Freunde, die in der Prozessentwicklung tätig sind, sind für DOE keine Unbekannten. DOE ist eine Art experimentelle Wissenschaft, indem einige gezielte Änderungen an der Eingabe (X-Prädiktorvariable) im Experiment vorgenommen und die Änderungen der Ausgabe (Y-Antwortvariable) beobachtet werden, um einige Auswirkungen von Änderungen in X auf die Ausgabe zu untersuchen von Y, und erstellen Sie ein Modell für die X-Beziehung und das Verständnis mit Y.
DOE befindet sich normalerweise in der Prozessentwicklung, normalerweise in drei Phasen.
- Zuerst die Screening-Phase. Was wir verstehen müssen, ist, welche Prädiktorvariablen die Y-Ausgabe erheblich beeinflussen können, und wir müssen diese wichtigsten Prädiktorvariablen schnell finden.
- Auf dieser Grundlage ist der zweite Schritt die Optimierung, einschließlich Optimierungsprozessanwendung, sowie PC-Experimente, Prozesscharakterisierungsforschung usw. DOE kann bei der Optimierung der Prozessentwicklung eine große Hilfe sein.
- Das letzte ist die Robustheitsforschung, also wie man Qualitätsprodukte stabil und effizient produziert. Ob die Prozessfähigkeit gut ist und ob der Prozess stabil ist, wir können den Prozess durch DOE besser verstehen.
Dies sind die drei Hauptanwendungsaspekte von DOE im Prozessentwicklungsprozess. Welche Probleme werden also im Prozessentwicklungsprozess normalerweise durch die Anwendung von DOE gelöst?
Die erste ist Zellkultur, die Zellkultur oder Materialzellfermentation sein kann, und die Produktion von Polypeptiden erfordert oft einen gewissen Enzymverdau, und DOE kann auch im Enzymverdauungsprozess verwendet werden. Darüber hinaus ist DOE auch ein sehr nützliches Werkzeug bei der Prozessentwicklung der Chromatographie in nachgelagerten Prozessen und sogar bei der Entwicklung analytischer Methoden, wie z. B. der HPLC-Methodenentwicklung. Bei einigen Prozessen müssen wir Kristallisations- und Ausfällungsprozesse durchführen, und DOE ist auch relativ häufig. Wird es auf den gesamten Produktionsprozess ausgeweitet, findet DOE auch im Aufbereitungsprozess breite Anwendung.
Daher ist ersichtlich, dass DOE im gesamten Prozessentwicklungsprozess weit verbreitet ist. Jeder versteht auch die Bedeutung von DOE, aber tatsächlich gibt es bei der Verwendung von DOE für die Prozessentwicklung einige Vorsichtsmaßnahmen oder unerwartete Punkte, die leicht übersehen werden können.Heute werfen wir einen Blick auf einige davon im Prozess der Verwendung von DOE Key Faktoren oder Überlegungen, die oft von allen übersehen werden.
Der erste ist der Eingabebereich, also der Auswahlbereich von X.
Im Allgemeinen möchten wir, dass der X-Bereich breiter eingestellt wird. Wie in den folgenden zwei Figuren gezeigt, wird der Bereich enger eingestellt, wenn der experimentelle Systemfehler ein fester Wert ist, und die Schwankung des erhaltenen Modells wird natürlich groß sein. Wenn der Bereich breiter eingestellt wird, ist die Stabilität des Modells besser. Daher neigen die Menschen bei der Auswahl eines Sortiments normalerweise dazu, ein breiteres Sortiment zu wählen. Hier muss jedoch daran erinnert werden, dass insbesondere bei biologischen Experimenten die Bereichsbreite von X auf einen geeigneten Punkt gewählt werden muss. Wenn die Einstellung zu weit ist, können einige Probleme auftreten.
