1 つのマルチレベル (3+) カテゴリ変数と多数の連続変数の効率的な DOEどの要因が私の応答 (Y) に最も影響を与えるかを特定するためにスクリーニング実験を実施したいと考えています。 過去の研究から、これらの変数には交互作用があることがわかっているため、モデルに交互作用項を含める必要があります。 私が関連性があると特定した要因は次のとおりです。
- X1 - 連続
- X2 - 連続
- X3 - 連続
- X4 - 連続
- X5 - 連続
- X6 - 2 レベルのみのカテゴリカル
- X7 - 10 レベルのカテゴリカル
具体的に言うと、X7は化学物質の一種、脂肪酸です。 脂肪酸には、飽和、一価不飽和、多価不飽和、長鎖、短鎖などがあるため、この範囲の特性にわたる 10 個を選択しました。 X7 には 3 つ以上のレベルがあるため、JMP でカスタム設計を使用する必要があり、モデルで相互作用項を考慮すると、約 42 回の実験が必要になります。 これを行うより効率的な方法があるかどうかを聞きたかったのですが? 具体的には、X7 のような変数 (カテゴリカルな変数) を研究するために DOE を設定するより効率的な方法です。
よく考えてみると、最初は、X7 を離散変数から連続変数に変換すると (おそらく脂肪酸の重要な特徴に焦点を当てることによって) 役立つのではないかと思いました。そうすれば、単純に「高」と「低」の設定を選択できるからです。 しかし、化学物質は多面的であり、単に 1 つの特徴/数値に要約することはできないため、これが前進する方法であるとは信じていません。
それでは、X7 のようなカテゴリ変数がある場合に研究を設計するより効率的な方法はあるのでしょうか?
実験計画法Re: 1 つのマルチレベル (3+) カテゴリ変数と多数の連続変数の効率的な DOEこんにちは@AsymptoticRules 、
コミュニティへようこそ！
化学構造をカテゴリー因子として使用すると、いくつかの欠点が生じます。
- どの分子が最も優れたパフォーマンスを発揮するかを分析して選択することはできるかもしれませんが、特定の分子が最も優れたパフォーマンスを発揮する理由 (極性、親水性/親油性挙動、分子体積、原子数、H 供与体/受容体、 ...)、
- 設計で使用された分子構造に応じて応答を分析することはできますが、実験計画でまだ使用されていない新しい分子の応答を予測することはできません。
- 非常に多くのレベルを持つカテゴリカル因子を使用すると、他の因子との組み合わせが多数必要になり、多数の実験を伴う計画が作成されます (スクリーニング段階などの初期段階ではあまり便利ではない可能性があります)。
スクリーニング段階にあるとおっしゃいましたが、スクリーニングする脂肪酸候補の数を減らし、スクリーニングする実験と相互作用の数を減らし、化学的変動が最も高い分子のみを保持して、重大な効果と相互作用を検出することは興味深いでしょう。そして、そこから、場合によっては他の分子候補を使用して、第 2 ステップで設計を最適化/予測設計に拡張します。
脂肪酸候補の数を減らすために、スクリーニングを計画している最初の 10 個の脂肪酸の化学的特性/分子記述子の分析を試みます。 私がそれを行う方法は次のとおりです。
- 化学構造から分子記述子を計算/抽出します (Python のさまざまなライブラリを使用して、いくつかのオプションを利用できます。 RDKit分子記述子を計算したり、次のような公開データベースから分子記述子を抽出したりするパブケム、ケムスパイダー、 そして他にもたくさん...)
- PCA (または他の次元削減分析) を使用して、化学情報の大部分を少ない次元で保持します (化学特性/分子記述子は多くの場合高度に相関しているため、化学情報の 70% 以上を保持できる可能性があります)主成分が 1 つだけあるこの化学クラスのもの）。 このステップにより、分子候補の分析と選択が容易になります。
- 分子候補を平行座標プロットまたは、最も類似していない分子を選択できるように、主成分または生の分子属性を使用して別の視覚化を行うこともできます (たとえば、各主成分の少なくとも高レベルと低レベル)。 また、共変量因子として主成分のみに基づいて DoE をシミュレーションし、D 最適化/スクリーニング計画でどの分子が選択されるかを確認することもできます。
これらの選択した分子を計画内のカテゴリ因子のレベルとして使用したり、計画内の連続因子/共変量として主成分を直接使用したりできます。
このトピックに関しては、次のプレゼンテーションが興味深いと思われるかもしれません。 https://community.jmp.com/t5/Discovery-Summit-Europe-2017/Increase-Efficiency-and-Model-Applicability-Domain-When-Testing/ta-p/36572
これは考えられる選択肢の 1 つにすぎません。このフォーラムの他のメンバーも因子としての分子に関して異なる経験をしていると思います。 私は個人的に、この種のアプローチを使用して、可能な限りカテゴリ情報を連続情報に変換するように常に努めています。
これがあなたのお役に立てれば幸いです、
Re: 1 つのマルチレベル (3+) カテゴリ変数と多数の連続変数の効率的な DOE視点をありがとう、ビクター！ それは私にとっては理にかなっています！ 挑戦したらこの記事を更新しようと思います!
Re: 1 つのマルチレベル (3+) カテゴリ変数と多数の連続変数の効率的な DOE私は心から同意します@Victor_Gさんの思い。 実験で X7 のレベル数を減らすために私が他に思いつく唯一のことは、「X7 係数が広範囲にわたって変化する過去の観測データ (おそらく実稼働からのもの) はありますか?」という質問をすることです。基礎となる化学的特性の値は?」 次に、ツリーベースのメソッドなどの変数識別モデリング手法を使用するか、JMP Pro を使用している場合は、変数識別に優れた一般化回帰プラットフォームの一部を使用します。 これらの手法の多くの優れた特徴の 1 つは、通常の最小二乗回帰や、変数の同定によく似たステップワイズ回帰などの手法と比較して、因子間の相関に対してある程度堅牢であることです。 X7 カテゴリレベルの一部をスクリーニングできる場合があります。
Re: 1 つのマルチレベル (3+) カテゴリ変数と多数の連続変数の効率的な DOEこれは実現可能だと思いますか?、最初に事前実験を行い、特定の条件下で X7 を個別にスクリーニングし、次に 2 番目のラウンドを実行します。
Re: 1 つのマルチレベル (3+) カテゴリ変数と多数の連続変数の効率的な DOEよくよく考えてみると、最初は X7 を離散変数から連続変数に変換すると (脂肪酸の重要な特徴に重点を置くなどして)、単に「高」と「低」の設定を選択できるため、役に立つかもしれないと考えました。しかし、化学物質は多次元であり、つまり 1 つの特徴/数値に要約することはできないため、これが前進する方法だとは思いません。
