides nécessite souvent une certaine digestion enzymatique, et le DOE peut également être appliqué dans le processus de digestion enzymatique. En outre, le DOE est également un outil très utile dans le développement de processus de chromatographie dans les processus en aval, et même le développement de méthodes analytiques, telles que le développement de méthodes HPLC. Dans certains processus, nous devons effectuer des processus de cristallisation et de précipitation, et le DOE est également relativement courant. S'il est étendu à l'ensemble du processus de production, le DOE est également largement utilisé dans le processus de préparation.
Par conséquent, on peut voir que le DOE est largement utilisé dans l'ensemble du processus de développement de processus. Tout le monde comprend également l'importance du DOE, mais en fait, lors de l'utilisation du DOE pour le développement de processus, il y a des précautions ou des points inattendus qui sont facilement négligés. ou des considérations qui sont souvent négligées par tout le monde.
Le premier est la plage d'entrée, c'est-à-dire la plage de sélection de X.
D'une manière générale, nous voulons que la plage X soit plus large. Comme le montrent les deux figures suivantes, lorsque l'erreur du système expérimental est une valeur fixe, la plage est définie plus étroite et la fluctuation du modèle obtenu sera naturellement importante. Si la plage est plus large, la stabilité du modèle sera meilleure. Ainsi, les gens ont généralement tendance à choisir une gamme plus large lors du choix d'une gamme. Mais ce qu'il faut rappeler ici, c'est que, surtout lors d'expériences biologiques, la largeur de la plage de X doit être sélectionnée à un point approprié. S'il est trop large, certains problèmes peuvent survenir.
Par exemple, la plage graphique à gauche est plus appropriée. Si vous choisissez les points centraux de faible valeur et de valeur élevée, vous pouvez créer un modèle à travers ces trois points de données pour essayer de comprendre à quoi ressemble le monde réel. On peut voir que le modèle obtenu correspond mieux à la situation réelle. Cependant, si la plage est sélectionnée trop large, la deuxième situation peut se produire, c'est-à-dire que la valeur basse, la valeur haute et le point central sont sélectionnés. Mais dans le monde réel, lorsque son pic apparaît dans une plage relativement étroite, c'est-à-dire la ligne noire sur la figure, si c'est la situation réelle, la ligne rouge ajustée sera déformée. Qu'est-ce que ça veut dire? Il se peut que cette variable prédictive n'affecte probablement pas beaucoup Y parce que les points bas, médian et central ne diffèrent pas beaucoup, mais il se peut qu'il vous manque un paramètre très important.
Alors comment trouver une gamme plus adaptée ? Il est suggéré que vous puissiez utiliser vos propres connaissances biologiques, par exemple, avoir d'abord une compréhension préliminaire de l'expérience que vous souhaitez réaliser, afin de ne pas choisir une gamme particulièrement inappropriée lorsque vous vous présenterez. Par exemple, lorsque vous effectuez une chromatographie anionique et cationique, vous choisissez le pH pour la chromatographie aux points isoélectriques supérieur et inférieur en même temps.Lorsque la protéine traverse le point isoélectrique, bon nombre de ses comportements sont différents au cours de la chromatographie. À l'heure actuelle, la gamme de résultats sélectionnés peut être trop large et ce résultat rendra les gens difficiles à expliquer. Lorsque parfois les résultats sont complètement contraires à votre compréhension biologique, vous devrez peut-être revenir en arrière et vérifier où cela n'est pas approprié, dont la sélection de la portée.
La seconde est l'évaluation du modèle.
Lorsque nous utilisons le DOE, en particulier pour les praticiens qui manquent de connaissances statistiques, il est parfois plus facile de trop s'appuyer sur un logiciel, d'insérer directement les données et de les utiliser directement après l'ajustement d'un modèle. En fait, ce modèle peut-il être utilisé, et le modèle est-il efficace ? Si vous ne réfléchissez pas davantage à cet endroit, vous pourriez tirer une conclusion un peu fausse. Par conséquent, tout d'abord, il est nécessaire d'évaluer si le modèle est bon, puis d'ajuster le modèle et de le réajuster, ce qui est en fait un processus progressif.
Par exemple, dans quelle mesure les données d'origine sont-elles reproductibles ? Existe-t-il des valeurs aberrantes ? Ce modèle est-il un modèle à tester ? S'il y a une valeur aberrante, cette valeur aberrante est-elle une pure valeur aberrante ou est-ce un point rationnel significatif ? Parfois, cela peut être dû au fait que la plage est sélectionnée différemment. Certaines valeurs aberrantes sont reproductibles. Cela peut vraiment signifier quelque chose. Si vous voyez des valeurs aberrantes et que vous les supprimez simplement, vous manquerez la découverte. Des opportunités pour de nouvelles informations inconnues. En outre, manque-t-il des paramètres clés ? Si ce paramètre n'a pas été trouvé, les données qui peuvent être produites peuvent avoir ajusté beaucoup de X mais avoir peu d'impact sur Y. Cela peut être dû au fait que certains paramètres qui ont un impact important sur Y n'ont pas été trouvés. De plus, avec le X que vous choisissez, y a-t-il une interaction entre les différents paramètres ? Qu'ils aient des courbes, etc., tous les facteurs doivent être pris en compte dans l'évaluation du modèle.