Der Diagrammbereich auf der linken Seite ist beispielsweise besser geeignet. Wenn Sie die Mittelpunkte mit niedrigem und hohem Wert auswählen, können Sie anhand dieser drei Datenpunkte ein Modell erstellen, um zu versuchen, die reale Welt zu verstehen. Es ist ersichtlich, dass das erhaltene Modell besser zur tatsächlichen Situation passt. Wenn jedoch der Bereich zu weit gewählt wird, kann die zweite Situation auftreten, das heißt, der niedrige Wert, der hohe Wert und der Mittelpunkt werden ausgewählt. Aber in der realen Welt, wenn ihr Peak in einem relativ schmalen Bereich erscheint, d. h. die schwarze Linie in der Abbildung, wird die angepasste rote Linie verzerrt, wenn es sich um die reale Situation handelt. Was bedeutet das? Es könnte sein, dass diese Prädiktorvariable wahrscheinlich keinen großen Einfluss auf Y hat, da sich die niedrigen, mittleren und zentralen Punkte nicht stark unterscheiden, aber Ihnen könnte tatsächlich ein sehr wichtiger Parameter fehlen.
Wie findet man also ein geeigneteres Sortiment? Es wird empfohlen, dass Sie beispielsweise Ihr eigenes biologisches Wissen nutzen, um sich zunächst ein erstes Bild von dem Experiment zu machen, das Sie durchführen möchten, damit Sie nicht einen besonders ungeeigneten Bereich wählen, wenn Sie auftauchen. Wenn Sie beispielsweise Anionen- und Kationenchromatographie durchführen, wählen Sie den pH-Wert für die Chromatographie gleichzeitig am oberen und am unteren isoelektrischen Punkt.Wenn das Protein den isoelektrischen Punkt überschreitet, sind viele seiner Verhaltensweisen während der Chromatographie unterschiedlich. Zu diesem Zeitpunkt ist die Bandbreite der ausgewählten Ergebnisse möglicherweise zu groß, und dieses Ergebnis wird den Menschen das Gefühl geben, schwer zu erklären sein. Wenn die Ergebnisse manchmal Ihrem biologischen Verständnis völlig widersprechen, müssen Sie möglicherweise zurückgehen und prüfen, wo dies nicht angemessen ist, darunter die Auswahl des Bereichs.
Die zweite ist die Bewertung des Modells.
Wenn wir DOE verwenden, insbesondere für Praktiker ohne statistischen Hintergrund, ist es manchmal einfacher, sich zu sehr auf Software zu verlassen, die Daten direkt einzugeben und sie direkt nach dem Anpassen eines Modells zu verwenden. Kann dieses Modell tatsächlich verwendet werden, und ist das Modell effektiv? Wenn Sie nicht weiter über diesen Ort nachdenken, kommen Sie möglicherweise zu einem etwas falschen Schluss. Daher ist es zunächst notwendig, zu bewerten, ob das Modell gut ist, und dann das Modell anzupassen und neu anzupassen, was eigentlich ein fortschreitender Prozess ist.
Wie reproduzierbar sind beispielsweise die Originaldaten? Gibt es Ausreißer? Ist dieses Modell ein Modell, das es wert ist, getestet zu werden? Wenn es einen Ausreißer gibt, ist dieser Ausreißer ein reiner Ausreißer oder ein sinnvoller rationaler Punkt? Manchmal kann es daran liegen, dass der Bereich anders gewählt ist. Einige Ausreißer sind wiederholbar. Es kann wirklich etwas bedeuten. Wenn Sie Ausreißer sehen und sie einfach löschen, verpassen Sie die Entdeckung. Gelegenheiten für einige unbekannte, neue Informationen. Fehlen auch wichtige Parameter? Wenn dieser Parameter nicht gefunden wurde, haben die möglicherweise erzeugten Daten möglicherweise viel X angepasst, aber wenig Einfluss auf Y. Dies kann daran liegen, dass einige Parameter, die einen großen Einfluss auf Y haben, nicht gefunden wurden. Gibt es bei dem von Ihnen gewählten X auch eine Wechselwirkung zwischen den verschiedenen Parametern? Ob sie Kurven haben und so weiter, sind Faktoren, die bei der Modellbewertung berücksichtigt werden müssen.
