プロセス開発に携わっている友人は、DOE をよく知っています。 DOE は一種の実験科学であり、実験で入力 (X 予測変数) に意図的な変更を加え、出力 (Y 応答変数) の変化を観察して、X の変化が出力に及ぼす影響を調べることによって行われます。 Y の X 関係と Y との理解のモデルを確立します。
DOE は通常、プロセス開発の段階にあり、通常は 3 つのフェーズに分けられます。
- まずは審査段階。理解する必要があるのは、どの予測変数が Y 出力に大きな影響を与える可能性があるかということであり、これらの最も重要な予測変数をすばやく見つける必要があります。
- これに基づいて、2 番目のステップは、最適化プロセスの適用、PC 実験、プロセス特性調査などを含む最適化です。DOE は、プロセス開発の最適化に大いに役立ちます。
- 最後はロバストネス研究、つまりどうすれば高品質の製品を安定的に効率よく生産できるかという研究です。プロセス能力が良好かどうか、プロセスが安定しているかどうか、DOE を通じてプロセスをよりよく理解することができます。
これらは、プロセス開発プロセスにおける DOE の 3 つの主要な適用側面です。では、プロセス開発プロセスにおいて、DOE を適用することで通常どのような問題が解決されるのでしょうか?
1つ目は細胞培養であり、細胞培養または材料細胞発酵であり、ポリペプチドの生産には多くの場合、酵素消化が必要であり、DOEは酵素消化プロセスにも使用できます。さらに、DOE は、ダウンストリーム プロセスでのクロマトグラフィーのプロセス開発、さらには HPLC メソッド開発などの分析メソッドの開発においても非常に有用なツールです。一部のプロセスでは、結晶化および沈殿プロセスを行う必要があり、DOE も比較的一般的です。製造工程全体に拡大すれば、DOEは製剤工程でも広く使われています。
したがって、DOE はプロセス開発プロセス全体で広く使用されていることがわかります。 DOEの重要性は誰もが理解していることですが、実はDOEをプロセス開発に利用する際に見落としがちな注意点や意外なポイントがあります. 今日はDOEキーを利用する過程でいくつかの注意点を見ていきましょう.誰もが見落としがちな要因、または考慮事項。
1つ目はInputの範囲、つまりXの選択範囲です。
一般的に言えば、X 範囲を広く設定する必要があります。次の 2 つの図に示すように、実験系の誤差が固定値である場合、範囲はより狭く設定され、得られるモデルの変動は当然大きくなります。範囲を広く設定すると、モデルの安定性が向上します。そのため、人々は通常、範囲を選択する際により広い範囲を選択する傾向があります。ただし、ここで注意しなければならないのは、特に生物学的実験を行う場合、X の範囲幅を適切なポイントに選択する必要があるということです。幅が広すぎると、問題が発生する可能性があります。
たとえば、左側のグラフ範囲の方が適切です。価値の低い中心点と価値の高い中心点を選択すると、これら 3 つのデータ ポイントからモデルを作成して、現実世界がどのようなものかを理解しようとすることができます。得られたモデルの方が実際の状況により適していることがわかります。ただし、選択した範囲が広すぎると、2 番目の状況が発生する場合があります。つまり、低い値、高い値、および中心点が選択されます。しかし現実の世界では、そのピークが比較的狭い範囲、つまり図の黒い線に現れる場合、実際の状況であれば、当てはめた赤い線は歪んでしまいます。どういう意味ですか？低点、中央値、および中心点があまり変わらないため、この予測変数は Y にあまり影響しない可能性がありますが、実際には非常に重要なパラメーターが欠落している可能性があります。
では、より適切な範囲を見つけるにはどうすればよいでしょうか。思いついたときに特に不適切な範囲を選択しないように、まず、実行したい実験を予備的に理解するなど、自分の生物学的知識を活用することをお勧めします。たとえば、陰イオンと陽イオンのクロマトグラフィーを行う場合、等電点の上限と下限で同時にクロマトグラフィーの pH を選択します.タンパク質が等電点を超えると、クロマトグラフィー中の多くの挙動が異なります.現時点では、選択された結果の範囲が広すぎる可能性があり、この結果を説明するのが難しく感じられます。結果があなたの生物学的理解に完全に反することがある場合、戻ってどこが適切でないかを確認する必要があるかもしれません。その 1 つはスコープの選択です。
2つ目は、モデルの評価です。
DOE を使用する場合、特に統計的背景のない専門家にとっては、ソフトウェアに過度に依存し、データを直接入力し、モデルをフィッティングした後に直接使用する方が簡単な場合があります。実際、このモデルを使用できますか? また、モデルは有効ですか?この場所についてもっと考えないと、少し間違った結論に達するかもしれません。したがって、まずモデルが良いかどうかを評価し、次にモデルを調整して再適合させる必要があります。これは実際には漸進的なプロセスです。
