DOE efficace d'une variable catégorielle à plusieurs niveaux (3+) et de nombreuses variables continuesJe souhaite mener une expérience de dépistage pour identifier les facteurs qui affectent le plus ma réponse (Y). D'après des recherches antérieures, je suis conscient que ces variables ont des interactions, j'ai donc besoin d'avoir des termes d'interaction dans mon modèle. Les facteurs que j’ai identifiés comme pertinents sont les suivants :
- X1 - continu
- X2 - continu
- X3 - continu
- X4 - continu
- X5 - continu
- X6 - catégorique avec 2 niveaux seulement
- X7 - catégorique avec 10 niveaux
Pour être précis, X7 est un type de produit chimique : un acide gras. Les acides gras peuvent être saturés ou monoinsaturés ou polyinsaturés, à chaîne plus longue ou à chaîne plus courte, etc. J'en ai donc sélectionné 10 qui couvrent cette gamme de propriétés. Étant donné que X7 a plus de 3 niveaux, je suis obligé d'utiliser la conception personnalisée dans JMP, et en tenant compte des termes d'interaction dans mon modèle, cela donne environ 42 expériences. Je voulais demander s'il existe un moyen plus efficace de procéder ? Plus précisément, un moyen plus efficace de configurer un DOE pour étudier des variables comme X7 (qui sont catégorielles).
En réfléchissant à voix haute, j'ai d'abord pensé que convertir X7 de variable discrète en variable continue (en se concentrant peut-être sur une caractéristique importante des acides gras) pourrait être utile car je pourrais alors simplement choisir un réglage "élevé" et "bas". Mais les produits chimiques sont multidimensionnels, c'est-à-dire qu'ils ne peuvent pas être réduits à une seule caractéristique ou à un seul numéro. Je ne pense donc pas que ce soit la voie à suivre.
Existe-t-il donc un moyen plus efficace de concevoir une étude dans laquelle vous disposez d'une variable catégorielle telle que X7 ?
Conception d'expériencesRe : DOE efficace d'une variable catégorielle à plusieurs niveaux (3+) et de nombreuses variables continuesSalut @AsymptoticRules ,
Bienvenue dans la Communauté !
L’utilisation de structures chimiques comme facteurs catégoriels présente plusieurs inconvénients :
- Vous pourrez peut-être analyser et sélectionner la ou les molécules qui fonctionnent le mieux, mais vous ne comprendrez pas toujours la ou les raisons pour lesquelles certaines molécules fonctionnent le mieux (polarité, comportement hydrophile/lipophile, volume moléculaire, nombre d'atomes, donneurs/accepteurs de H, ...),
- Vous êtes capable d'analyser la réponse en fonction des structures moléculaires utilisées dans la conception, mais pas de prédire la réponse de nouvelles molécules non encore utilisées dans la conception expérimentale.
- L'utilisation d'un facteur catégoriel avec autant de niveaux se fait au prix de nombreuses combinaisons possibles avec d'autres facteurs, créant un plan avec un nombre élevé d'expériences (ce qui peut ne pas être très pratique à un stade précoce comme la phase de sélection).
Comme vous l'avez mentionné, étant en phase de criblage, il serait intéressant de réduire le nombre d'acides gras candidats à cribler, de réduire le nombre d'expériences et d'interactions à cribler et de ne conserver que les molécules ayant la plus forte variabilité chimique, pour détecter les effets et interactions significatifs. , et à partir de là, augmenter la conception vers une conception d'optimisation/prédiction dans un deuxième temps, éventuellement avec d'autres molécules candidates.
Afin de réduire le nombre d’acides gras candidats, j’essaierais d’analyser les propriétés chimiques/descripteurs moléculaires des 10 premiers acides gras que vous envisagez de sélectionner. Voici comment je procéderais :
- Calculer/extraire des descripteurs moléculaires des structures chimiques (plusieurs options peuvent être disponibles, avec différentes bibliothèques sur Python comme KitRD pour calculer des descripteurs moléculaires, ou les extraire de bases de données publiques comme PubChem , ChemSpider , et beaucoup d'autres ...)
