안녕하세요 여러분, 제 이름은 Ben이고 저는 최근 JMP Pro 17에서 사용할 수 있는 Functional Data Explorer 플랫폼용 콘텐츠 개발에 중점을 둔 인턴으로 JMP에 입사했습니다. 여기 ). 저는 현재 소포로리피드 바이오계면활성제 생산에 중점을 두고 맨체스터 대학에서 화학 공학 박사 학위를 공부하고 있습니다. 이를 통해 바이오 제품 개발 초기 단계에서 데이터를 처리하기 위한 잠재적인 데이터/요구 사항에 대한 많은 통찰력을 얻을 수 있었습니다. 여기서 사례 연구는 기능적 데이터 분석 및 기능적 DoE를 사용하여 내 실험 프로토콜을 안내하여 소포로리피드 바이오계면활성제를 올바르게 검출하는 분석 방법을 개발하는 작업을 설명합니다.
이 사례 연구에서 마음에 드는 점은 무엇입니까?
- 기능 데이터 분석 및 FDoE를 사용하여 기능 데이터 탐색기 도구의 두 가지 주요 구성 요소를 모두 표시할 수 있습니다.
- 데이터 세트는 실제이며 실제 개발 작업을 기반으로 합니다.
- 매우 매력적인 비주얼을 보여줄 수 있습니다 - "와우" 요소.
- FDE 플랫폼을 활용하여 전처리(정렬, 필터링)를 쉽게 할 수 있습니다.
누구를 위한 것입니까?
- 화학, 생물학 및 제약 산업을 포함하여 분석 개발에 관련된 모든 사람.
- R&D의 모든 사람은 이것이 자신의 상황에 어떻게 적용될 수 있는지 확인할 수 있어야 합니다.
어떻게 사용해야 하나요?
- 이를 사용하여 JMP Pro의 Functional DoE 도구를 시연할 수 있습니다. 첨부된 데이터 테이블에는 프로세스의 각 단계에 대한 스크립트가 저장되어 있거나 아래의 사례 연구 세부 정보에 따라 작업을 다시 만들 수 있습니다.
- 이를 사용하여 Functional Data Explorer 플랫폼에서 데이터 표시를 단순화하는 기능을 보여줄 수 있습니다.
어떤 플랫폼을 사용할 수 있습니까?
배경
소포로리피드 바이오계면활성제는 친수성 헤드와 소수성 테일로 구성된 설탕, 오일 및 질소로 효모를 발효시켜 생산됩니다. 많은 바이오 제품과 마찬가지로 단일 발효에서 화학 결합, 사슬 길이 및 기능 그룹(몇 가지 예를 들자면) 측면에서 이러한 구조에 엄청난 변화가 있습니다. 이것은 분석 과학자들에게 고성능 액체 크로마토그래피(HPLC)와 같은 분석 도구를 사용할 때 이러한 화합물을 효율적으로 분리하는 측면에서 어려운 일입니다.
이 사례 연구에서 나는 이전에 수행되지 않았던 소포로리피드 바이오계면활성제를 HPLC-UV로 정량화할 수 있는 방법을 생산하려는 도전에 직면했습니다. 불행하게도 나의 초기 방법은 HPLC를 사용하여 2개의 소포로리피드 동족체(C18:1 및 C17:1)를 분리할 수 없었습니다. 그것들은 하나의 탄소에 의해서만 달랐습니다. 즉 흡광도(흡수하는 빛의 파장)와 머무름 시간(HPLC 스펙트럼에 나타나는 시간)이 비슷했습니다. 흡광도를 변경하기 위해 아무 것도 할 수 없었지만 HPLC 방법을 조정하여 두 제품의 머무름 시간을 변경하여 더 잘 분리되도록 할 수 있었습니다. 피크 분리는 주어진 화합물의 농도를 계산하는 데 피크 영역이 사용되기 때문에 분석에서 매우 중요합니다. '독립형' 피크가 없으면 이 계산은 본질적으로 결함이 있고 부정확한 판독값으로 이어질 수 있습니다. 여기에 설명된 예는 분석의 일반적인 문제를 나타내며 다양한 산업 및 연구 그룹과 관련이 있습니다.
목표
- C18:1 및 C17:1 피크를 효과적으로 분리하기 위한 HPLC 설정 최적화
- 피크가 민감하고(피크 높이가 크게 손실되지 않음) 특정(넓은 피크 없음)인지 확인합니다.
분석법 개발 – 초기 DoE 적용
HPLC 방법을 최적화하기 위해 온도(30, 35 및 40 영형 C) 방법의 유속(0.7 및 1.4mL/min). 동일한 농도의 소포로리피드 샘플이 모든 반복에서 테스트되었고 다른 모든 조건은 전체적으로 일정하게 유지되었습니다.
HPLC의 출력은 크로마토그램입니다. 이것은 시간 경과에 따른 파장(198nm)의 흡광도 강도를 측정하며, 각 피크는 HPLC에서 나와 검출기에 부딪히는 화합물을 나타냅니다. 각 화합물이 HPLC 컬럼과 더 오래 상호 작용할수록 검출기에 도달하는 데 시간이 걸리므로 머무름 시간이 늦어집니다. HPLC에 넣는 대부분의 샘플에는 수백 가지 화합물(관심 화합물 포함)이 포함되어 있습니다. 매우 각 설정 간의 구체적인 차이점을 눈으로 식별할 수 없도록 하는 바쁜 그래프.
