Gli amici che sono impegnati nello sviluppo del processo non sono estranei al DOE. DOE è una scienza sperimentale Apportando alcune modifiche mirate all'input (variabile predittore X) nell'esperimento e osservando i cambiamenti nell'output (variabile di risposta Y), in modo da studiare alcuni effetti dei cambiamenti in X sull'output di Y , e stabilire un modello per X Relazione e comprensione con Y.
DOE è solitamente in fase di sviluppo del processo, di solito in tre fasi.
- Innanzitutto, la fase di screening. Quello che dobbiamo capire è quali variabili predittive possono influenzare in modo significativo l'output Y e dobbiamo trovare rapidamente queste variabili predittive più importanti.
- Su questa base, il secondo passo è l'ottimizzazione, compresa l'ottimizzazione delle applicazioni di processo, così come gli esperimenti su PC, la ricerca sulla caratterizzazione dei processi, ecc. Il DOE può essere di grande aiuto per l'ottimizzazione dello sviluppo dei processi.
- L'ultimo è la ricerca sulla robustezza, ovvero come produrre prodotti di qualità in modo stabile ed efficiente. Se la capacità del processo è buona e se il processo è stabile, possiamo avere una migliore comprensione del processo attraverso il DOE.
Questi sono i tre principali aspetti applicativi del DOE nel processo di sviluppo del processo. Quindi, nel processo di sviluppo del processo, quali problemi vengono solitamente risolti applicando il DOE?
La prima è la coltura cellulare, che può essere coltura cellulare o fermentazione di cellule materiali, e la produzione di polipeptidi spesso richiede una certa digestione enzimatica e il DOE può anche essere applicato nel processo di digestione enzimatica. Inoltre, il DOE è anche uno strumento molto utile nello sviluppo del processo di cromatografia nei processi a valle e persino nello sviluppo di metodi analitici, come lo sviluppo del metodo HPLC. In alcuni processi, dobbiamo eseguire processi di cristallizzazione e precipitazione e anche il DOE è relativamente comune. Se esteso all'intero processo produttivo, il DOE trova largo impiego anche nel processo di preparazione.
Pertanto, si può vedere che il DOE è ampiamente utilizzato nell'intero processo di sviluppo del processo. Tutti comprendono anche l'importanza del DOE, ma in realtà, quando si utilizza il DOE per lo sviluppo del processo, ci sono alcune precauzioni o punti imprevisti che vengono facilmente trascurati.Oggi daremo uno sguardo ad alcuni di quelli nel processo di utilizzo del DOE Fattori chiave, o considerazioni che spesso vengono trascurate da tutti.
Il primo è l'intervallo di Input, ovvero l'intervallo di selezione di X.
In generale, vogliamo che l'intervallo X sia più ampio. Come mostrato nelle due figure seguenti, quando l'errore del sistema sperimentale è un valore fisso, l'intervallo è impostato più stretto e la fluttuazione del modello ottenuto sarà naturalmente ampia. Se la portata è più ampia, la stabilità del modello sarà migliore. Quindi le persone di solito tendono a scegliere una gamma più ampia quando scelgono una gamma. Ma ciò che deve essere ricordato qui è che, specialmente quando si eseguono esperimenti biologici, l'ampiezza dell'intervallo di X deve essere selezionata in un punto adatto. Se impostato troppo largo, potrebbero sorgere alcuni problemi.
Ad esempio, l'intervallo del grafico a sinistra è più appropriato. Se scegli i punti centrali di basso valore e di alto valore, puoi creare un modello attraverso questi tre punti dati per cercare di capire com'è il mondo reale. Si può vedere che il modello ottenuto si adatta meglio alla situazione reale. Tuttavia, se l'intervallo selezionato è troppo ampio, può verificarsi la seconda situazione, ovvero vengono selezionati il valore basso, il valore alto e il punto centrale. Ma nel mondo reale, quando il suo picco appare in un intervallo relativamente ristretto, cioè la linea nera nella figura, se è la situazione reale, la linea rossa adattata sarà distorta. Cosa significa? Potrebbe essere che questa variabile predittiva probabilmente non influisca molto su Y perché i punti basso, mediano e centrale non differiscono molto, ma in realtà potresti perdere un parametro molto importante.