たとえば、元のデータの再現性はどの程度ですか?外れ値はありますか？このモデルはテストする価値のあるモデルですか?外れ値がある場合、この外れ値は純粋な外れ値ですか、それとも意味のある合理的な点ですか?場合によっては、範囲が異なって選択されていることが原因である可能性があります. いくつかの外れ値は再現可能です. それは本当に何かを意味するかもしれません. 外れ値を見つけて単にそれらを削除すると、発見を逃してしまいます. 未知の新しい情報を得る機会.また、欠落している重要なパラメーターはありますか?このパラメーターが見つからない場合、作成される可能性のあるデータは、X を大幅に調整したものの、Y にはほとんど影響を与えていない可能性があります。これは、Y に大きな影響を与えるいくつかのパラメーターが見つからなかったことが原因である可能性があります。また、選択した X では、異なるパラメーター間に相互作用はありますか?曲線の有無などは、モデル評価で考慮しなければならない要素です。
JMP は非常に豊富なモデル評価ツールを提供します. 次の図は比較的一般的なものですが, 実際にはそれよりもはるかに多い.さらにデータ分析を行う前に、モデルの評価を完了することをお勧めします。
3 つ目は、出力 (Y) の選択です。
Yの選択となると、何を研究すればいいのか、Yと定義すればいいと思うかもしれませんが、これは非常に簡単です。ただし、場合によっては、Y の選択方法を慎重に検討する必要があります。
例えば、クロマトグラフィーのプロセスを開発したいのであれば、目的のタンパク質と不純物をより良く分離できることを望み、分離効果の高いクロマトグラフィー法を選択したいと考えています。分離効果は良好です。実際、実行できるさまざまな Y があります。
- メインピークのピーク面積パーセンテージ。不純物が十分に分離されている場合、メインピークのピーク面積パーセンテージは低くなければならず、低いほど良いです。寸法です。
- 異なるピーク間の分解能は、クロマトグラフィー インターフェイスで提供されます。解像度が大きいほど、解像度が高くなります。これも次元です。
- もう一つはトラフの高さです。つまり、2 つの頂点の間の谷の高さです。高さが低いほど分離しやすい。
上記のすべての寸法は、クロマトグラフィー効果が良好かどうか、および異なるクロマトグラフィー手法間でどちらが優れているかを評価するのに役立ちます。さまざまな分離の目標に直面した場合、Y として使用するものは同じではありません。左の最初のケースでは、どちらを Y として選択しても問題ありません。これは、クロマトグラフィー分離効果の長所と短所をより適切に反映できるためです。しかし、2 番目のケースでは、どの標準を Y として使用するか、分離効果、つまりデータから計算される偏差が比較的大きいことがわかります。この場合、実際には C を使用してデータを分離して分析する方が適切です。したがって、これは特に主要なクロマトグラフィーメソッドの開発に反映されています。当社がHPLC分析法を開発する際、DOE法も多くの企業で採用されており、Yとしてはどちらが良いかという議論がよくあります。
まとめると、どの Y を使用しても元のデータのマイニングをあきらめず、どの Y が本当に適しているかを確認することで、データの妥当性が向上します。小さなケースを見てみましょう。
この2つの表は、PA1-PA3、PA4-PA6など、プロセス開発時に試したさまざまな条件を記録したもので、結果だけを見るとほとんど差がなく、非常に安定したプロセスであることがわかります。これは本当にそうですか？元のデータを見てみると、ピーク形状の観点から見ると、123 の結果はあまり変わらず、3 の方がわずかに高くなっています。 456 のピーク形状をもう一度見てみると、6 のピーク形状は 4 と 5 のピーク形状とはまったく異なります。結局どうしたの？これには、独自の実験を掘り下げる必要があります。多くの企業では、研究開発とテストは別のチームで行われていますが、実験がプロセス開発者自身によって行われていない場合、元のデータは無視され、結論だけが見られることがあります。ソース資料を見ないと、多くの問題を見逃してしまいます。原作が「驚き」であろうと「恐怖」であろうと、早く読んで知っておくべきです。
4 つ目は、回帰とモデルの複雑さです。
フィッティングを行うとき、R 2高いほど良い。高ければ高いほど良いですか？必ずしも。
有名なケース (アンスコムのカルテット) を見てみましょう。合計 4 つのグラフがあり、すべて同じ R 2 、それらが異なることがわかります。ここで2匹ピックアップ。実際の状況が線形の場合、最初のグラフは最小二乗法を使用して R を作成します2よりリアルで直線的です。しかし、ソフトウェアを使用して 2 番目のグラフを最小二乗法で適合させると、このグラフの R 2より良くなるために。元データを見ないならモデル評価はせずRだけ見て2 、2番目のグラフを使用して予測を行い、予測結果が大きく外れます。したがって、R 2高ければ良いというものではありません。第二に、外れ値に注意を払い、それらを排除するかどうかを判断する必要があります。
では、モデルが複雑であればあるほど良いのでしょうか?