- Utilisez une PCA (ou une autre analyse de réduction dimensionnelle) pour conserver une grande partie des informations chimiques dans un petit nombre de dimensions (les propriétés chimiques/descripteurs moléculaires sont souvent fortement corrélées, vous pourrez donc peut-être conserver > 70 % des informations chimiques de cette classe chimique avec un seul composant principal). Cette étape devrait faciliter l’analyse et la sélection des molécules candidates.
- Tracez les molécules candidates sur un Tracé de coordonnées parallèles ou une autre visualisation avec leur composant principal ou leurs attributs moléculaires bruts pour pouvoir sélectionner les molécules les plus dissemblables (au moins un niveau haut et bas pour chaque composant principal par exemple). Vous pouvez également simuler une DoE basée uniquement sur les composants principaux en tant que facteurs covariables et voir quelles molécules auraient été sélectionnées dans une conception D-optimale/criblage.
Vous pouvez ensuite utiliser ces molécules sélectionnées comme niveaux de votre facteur catégoriel dans votre conception, ou utiliser directement les composants principaux comme facteurs/covariables continus dans la conception.
À ce sujet, cette présentation pourrait vous intéresser : https://community.jmp.com/t5/Discovery-Summit-Europe-2017/Increase-Efficiency-and-Model-Applicability-Domain-When-Testing/ta-p/36572
Ce n'est qu'une option possible, je suis sûr que d'autres membres de ce forum peuvent avoir des expériences différentes avec les molécules comme facteurs. Personnellement, j'essaie toujours de transformer l'information catégorielle en information continue autant que possible avec ce type d'approche.
J'espère que cela t'aidera,
Re : DOE efficace d'une variable catégorielle à plusieurs niveaux (3+) et de nombreuses variables continuesMerci pour la perspective, Victor! Cela a du sens pour moi ! J'essaierai de mettre à jour cet article lorsque j'essaierai !
Re : DOE efficace d'une variable catégorielle à plusieurs niveaux (3+) et de nombreuses variables continuesJe suis tout à fait d'accord avec @Victor_G les pensées. La seule autre chose à laquelle je peux penser pour essayer de réduire le nombre de niveaux pour X7 dans l'expérience est de poser la question suivante : « Avez-vous des données d'observation historiques (peut-être issues de cycles de production) dans lesquelles le facteur X7 varie sur une large gamme de niveaux ? valeurs pour les propriétés chimiques sous-jacentes ? » Ensuite, en utilisant des méthodes de modélisation d'identification de variables telles que l'une des méthodes basées sur l'arborescence, ou si vous disposez de JMP Pro, certaines des plates-formes de régression généralisée expertes en identification de variables. Une caractéristique intéressante de bon nombre de ces méthodes est qu'elles sont quelque peu robustes aux corrélations entre les facteurs par rapport à des techniques telles que la régression des moindres carrés ordinaires ou son cousin pour l'identification des variables, la régression pas à pas. Vous pourrez peut-être filtrer certains des niveaux catégoriels X7.
Ré: DOE efficace d'une variable catégorielle à plusieurs niveaux (3+) et de nombreuses variables continuesPensez-vous que cela soit faisable ?, pré-expérimentez d'abord, examinez X7 individuellement dans des conditions spécifiques, puis effectuez le deuxième tour.
Ré: DOE efficace d'une variable catégorielle à plusieurs niveaux (3+) et de nombreuses variables continuesEn réfléchissant à voix haute, j'ai d'abord pensé que convertir X7 de variable discrète en variable continue (en me concentrant peut-être sur une caractéristique importante des acides gras) pourrait être utile car je pourrais alors simplement choisir un réglage « élevé » et un réglage « faible ». Mais les produits chimiques sont multidimensionnels, c'est-à-dire qu'ils ne peuvent pas être réduits à une seule caractéristique/un seul nombre, donc je ne pense pas que ce soit la voie à suivre.