JMP stellt ein sehr reichhaltiges Modellbewertungstool dar. Die folgende Abbildung ist relativ häufig, sie ist sogar weit mehr als das. Es wird empfohlen, dass Sie die Modellbewertung abschließen, bevor Sie mit der weiteren Datenanalyse beginnen.
Die dritte ist die Auswahl des Ausgangs (Y).
Wenn es um die Wahl von Y geht, denken Sie vielleicht, dass das, was studiert werden muss, einfach als Y definiert werden muss, das ist sehr einfach. Aber in einigen Fällen müssen Sie sorgfältig überlegen, wie Sie Y auswählen.
Wenn wir zum Beispiel ein Chromatographieverfahren entwickeln wollen, hoffen wir, dass Zielprotein und Verunreinigungen besser getrennt werden können, und wir hoffen, eine Chromatographiemethode mit einer guten Trennwirkung zu wählen. Der Trenneffekt ist gut, tatsächlich gibt es verschiedene Ys, die gemacht werden können.
- Der Peakflächenprozentsatz des Hauptpeaks. Wenn die Verunreinigungen gut getrennt sind, sollte der Peakflächenprozentsatz des Hauptpeaks niedrig sein, je niedriger desto besser. Es ist eine Dimension.
- Die Auflösung zwischen verschiedenen Peaks wird auf der Chromatographieschnittstelle bereitgestellt. Je größer die Auflösung, desto besser Ihre Auflösung. Auch das ist eine Dimension.
- Ein anderer ist die Höhe des Trogs. Das heißt, wie hoch ist die Mulde zwischen den beiden Spitzen. Je geringer die Höhe, desto besser trennt sie.
Alle oben genannten Dimensionen können uns dabei helfen, zu beurteilen, ob der chromatographische Effekt gut ist oder nicht, und was zwischen verschiedenen chromatographischen Methoden besser ist. Wenn man mit unterschiedlichen Trennungszielen konfrontiert wird, ist es nicht dasselbe, welches als Y zu verwenden ist. Für den ersten Fall links ist es eigentlich egal, welchen man als Y wählt, da sie die Vor- und Nachteile des chromatographischen Trenneffekts besser widerspiegeln können. Aber für den zweiten Fall werden wir feststellen, dass welcher Standard als Y verwendet wird, der Trenneffekt, also die aus den Daten errechnete Abweichung, relativ groß ist. In diesem Fall ist es eigentlich angemessener, C zum Trennen und Analysieren der Daten zu verwenden. Dies spiegelt sich insbesondere in der dominanten Methodenentwicklung der Chromatographie wider. Wenn wir HPLC-Analysemethoden entwickeln, verwenden viele Unternehmen auch DOE-Methoden, und es gibt oft Diskussionen darüber, welche besser als Y ist.
Zusammenfassend möchte ich alle daran erinnern, dass, egal welches als Y verwendet wird, das Mining der Originaldaten nicht aufgegeben wird und geschaut wird, welches Y wirklich geeignet ist, damit die Aussagekraft der Daten besser wird. Betrachten wir einen kleinen Fall.
