混合物の混合物をデザインする方法こんにちは。私は 4 つのプロトタイプに基づいて細胞培養培地を開発しています。 これら 4 つのプロトタイプは基本的に同じ成分を含んでいますが、レベルが異なります。プロトタイプ 1 はリーン、プロトタイプ 2 はアミノ酸が豊富、プロトタイプ 3 はビタミンが豊富、プロトタイプ 4 は微量元素が豊富です。 4つのプロトタイプを異なるレベルで混合して、新しい混合メディアを作成します。
これは混合物のデザインであることを理解しています。 JMP の混合物設計の例があります。 ただし、その設計では、混合物は異なる成分になります。たとえば、ケーキ工場の実験では、混合物 1 はココア、砂糖、小麦粉を含む乾燥したもので、混合物 2 はバター、牛乳、卵を含む湿ったものです。
私の場合、混合物にはすべて同じ成分が含まれていますが、レベルは異なります。
この実験をどのように計画すればよいでしょうか? 4 つの混合物を 4 つの別々の因子として扱うことができますか? どのような混合計画を適用すべきか、また 4 つの因子の 2 方向または 3 方向の交互作用を考慮する必要があります。 Sheffe 3次モデルは解析に適用するのが適切ですか?
ありがとうございます。どんな提案でも歓迎いたします。
実験計画法Re: 混合物の混合物をデザインする方法ベクターさん、本当にありがとうございました。 長い回答に本当に感謝しています。 答えを入力するのにどれくらいの時間を費やしているのか想像できません。 私だけでなく他の人もあなたの回答から学ぶことができるように質問してよかったと思います。
幸運をお祈りしています
Re: 混合物の混合物をデザインする方法この混合実験は単純にすることをお勧めします。 私は、事前に「プロトタイプ」を構想するのではなく、媒体の重要なコンポーネントを組み合わせたデザインを使用し、それぞれの比率の広い空間を探索します。 空間全体を十分に予測できるように、カスタム設計のシェッフェ立方体モデルを使用します。 混合実験で成分をスクリーニングすることは意味がありませんが、一部の高次項が重要ではないことがわかり、それらをモデルから削除する可能性があります。 最適な混合物は、あなたが念頭に置いていた概念的なプロトタイプの 1 つに近い可能性があります。
Re: 混合物の混合物をデザインする方法こんにちは@ローガンショーン、
あなたの説明から、考慮すべきオプションが（少なくとも） 2 つある可能性があります。
- 個々のコンポーネント/原材料を操作します。各混合物のコンポーネントを見つけて、個々のコンポーネントを使用して混合物設計を行い、専門知識と混合物の経験に基づいて各要素の適切な範囲を定義し、混合物を構築します。デザイン。 個々のコンポーネントの数によっては、このオプションでは多数の実験が必要になる場合があります。
- または、混合物の準備を行います。その後、4 つの混合物に基づいて混合物設計を構築し、経験に基づいてそれぞれの適切な範囲を定義できます。 4 つの混合物の最適な混合物 (比率) が見つかったら、すべての混合物調製の組成情報があれば、各成分の最適な量を計算できます。
混合設計には、古典的なもの (Scheffe Cubic など) から、より具体的なもの (カスタム設計や混合空間充填) まで、実に多くのオプションがあります。 利用可能な混合設計の概要はここで確認できます。混合計画の概要 (jmp.com)そしてここ ：混合設計タイプの例 (jmp.com)
選択は、実験の予算、実験空間での予想される予測精度/分散、「連続」または「不連続」の応答曲面、モデルベースのアプローチとモデルに依存しないアプローチなど、いくつかの基準によって異なります。
モデル間のいくつかの違いと、異なるモデルで使用される用語:
- シェッフェ 3 次モデル (カスタム設計で実行) では、主効果、2 つの混合因子交互作用、および 3 つの混合因子交互作用を含むモデルを作成でき、JMP が推奨する合計 30 回の実行が可能になります (スクリーンショットを参照)。 余分なコストをかけずに 4 因子交互作用を手動で追加できます (モデルにこの項を追加すると、JMP は「推奨実行数」に実行を追加しないようですが、必要な最小実行数が 20 から 20 に変更されます)この追加期間が追加されたため、21 になります）。
- シンプレックスセントロイド計画 ([古典] -> [混合計画] で実行) では、最大 4 つの成分を使用して混合し、JMP が推奨する合計 15 回の実験を実行します (スクリーンショットを参照)。 以前の計画よりも実行回数は少なくなりますが、実験空間での相対分散予測が大きくなります。
- 空間充填混合計画も考慮することができます。この場合、4 つの因子について JMP は 40 回の実行を推奨しています。 この設計の利点は、事前定義されたモデルを使用せずに、実験空間内のポイント/実行を均一に再分割できることです (モデルに依存しないアプローチです)。 つまり、ガウス プロセスなどの他のモデリング アプローチを分析に使用したり、サポート ベクター マシン、ツリーベースの手法、ニューラル ネットワークなどの機械学習の手法を使用できる必要があります。 このようなモデルの検証は、トレーニング/検証/テスト セットまたは SVEM メソッド (効率的なモデリングとシミュレーションのための実験計画法の使用 - JMP ユーザー コミュニティ）。 ただし、これには因子間のエイリアシング (相関) がより多くなるという犠牲が伴います。そのため、どの混合因子または相互作用が応答を駆動しているかを理解するのがより困難になる可能性があります (スクリーンショット Matrix_correlations_designs を参照)。
したがって、「因果的」モデル (古典的な混合計画と事前定義モデルを使用したカスタム計画) を好むか、優れた予測性能を持つが知識が限られているモデルだけを好むかは、選択次第です。 前回の投稿に基づいて、同様のトピックの 1 つとしてスペース充填アプローチが検討されましたが、目的と実験の予算に応じて考えが変わる可能性があります。
混合設計について言えることはたくさんあります。コミュニティの同様のトピックや、このトピックに特化したウェビナーで確認できます (混合実験の設計 - パート 1 - JMP ユーザー コミュニティ、混合実験の設計 - パート 2 - JMP ユーザー コミュニティ、空間充填混合設計、ニューラルネットワークなどでイノベーションを加速 - JMP ユーザーコミュニティ）。
この最初の（長い）回答があなたの反省に役立つことを願っています。