Quindi come trovare una gamma più adatta? Si suggerisce di utilizzare le proprie conoscenze biologiche, ad esempio, per avere prima una comprensione preliminare dell'esperimento che si desidera eseguire, in modo da non scegliere un intervallo particolarmente inappropriato quando si arriva. Ad esempio, quando si esegue la cromatografia di anioni e cationi, si sceglie contemporaneamente il pH per la cromatografia nei punti isoelettrici superiore e inferiore.Quando la proteina attraversa il punto isoelettrico, molti dei suoi comportamenti sono diversi durante la cromatografia di. In questo momento, la gamma di risultati selezionati potrebbe essere troppo ampia e questo risultato renderà le persone difficili da spiegare. Quando a volte i risultati sono completamente contrari alla tua comprensione biologica, potrebbe essere necessario tornare indietro e controllare dove non è appropriato, uno dei quali è la selezione dell'ambito.
Il secondo è la valutazione del modello.
Quando utilizziamo il DOE, specialmente per i professionisti che non hanno un background statistico, a volte è più facile affidarsi eccessivamente al software, inserire direttamente i dati e utilizzarli direttamente dopo aver adattato un modello. In effetti, questo modello può essere utilizzato ed è efficace? Se non pensi di più a questo posto, potresti trarre una conclusione un po' sbagliata. Pertanto, prima di tutto, è necessario valutare se il modello è buono, quindi adattare il modello e riadattarlo, che in realtà è un processo progressivo.
Ad esempio, quanto sono riproducibili i dati originali? Ci sono valori anomali? Questo modello è un modello che vale la pena testare? Se esiste un valore anomalo, questo valore anomalo è un valore anomalo puro o è un punto razionale significativo? A volte può essere perché l'intervallo è selezionato in modo diverso.Alcuni valori anomali sono ripetibili.Potrebbe davvero significare qualcosa.Se vedi valori anomali e semplicemente li elimini, perderai la scoperta.Opportunità per alcune nuove informazioni sconosciute. Inoltre, mancano parametri chiave? Se questo parametro non è stato trovato, i dati che potrebbero essere prodotti potrebbero aver regolato molto X ma avere un impatto minimo su Y. Ciò potrebbe essere dovuto al fatto che alcuni parametri che hanno un grande impatto su Y non sono stati trovati. Inoltre, con la X che scegli, c'è qualche interazione tra i diversi parametri? Se hanno curve e così via sono tutti fattori che devono essere considerati nella valutazione del modello.
JMP fornisce uno strumento di valutazione del modello molto ricco.La figura seguente è relativamente comune.In realtà, è molto più di questo. Si consiglia di completare la valutazione del modello prima di eseguire ulteriori analisi dei dati.
Il terzo è la selezione dell'uscita (Y).
Quando si tratta della scelta di Y, potresti pensare che ciò che deve essere studiato, basta definirlo come Y, questo è molto semplice. Ma in alcuni casi, devi pensare attentamente a come scegliere Y.
Ad esempio, se vogliamo sviluppare un processo cromatografico, speriamo che la proteina target e le impurità possano essere separate meglio e speriamo di scegliere un metodo cromatografico con un buon effetto di separazione. L'effetto di separazione è buono, infatti, ci sono diverse Y che si possono fare.
- La percentuale dell'area del picco del picco principale. Se le impurità sono ben separate, la percentuale dell'area del picco principale dovrebbe essere bassa, più bassa è, meglio è. È una dimensione.
- La risoluzione tra diversi picchi sarà fornita sull'interfaccia cromatografica. Maggiore è la risoluzione, migliore sarà la tua risoluzione. Anche questa è una dimensione.
- Un altro è l'altezza del trogolo. Cioè, qual è l'altezza della depressione tra i due picchi. Minore è l'altezza, migliore è la separazione.