JMP fournit un outil d'évaluation de modèle très riche. La figure suivante est relativement courante. En fait, c'est bien plus que cela. Il est recommandé de terminer l'évaluation du modèle avant de procéder à une analyse plus approfondie des données.
Le troisième est la sélection de la sortie (Y).
En ce qui concerne le choix de Y, vous pouvez penser que ce qui doit être étudié, il suffit de le définir comme Y, c'est très simple. Mais dans certains cas, vous devez bien réfléchir à la façon de choisir Y.
Par exemple, si nous voulons développer un procédé de chromatographie, nous espérons que la protéine cible et les impuretés pourront être mieux séparées, et nous espérons choisir une méthode de chromatographie avec un bon effet de séparation. L'effet de séparation est bon, en fait, il y a différents Y qui peuvent être faits.
- Le pourcentage de surface de pic du pic principal. Si les impuretés sont bien séparées, le pourcentage de surface de pic du pic principal doit être faible, plus il est faible, mieux c'est. C'est une dimension.
- La résolution entre les différents pics sera fournie sur l'interface de chromatographie. Plus la résolution est grande, meilleure est votre résolution. C'est aussi une dimension.
- Un autre est la hauteur de l'auge. Autrement dit, quelle est la hauteur du creux entre les deux pics. Plus la hauteur est faible, mieux il se sépare.
Toutes les dimensions ci-dessus peuvent nous aider à évaluer si l'effet chromatographique est bon ou non, et lequel est le meilleur entre différentes méthodes chromatographiques. Face à différents objectifs de séparation, lequel utiliser comme Y n'est pas le même. Pour le premier cas à gauche, peu importe celui que vous choisissez comme Y, car ils peuvent mieux refléter les avantages et les inconvénients de l'effet de séparation chromatographique. Mais pour le deuxième cas, nous constaterons que quelle norme est utilisée comme Y, l'effet de séparation, c'est-à-dire que l'écart calculé à partir des données est relativement important. Dans ce cas, il est en fait plus approprié d'utiliser C pour séparer et analyser les données. Cela se reflète donc particulièrement dans le développement de la méthode de chromatographie dominante. Lorsque nous développons des méthodes d'analyse HPLC, de nombreuses entreprises utilisent également des méthodes DOE, et il y a souvent des discussions pour savoir laquelle est la meilleure en tant que Y.
Pour résumer, je voudrais rappeler à tous que peu importe lequel est utilisé comme Y, ne renoncez pas à extraire les données d'origine, et voyez quel Y est vraiment approprié, afin que la validité des données soit meilleure. Regardons un petit cas.
Ces deux tableaux enregistrent les différentes conditions essayées lors du développement du procédé, y compris PA1-PA3, PA4-PA6.Si vous ne regardez que les résultats, vous constaterez qu'il n'y a pas beaucoup de différence, ce qui indique que le procédé est très stable. Est-ce vraiment le cas ? Examinons les données d'origine. Du point de vue de la forme du pic, les résultats de 123 ne sont pas très différents et 3 est légèrement supérieur. En regardant à nouveau la forme de pic de 456, la forme de pic de 6 est complètement différente de celle de 4 et 5. Au final que s'est-il passé ? Cela vous oblige à creuser vos propres expériences. Dans de nombreuses entreprises, la R&D est une équipe et les tests une autre équipe.Parfois, lorsque l'expérience n'est pas menée par les développeurs de processus eux-mêmes, les données d'origine peuvent être ignorées et seule la conclusion est examinée. Si vous ne regardez pas le matériel source, vous manquerez beaucoup de questions. Que le matériel original soit "surprise" ou "effrayé", vous devez le lire tôt et le savoir.
Quatrièmement, régression et complexité du modèle.
Lorsque nous faisons du montage, nous espérons tous que R 2 Plus c'est haut, mieux c'est. Doit être plus élevé, mieux c'est? Pas nécessairement.
Regardons un cas célèbre (le quatuor d'Anscombe), il y a un total de 4 graphiques, tous avec le même R 2 , on voit qu'ils sont différents. Nous en avons ramassé 2 ici. Si la situation réelle est linéaire, le premier graphique utilise la méthode des moindres carrés pour rendre R 2 C'est plus réaliste et linéaire. Mais si le logiciel est utilisé pour ajuster le deuxième graphique avec la méthode des moindres carrés, le R de ce graphique 2 Pour être meilleur. Si vous ne regardez pas les données d'origine, ne faites pas d'évaluation de modèle et regardez simplement R 2 , le deuxième graphique sera utilisé pour faire des prédictions, et les résultats prédits dévieront considérablement. Par conséquent, R 2 Ce n'est pas que plus c'est mieux. Deuxièmement, nous devons prêter attention aux valeurs aberrantes, puis juger s'il faut les éliminer.