Diese beiden Tabellen stellen die verschiedenen Bedingungen dar, die während der Prozessentwicklung ausprobiert wurden, einschließlich PA1-PA3, PA4-PA6.Wenn Sie sich nur die Ergebnisse ansehen, werden Sie feststellen, dass es keinen großen Unterschied gibt, was darauf hinweist, dass der Prozess sehr stabil ist. Ist dies wirklich der Fall? Betrachten wir die Originaldaten: Aus der Perspektive der Peakform sind die Ergebnisse von 123 nicht viel anders, und 3 ist etwas höher. Wenn man sich die Peakform von 456 noch einmal ansieht, ist die Peakform von 6 völlig anders als die von 4 und 5. Was ist am Ende passiert? Dies erfordert, dass Sie Ihre eigenen Experimente graben. In vielen Unternehmen ist F&E ein Team und das Testen ein anderes Team.Wenn das Experiment nicht von den Prozessentwicklern selbst durchgeführt wird, werden die Originaldaten manchmal ignoriert und nur die Schlussfolgerung betrachtet. Wenn Sie sich das Quellenmaterial nicht ansehen, werden Sie viele Fragen übersehen. Egal, ob das Ausgangsmaterial „Überraschung“ oder „Schrecken“ ist, man muss es früh lesen und kennen.
Viertens Regression und Modellkomplexität.
Wenn wir Anproben machen, hoffen wir alle, dass R 2 Je höher desto besser. Muss höher sein, desto besser? Nicht unbedingt.
Schauen wir uns einen berühmten Fall an (Anscombes Quartett), es gibt insgesamt 4 Graphen, alle mit demselben R 2 , man sieht, dass sie unterschiedlich sind. Wir haben hier 2 abgeholt. Wenn die reale Situation linear ist, verwendet der erste Graph die Methode der kleinsten Quadrate, um R zu bilden 2 Es ist realistischer und linearer. Aber wenn die Software verwendet wird, um den zweiten Graphen mit der Methode der kleinsten Quadrate anzupassen, das R dieses Graphen 2 Um besser zu sein. Wenn Sie sich die Originaldaten nicht ansehen, führen Sie keine Modellbewertung durch und schauen Sie sich nur R an 2 , wird das zweite Diagramm verwendet, um Vorhersagen zu treffen, und die vorhergesagten Ergebnisse werden stark abweichen. Daher R. 2 Es ist nicht so, dass höher besser ist. Zweitens müssen wir auf die Ausreißer achten und dann entscheiden, ob wir sie eliminieren.
Also, je komplexer das Modell, desto besser?
Die gleichen Daten, wenn die reale Situation linear ist, der erste Weg, um das R anzupassen 2 Ja 0,96. Wenn übermäßiges Streben nach R 2 , kann X 6 , passen Sie jeden Punkt mit Nachdruck an das Beste an, das heißt, R 2 knapp 1.Welches ist also vorausschauender? Offensichtlich ersteres. Denn ersteres spiegelt eher die Schwankungen der realen Situation wider. Also verfolge R nicht 2 Forced Fit ist besser, anscheinend besser, aber tatsächlich weniger prädiktiv.
Fünftens Unterscheidungskraft und Äquivalenz.
Wenn wir ein Modell erstellen, hoffen wir normalerweise, 1 oder 2 signifikante Prädiktorvariablen zu finden, die Y beeinflussen können. Manchmal finden wir zum Beispiel 1 Mittelpunkt, 3 Wiederholungen und die Bedingung. Die Signifikanzanalyse zeigt, dass alle Prädiktorvariablen und ihre Permutationen weniger signifikant sind. Die Beziehung zwischen X und Y ist nicht zu stark. Bedeutet dies, dass die Informationen verschwendet werden? Nicht unbedingt.
Zunächst müssen wir sehen, ob die drei Wiederholbarkeit gut ist oder nicht. Können wir aus dem Verständnis des Experiments selbst erkennen, ob die drei Wiederholungen Schwankungen aufweisen sollten? Das heißt, es kommt zunächst einmal darauf an, ob die wiederholten Schwankungen im Experiment den erwarteten Schwankungen ähnlich sind. Wenn die Schwankung dieses Mal viel höher ist als die erwartete Schwankung, bedeutet dies, dass das Experiment nicht gut durchgeführt wurde und das Experiment wiederholt werden muss. Wenn die drei experimentellen Abweichungen relativ nahe an der erwarteten Abweichung liegen, ist eine solche Schwankung akzeptabel? Lassen sich unter solchen Schwankungen regelmäßige und aussagekräftige Daten finden? Wenn Sie es noch finden können, führen Sie das Experiment durch, wenn nicht, bedeutet dies, dass die Systemschwankung selbst relativ groß ist. Zu diesem Zeitpunkt muss berücksichtigt werden, dass dieses Experiment für ein System mit so großen Schwankungen nicht geeignet ist, um das Gesetz durch DOE zu finden. Mit anderen Worten, ob diese Schwankung noch geeignet ist, das Gesetz durch DOE zu finden.