Tutte le dimensioni di cui sopra possono aiutarci a valutare se l'effetto cromatografico è buono o meno e quale è migliore tra i diversi metodi cromatografici. Di fronte a diversi obiettivi di separazione, quale usare come Y non è lo stesso. Per il primo caso a sinistra, non importa quale scegli come Y, perché possono riflettere meglio i vantaggi e gli svantaggi dell'effetto di separazione cromatografica. Ma per il secondo caso, troveremo quale standard è usato come Y, l'effetto di separazione, cioè la deviazione calcolata dai dati è relativamente grande. In questo caso, è effettivamente più appropriato utilizzare C per separare e analizzare i dati. Quindi questo si riflette in particolare nello sviluppo del metodo di cromatografia dominante. Quando sviluppiamo metodi di analisi HPLC, molte aziende utilizzano anche metodi DOE e spesso si discute su quale sia il migliore come Y.
Per riassumere, vorrei ricordare a tutti che non importa quale sia usato come Y, non rinunciare a estrarre i dati originali e vedere quale Y è veramente adatto, in modo che la validità dei dati sia migliore. Diamo un'occhiata a un piccolo caso.
Queste due tabelle registrano le diverse condizioni provate durante lo sviluppo del processo, inclusi PA1-PA3, PA4-PA6.Se guardi solo i risultati, scoprirai che non c'è molta differenza, indicando che il processo è molto stabile. È davvero così? Diamo un'occhiata ai dati originali: dal punto di vista della forma del picco, i risultati di 123 non sono molto diversi e 3 è leggermente superiore. Osservando nuovamente la forma del picco del 456, la forma del picco del 6 è completamente diversa da quella del 4 e del 5. Alla fine cosa è successo? Ciò richiede che tu scavi i tuoi esperimenti. In molte aziende, R&S è un team e test è un altro team.A volte, quando l'esperimento non viene eseguito dagli stessi sviluppatori di processo, i dati originali possono essere ignorati e si guarda solo alla conclusione. Se non guardi il materiale originale, perderai molte domande. Indipendentemente dal fatto che il materiale originale sia "sorpresa" o "spavento", devi leggerlo presto e conoscerlo.
Quarto, regressione e complessità del modello.
Quando eseguiamo il fitting, speriamo tutti che R 2 Più alto è, meglio è. Deve essere più alto meglio è? Non necessariamente.
Prendiamo un caso famoso (il quartetto di Anscombe), ci sono un totale di 4 grafici, tutti con la stessa R 2 , si può vedere che sono diversi. Ne abbiamo presi 2 qui. Se la situazione reale è lineare, il primo grafico utilizza il metodo dei minimi quadrati per ottenere R 2 È più realistico e lineare. Ma se il software viene utilizzato per adattare il secondo grafico con il metodo dei minimi quadrati, la R di questo grafico 2 Per essere migliore. Se non guardi i dati originali, non fare la valutazione del modello e guarda solo R 2 , il secondo grafico verrà utilizzato per fare previsioni e i risultati previsti si discosteranno notevolmente. Pertanto, r 2 Non è che più alto è meglio. In secondo luogo, dobbiamo prestare attenzione ai valori anomali e quindi valutare se eliminarli.
Quindi, più complesso è il modello, meglio è?
Gli stessi dati, se la situazione reale è lineare, il primo modo per adattare la R 2 SÌ 0,96. Se l'inseguimento eccessivo di R 2 , può fare X 6 , adatta con forza ogni punto al meglio, cioè R 2 vicino a 1.Quindi quale è più predittivo? Ovviamente il primo. Perché il primo riflette maggiormente le fluttuazioni della situazione reale. Quindi non inseguire R 2 L'adattamento forzato è migliore, apparentemente migliore, ma in realtà meno predittivo.
Quinto, carattere distintivo ed equivalenza.