Alors, plus le modèle est complexe, mieux c'est ?
Les mêmes données, si la situation réelle est linéaire, la première façon d'ajuster le R 2 Oui 0,96. Si poursuite excessive de R 2 , peut faire X 6 , ajuster avec force chaque point au meilleur, c'est-à-dire R 2 proche de 1.Alors, lequel est le plus prédictif ? Evidemment l'ancien. Parce que le premier reflète davantage les fluctuations de la situation réelle. Alors ne poursuis pas R 2 L'ajustement forcé est meilleur, apparemment meilleur, mais en réalité moins prédictif.
Cinquièmement, caractère distinctif et équivalence.
Lorsque nous créons un modèle, nous espérons généralement trouver 1 ou 2 variables prédictives significatives pouvant affecter Y. Parfois, nous trouvons, par exemple, 1 point central, 3 répétitions et la condition. L'analyse de signification révèle que toutes les variables prédictives et leurs permutations sont moins significatives. La relation entre X et Y n'est pas trop forte. Cela signifie-t-il que l'information est gaspillée ? Pas nécessairement.
Tout d'abord, nous devons voir si la répétabilité des trois est bonne ou non. A partir de la compréhension de l'expérience elle-même, pouvons-nous voir si les trois répétitions doivent avoir des fluctuations ? C'est-à-dire, tout d'abord, cela dépend si les fluctuations répétées dans l'expérience sont similaires aux fluctuations attendues. Si la fluctuation cette fois est beaucoup plus élevée que la fluctuation attendue, cela signifie que l'expérience n'a pas été bien faite et qu'elle doit être répétée. Si les trois écarts expérimentaux sont relativement proches de l'écart attendu, une telle fluctuation est-elle acceptable ? Peut-on trouver des données régulières et significatives sous de telles fluctuations ? Si vous pouvez toujours le trouver, faites l'expérience ; sinon, cela signifie que la fluctuation du système elle-même est relativement importante. À ce stade, il faut considérer que cette expérience n'est pas adaptée à un système avec des fluctuations aussi importantes pour trouver la loi par DOE. En d'autres termes, si cette fluctuation est toujours appropriée pour trouver la loi par le biais du DOE.
Si c'est toujours un bon ajustement, les données sont toujours les mêmes, ce qui indique que le nombre de X étudiés n'affecte pas significativement Y. Il peut y avoir deux situations : la première est qu'il existe encore un X significatif, mais qu'il n'a pas été trouvé et que ceux trouvés jusqu'à présent ne sont pas importants ; la deuxième situation est que plusieurs variables prédictives susceptibles d'affecter le plus Y dans le processus ont Aucun d'entre eux n'affecte autant Y. Félicitations, cela montre que ce processus est très robuste.
Par conséquent, nous ne disons pas nécessairement que R 2 À quelle hauteur doit-il être, et la signification doit être trouvée, cette expérience est une bonne expérience. Lorsque vous excluez les problèmes précédents, même si aucun X significatif n'est trouvé, alors cette expérience est également une bonne expérience. Bien sûr, lorsque vous ne connaissez pas grand-chose au système, vous devrez peut-être confirmer certains points extrêmes avant de juger de la validité des données.
Enfin, regardons l'évaluation d'équivalence. Lors d'une évaluation d'équivalence, nous espérons généralement obtenir des conclusions équivalentes. En prenant ce qui suit comme exemple, le taux de récupération a été testé 3 fois et les résultats de la production de 200L ont été comparés à la méthode TOST, et il a été constaté qu'il répondait à la norme de jugement, il a donc été jugé équivalent. Parfois, nous constatons également que les résultats ne sont pas équivalents, mais toutes les inégalités ne sont pas des données sans signification.
Par exemple, les trois résultats de 2000 L produits par monomère et les trois résultats du modèle réduit, s'ils sont jugés selon les statistiques, on constate que les résultats ne sont pas équivalents. Revenons au matériel source pour voir ce qui s'est passé. En fait, du point de vue des développeurs de processus, les différences entre les six données et les méthodes de détection sont très proches, ce qui indique qu'il n'y a pas de différence significative entre elles. Mais si vous enregistrez simplement les données dans le logiciel, le logiciel ne comprend pas le processus sous-jacent et ne comprend pas l'erreur de fluctuation de la méthode d'analyse, de sorte que le calcul ne sera pas équivalent. Par conséquent, lorsque nous constatons que les résultats ne sont pas équivalents, nous ne devons pas tirer de conclusions à la légère. Nous devons interpréter ces résultats en combinaison avec nos propres connaissances professionnelles pour obtenir des conclusions et des jugements plus objectifs.
Le DOE est largement utilisé dans le développement de processus, et c'est aussi un outil extrêmement puissant. Cependant, il y a aussi les malentendus mentionnés ci-dessus qui sont souvent négligés dans l'application, et vous devez y prêter attention. J'espère que cet article pourra vous inspirer et apprendre de vous.
