Optimización de formulaciones, diseño personalizado, cómo elegir los niveles altos correctosHola, encantadora comunidad de jmp, soy un aprendiz muy nuevo y esperaba poder elegir algunos cerebros para obtener información o incluso obtener un enlace a un chat en algún lugar del foro que podría haber perdido en mi búsqueda.
Así que…. Estoy planeando usar un diseño personalizado en jmp para seleccionar 10 factores continuos (excipientes) para la formulación de la formulación. El plan para avanzar una vez que se hayan identificado nuestros efectos lineales, cuadráticos y/o interactivos significativos es que luego pasaremos a RSM. Históricamente, la optimización univariante se ha utilizado en mi empresa y, como tal, han tenido la capacidad de investigar factores en niveles bastante altos (concentraciones de excipientes). Sin embargo, no estoy seguro de cómo funcionarán los altos niveles de factores en combinación y, en última instancia, es posible que tengamos una situación en la que nuestro activo "se bloquee" fuera de la solución, lo que haría que cualquier análisis de respuesta fuera inalcanzable para luego retroalimentar el diseño. Así que ahora estoy en dos mentes de si yo
- Haz un diseño donde los niveles de los factores sean de aprox. la mitad de la concentración de lo que normalmente investigan de forma univariada con la esperanza de poder identificar X1, X2, X1X2 para una mayor optimización y elevar los factores a un nivel más alto en la etapa RSM O
- Ir con los niveles más altos desde el principio, arriesgando potencialmente la pérdida de datos de respuesta en estas combinaciones de alto nivel y si es un caso en el que no obtenemos lecturas, entonces intente reducir los niveles más altos en esa etapa y vuelva a examinar.
Si ayuda, el diseño que he generado hasta ahora tiene 74 ejecuciones en total (de las cuales 6 son puntos centrales) y puedo llegar a un máximo de 96 ejecuciones de una sola vez. Como mencioné, soy un nuevo aprendiz de jmp, por lo que si hay algún consejo / lectura, material con el que pueda ayudarme, ¡se lo agradecería mucho!
Re: Optimización de formulaciones, diseño personalizado, cómo elegir los niveles altos correctosUsted mencionó un par de detalles sobre su experimento de formulación que podría ser interesante explorar un poco más:
Me preguntaba si también estabas pensando en mezclas.
¿Estás pensando en el orden de los experimentos de suma?
Los diseños mixtos pueden ayudar a definir un área de su respuesta donde falla su API.
Re: Optimización de formulaciones, diseño personalizado, cómo elegir los niveles altos correctosHola Byron,
¡Muchas gracias por la respuesta, en realidad estaba jugando con la idea de un DSD, pero no había pensado en poder hacer las repeticiones en un plato en su lugar! Le daré una oportunidad y muchas gracias por la información 
Re: Optimización de formulaciones, diseño personalizado, cómo elegir los niveles altos correctosMe gustaría sugerir un enfoque un poco diferente para el primer experimento de detección. En JMP hay un Diseño de Cribado Definitivo (DSD) que puede ahorrarle tiempo y esfuerzo. Si sus 10 factores son todos continuos, entonces el diseño DSD es de 25 ejecuciones en lugar de 74. Incluso agregar 8 carreras adicionales y 2 bloques con puntos centrales solo cuesta 30 carreras. (Si tiene un robot para hacer el pipeteo, puede hacer 3 réplicas en una placa. Las réplicas que se promedian juntas en el paso de análisis son buenas para reducir la variación debida a los efectos posicionales de los biológicos en las placas)
A partir de este primer experimento, debería poder hacerse una idea de la importancia relativa de sus 10 factores, de modo que en su próximo diseño de RSM pueda trabajar con un subconjunto y mejores rangos.
Rangos.. En los diseños de proyección, mi lema es "ve a lo grande o vete a casa". En el primer diseño de detección y, hasta cierto punto, en el primer diseño de RSM, quiero identificar el borde de la falla para poder precisar (con datos) un rango probado y aceptable. Una vez que tenga eso, otro RSM, tal vez con incluso menos factores (cosas que son críticas para la calidad) e idealmente un diseño I-óptimo que se centre en el medio del espacio de diseño para encontrar condiciones operativas óptimas, podría ser útil.
solo mis $.02
-B