同じデータで、実際の状況が線形の場合、R に適合する最初の方法2はい0.96。 Rを過度に追求すると2 、できます X 6 、各点を強制的に最適、つまり R に合わせます。 2 1に近い。では、どちらがより予測的ですか？明らかに前者。前者の方が実際の状況の変動を反映しているからです。だからRを追求しないでください2強制適合の方が優れており、明らかに優れていますが、実際には予測性が低くなります。
第五に、識別性と同等性。
モデルを作成するとき、通常、Y に影響を与える可能性のある 1 つまたは 2 つの重要な予測変数を見つけたいと考えています。たとえば、中心点が 1 つ、繰り返しが 3 つ、条件が見つかることがあります。有意性の分析により、すべての予測変数とその順列の有意性が低いことがわかります。 X と Y の関係はあまり強くありません。これは情報が無駄になっているということですか？必ずしも。
まず、3 つの再現性が良いかどうかを確認する必要があります。実験自体の理解から、3 回の繰り返しに変動があるべきかどうかがわかりますか?つまり、まず第一に、実験で繰り返される変動が予想される変動と似ているかどうかに依存します。今回の変動が予想された変動よりもはるかに大きい場合は、実験がうまく行われなかったことを意味し、実験を繰り返す必要があります。 3 つの実験偏差が予想偏差に比較的近い場合、そのような変動は許容できますか?このような変動の中で、規則的で意味のあるデータを見つけることができるでしょうか?それでも見つかる場合は実験を行い、見つからない場合はシステムの変動自体が比較的大きいことを意味します。このとき、DOE で法則を求めるためには、このような変動の大きい系にはこの実験が適していないことを考慮する必要があります。つまり、この変動が DOE を通じて法則を見つけるのに適しているかどうかということです。
それでも適合する場合、データは同じであり、研究対象の X の数が Y に大きな影響を与えないことを示しています。 2 つの状況が考えられます. 1 つはまだ有意な X が存在するが、それは発見されておらず、これまでに発見されたものは重要ではない. 2 番目の状況は、プロセスで Y に最も影響を与える可能性のあるいくつかの予測変数がY にそれほど影響を与えるものはありません. おめでとう, このプロセスが非常に堅牢であることを示しています.
したがって、必ずしも R とは言えません。 2それがどれだけ高くなければならないか、そしてその有意性を見つけなければならない、この実験は良い実験です。前の問題を除外すると、有意な X が見つからなくても、この実験も良い実験です。もちろん、システムについてよくわからない場合は、データの妥当性を判断する前に、いくつかの極端な点を確認する必要がある場合があります。
最後に、同等性評価を見てみましょう。同等性評価を行うとき、通常、同等の結論を得たいと考えています。以下を例に、回収率を3回試験し、200L生産した結果をTOST法と比較したところ、判定基準を満たしていることが判明したため、同等と判断しました。結果が等しくない場合もありますが、すべての不等式が無意味なデータというわけではありません。
例えば、2000 L の単量体の 3 つの結果と、縮小モデルの 3 つの結果は、統計的に判断すると、結果が同等ではないことがわかります。元の資料に戻って、何が起こったのか見てみましょう。実際、プロセス開発者の観点から見ると、6 つのデータと検出方法の違いは非常に近く、それらの間に大きな違いがないことを示しています。しかし、単にデータをソフトウェアに記録しただけでは、ソフトウェアはその背後にあるプロセスを理解しておらず、分析方法の変動誤差を理解していないため、計算は同等ではありません。したがって、結果が同等ではないことがわかった場合、軽々しく結論を下すのではなく、これらの結果を自分の専門知識の背景と組み合わせて解釈し、より客観的な結論と判断を得る必要があります。
DOE はプロセス開発で広く使われており、非常に強力なツールでもありますが、アプリケーションで見落とされがちな上記の誤解もありますので、注意を払う必要があります。そしてあなたから学びます。