설상가상으로, 설정(특히 유속)의 변화는 관심 있는 피크(C18:1 및 C17:1 형태의 경우)의 머무름 시간이 동일하지 않다는 것을 의미했습니다. 이것은 피크를 선택하기 어렵게 만들 뿐만 아니라 그래프가 지나치게 복잡해지지 않고 수많은 실행이 있을 때 비교 그래프를 생성하기 매우 어렵게 만듭니다.
Functional Data Explorer 및 FDoE 도구 적용
크로마토그램의 변경 사항을 탐색하기 위해 Functional Data Explorer 도구가 적용되었습니다(Analyze > Specialized Modeling > Functional Data Explorer). 위와 같이 설정이 적용되었습니다.
초기 데이터 세트는 매우 바쁜 모든 크로마토그램을 보여주었지만 관심 영역은 22-30분 사이에 발생한 C18:1 및 C17:1 피크에 있었습니다. 시간 범위는 다음을 사용하여 22-30분에서 단축되었습니다. 명령>필터 X 도구.
비교에서 의미 있는 것을 얻으려면 분리된 피크(유량 변화로 인해 변경됨)를 정렬해야 했습니다. 관심 피크가 관심 범위에서 가장 큰 강도를 가졌기 때문에(일반적으로 특정 화합물에 대한 HPLC의 경우와 같이) 이것은 다음을 사용하여 쉽게 수행되었습니다. 정렬>최대 정렬 도구. 또 다른 필터 X 범위를 관심 피크로 줄이는 데 사용되었습니다(-1에서 +1 정렬 시간). 피크 정렬은 분석, 특히 LC-MS 및 HPLC 공정 개발에서 많이 사용되며 FDE 도구로 쉽게 적용할 수 있다는 점은 분석 과학자에게 매우 유용합니다.
데이터 분석 준비가 완료되었으므로 Wavelet 모델 (드롭다운 > 모델 > 웨이블릿) 이것이 크로마토그래피 데이터에 가장 잘 맞았기 때문에 적용되었습니다. Wavelet DoE는 온도 및 유량 변화의 영향을 프로파일링할 수 있습니다. (드롭다운 > Wavelets DoE 분석) 크로마토그램 프로파일링에 사용되었습니다.
유속의 변화(왼쪽)를 살펴보면 FDoE 프로파일러는 유속의 변화로 인해 어떻게 피크가 날카로워지고(피크 강도 값의 증가로 표시됨) 두 번째 피크(C17: 1 화합물). 또한, 온도 변화(오른쪽)는 피크의 분리 및 선명도를 더욱 향상시켰습니다. 이 프로파일러에서 피크가 분리되고 있음이 분명해졌지만 충분하지 않다 – 이는 더 많은 실험 실행이 필요함을 나타냅니다.
추가 실행
Wavelet 기능적 DoE 프로파일러의 출력에서 4개의 추가 실행이 수행되었습니다. 2개는 증가된 온도(45 및 50 영형 C) 및 증가된 유속 2 그리고 온도(45 영형 C, 1.6 및 1.8mL/분). 크로마토그래피 데이터는 위에서 설명한 대로 Wavelet DoE 프로파일러를 생성하는 데 사용된 이전 데이터 세트 및 Functional Data Explorer 도구에 추가되었습니다.
FDoE/Wavelet 프로파일러는 유속이 HPLC에 대해 감소하는 반환값을 갖는다는 것을 입증할 수 있었습니다. 더 높은 유속에서 피크 분리가 크게 개선되지 않았고 피크 높이가 감소했습니다(감도 감소를 의미). 분리에서 현저한 개선이 없었기 때문에 컬럼을 유지하기 위해 유속을 1.4mL/분으로 유지했습니다(높은 유속은 HPLC에 해로울 수 있으므로 위험과 보상의 균형을 맞출 수 있었습니다).
온도를 볼 때 프로파일러는 피크 높이(감도 향상)와 두 번째 피크의 분리 모두에서 상당한 개선을 보여줄 수 있었습니다.
이것이 왜 중요한가요?
고객 관점에서 FDE 및 FDoE의 필요성은 다음과 같은 간단한 질문으로 설명할 수 있습니다.
차이점을 이것으로 설명하시겠습니까?
아니면 이거?
FDE 플랫폼을 사용하면 상당한 시간을 절약하고 결과 생산을 능률화할 수 있으며 결과에 대해 논의할 때 비 SME와 더 쉽게 논의할 수 있습니다. 이것이 FDoE와 접할 때 단일 포인트(예: HPLC의 피크 영역, 피크 머무름 시간)를 사용하는 대신 기능 데이터/프로파일의 전체 변경 사항을 식별할 수 있는 강력한 도구를 얻게 됩니다. 여기서 사례 연구는 FDE를 사용하여 최적화된 방법을 생성하기 위한 HPLC 방법의 개발을 알리는 방법을 보여줍니다.