Quando creiamo un modello, di solito speriamo di trovare 1 o 2 variabili predittive significative che possano influenzare Y. A volte troviamo, ad esempio, 1 punto centrale, 3 ripetizioni e la condizione. L'analisi della significatività rivela che tutte le variabili predittive e le loro permutazioni sono meno significative. La relazione tra X e Y non è troppo forte. Questo significa che le informazioni sono sprecate? Non necessariamente.
Prima di tutto, dobbiamo vedere se la ripetibilità dei tre è buona o meno. Dalla comprensione dell'esperimento stesso, possiamo vedere se le tre ripetizioni dovrebbero avere fluttuazioni? Vale a dire, prima di tutto, dipende dal fatto che le fluttuazioni ripetute nell'esperimento siano simili alle fluttuazioni previste. Se la fluttuazione questa volta è molto più alta della fluttuazione prevista, significa che l'esperimento non è stato fatto bene e l'esperimento deve essere ripetuto. Se le tre deviazioni sperimentali sono relativamente vicine alla deviazione attesa, tale fluttuazione è accettabile? È possibile trovare dati regolari e significativi in tali fluttuazioni? Se riesci ancora a trovarlo, esegui l'esperimento; in caso contrario, significa che la fluttuazione stessa del sistema è relativamente grande. In questo momento, è necessario considerare che questo esperimento non è adatto a un sistema con fluttuazioni così grandi per trovare la legge attraverso DOE. In altre parole, se questa fluttuazione è ancora adatta per trovare la legge attraverso il DOE.
Se è ancora un buon adattamento, i dati sono sempre gli stessi, indicando che il numero di X studiato non influisce in modo significativo su Y. Ci possono essere due situazioni: una è che c'è ancora una X significativa, ma non è stata trovata, e quelle trovate finora non sono importanti; la seconda situazione è che diverse variabili predittive che possono influenzare maggiormente Y nel processo hanno stato scoperto Nessuno di loro influisce molto su Y. Congratulazioni, dimostra che questo processo è molto robusto.
Pertanto, non diciamo necessariamente che R 2 Quanto deve essere alto e deve essere trovato il significato, questo esperimento è un buon esperimento. Quando escludi i problemi precedenti, anche se non viene trovata alcuna X significativa, anche questo esperimento è un buon esperimento. Naturalmente, quando non si sa molto del sistema, potrebbe essere necessario confermare alcuni punti estremi prima di giudicare la validità dei dati.
Infine, diamo un'occhiata alla valutazione dell'equivalenza. Quando si esegue la valutazione dell'equivalenza, di solito si spera di ottenere conclusioni equivalenti. Prendendo quanto segue come esempio, il tasso di recupero è stato testato per 3 volte e i risultati della produzione di 200 litri sono stati confrontati con il metodo TOST, ed è stato riscontrato che soddisfaceva lo standard di giudizio, quindi è stato giudicato equivalente. A volte scopriamo anche che i risultati non sono equivalenti, ma non tutte le disuguaglianze sono dati privi di significato.
Ad esempio, i tre risultati di 2000 L prodotti dal monomero ei tre risultati del modello ridotto, se giudicati in base alle statistiche, si trova che i risultati non sono equivalenti. Torniamo al materiale originale per vedere cosa è successo. Infatti, dal punto di vista degli sviluppatori di processo, le differenze tra i sei dati e i metodi di rilevamento sono molto vicine, indicando che non vi è alcuna differenza significativa tra loro. Ma se si registrano semplicemente i dati nel software, il software non comprende il processo alla base e non comprende l'errore di fluttuazione del metodo di analisi, quindi il calcolo non sarà equivalente. Pertanto, quando scopriamo che i risultati non sono equivalenti, non dovremmo trarre conclusioni alla leggera, ma dovremmo interpretare questi risultati in combinazione con il nostro bagaglio di conoscenze professionali per ottenere conclusioni e giudizi più oggettivi.
DOE è ampiamente utilizzato nello sviluppo dei processi ed è anche uno strumento estremamente potente.Tuttavia, ci sono anche i suddetti malintesi che sono spesso trascurati nell'applicazione e devi prestare attenzione ad esso.Spero che questo articolo possa ispirare e imparare da te.