Wenn es immer noch gut passt, sind die Daten immer noch die gleichen, was darauf hinweist, dass die Anzahl der untersuchten X Y nicht signifikant beeinflusst. Es kann zwei Situationen geben: Die eine ist, dass es immer noch ein signifikantes X gibt, aber es wurde nicht gefunden, und die bisher gefundenen sind nicht wichtig; die zweite Situation ist, dass mehrere Prädiktorvariablen, die Y im Prozess möglicherweise am stärksten beeinflussen, haben herausgefunden worden. Keiner von ihnen beeinflusst Y so sehr. Herzlichen Glückwunsch, es zeigt, dass dieser Prozess sehr robust ist.
Daher sagen wir nicht unbedingt, dass R 2 Wie hoch es sein muss, und die Bedeutung muss gefunden werden, dieses Experiment ist ein gutes Experiment. Wenn Sie die vorherigen Probleme ausschließen, selbst wenn kein signifikantes X gefunden wird, ist dieses Experiment auch ein gutes Experiment. Wenn Sie nicht viel über das System wissen, müssen Sie natürlich einige Extrempunkte bestätigen, bevor Sie die Gültigkeit der Daten beurteilen können.
Betrachten wir abschließend die Äquivalenzbewertung. Wenn wir eine Gleichwertigkeitsbewertung durchführen, hoffen wir normalerweise, gleichwertige Schlussfolgerungen zu erhalten. Anhand des folgenden Beispiels wurde die Rückgewinnungsrate dreimal getestet und die Ergebnisse der 200-Liter-Produktion wurden mit der TOST-Methode verglichen, und es wurde festgestellt, dass sie den Beurteilungsstandard erfüllte, so dass sie als gleichwertig beurteilt wurde. Manchmal stellen wir auch fest, dass die Ergebnisse nicht gleichwertig sind, aber nicht alle Ungleichheiten sind bedeutungslose Daten.
Zum Beispiel werden die drei Ergebnisse von 2000 L, die durch Monomer erzeugt wurden, und die drei Ergebnisse des reduzierten Modells, wenn sie anhand von Statistiken beurteilt werden, festgestellt, dass die Ergebnisse nicht äquivalent sind. Gehen wir zurück zum Quellmaterial, um zu sehen, was passiert ist. Tatsächlich sind die Unterschiede zwischen den sechs Daten und den Erkennungsmethoden aus Sicht der Prozessentwickler sehr eng, was darauf hindeutet, dass es keinen signifikanten Unterschied zwischen ihnen gibt. Aber wenn Sie die Daten einfach in die Software einloggen, versteht die Software den Prozess dahinter nicht und versteht den Schwankungsfehler der Analysemethode nicht, sodass die Berechnung nicht äquivalent ist. Wenn wir also feststellen, dass die Ergebnisse nicht gleichwertig sind, sollten wir nicht leichtfertig Schlussfolgerungen ziehen, sondern diese Ergebnisse in Kombination mit unserem eigenen professionellen Wissenshintergrund interpretieren, um objektivere Schlussfolgerungen und Urteile zu erhalten.
DOE ist in der Prozessentwicklung weit verbreitet und stellt auch ein äußerst mächtiges Werkzeug dar. Allerdings gibt es auch die oben genannten Missverständnisse, die in der Anwendung oft übersehen werden und auf die jeder achten sollte. Ich hoffe, dieser Artikel kann inspirieren und von dir lernen.
