하나의 다단계(3+) 범주형 변수와 여러 연속형 변수의 효율적인 DOE내 반응(Y)에 가장 큰 영향을 미치는 요인이 무엇인지 확인하기 위해 선별 실험을 수행하고 싶습니다. 과거 연구를 통해 이러한 변수에 상호 작용이 있다는 것을 알고 있으므로 모델에 상호 작용 항이 필요합니다. 관련성이 있다고 확인된 요소는 다음과 같습니다.
- X1 - 연속
- X2 - 연속
- X3 - 연속
- X4 - 연속
- X5 - 연속
- X6 - 2개 수준만 있는 범주형
- X7 - 10개 수준의 범주형
구체적으로 X7은 일종의 화학물질인 지방산입니다. 지방산은 포화되거나 단일 불포화되거나 다중 불포화, 긴 사슬 또는 짧은 사슬 등일 수 있으므로 이 특성 범위에 걸쳐 있는 지방산 중 10개를 선택했습니다. X7에는 3개 이상의 수준이 있기 때문에 JMP에서 맞춤 설계를 사용해야 하며 모델의 상호 작용 항을 고려하면 약 42개의 실험이 발생합니다. 이 작업을 수행하는 더 효율적인 방법이 있는지 묻고 싶었습니다. 특히, X7(범주형)과 같은 변수를 연구하기 위해 DOE를 설정하는 보다 효율적인 방법입니다.
큰 소리로 생각하면서 처음에는 X7을 이산형 변수에서 연속형 변수로 변환하는 것이 도움이 될 수 있다고 생각했습니다(지방산의 중요한 특징에 초점을 맞춤으로써). 그러면 간단히 "높음"과 "낮음" 설정을 선택할 수 있기 때문입니다. 그러나 화학 물질은 다차원적입니다. 즉, 하나의 기능/수치로 요약할 수 없기 때문에 이것이 앞으로 나아갈 길이라고 생각하지 않습니다.
그렇다면 X7과 같은 범주형 변수가 있는 연구를 설계하는 더 효율적인 방법이 있습니까?
실험 설계Re: 하나의 다중 수준(3+) 범주형 변수와 여러 연속형 변수의 효율적인 DOE안녕 @AsymptoticRules ,
커뮤니티에 오신 것을 환영합니다!
화학 구조를 범주형 요인으로 사용하면 몇 가지 단점이 있습니다.
- 어떤 분자가 가장 잘 작동하는지 분석하고 선택할 수 있지만 특정 분자가 가장 잘 작동하는 이유(극성, 친수성/친유성 거동, 분자 부피, 원자 수, H-공여체/수용체, ...),
- 설계에 사용된 분자 구조에 따른 반응을 분석할 수 있지만 아직 실험 설계에 사용되지 않은 새로운 분자에 대한 반응을 예측할 수는 없습니다.
- 너무 많은 수준의 범주형 요인을 사용하면 다른 요인과의 가능한 조합이 많이 발생하여 많은 수의 실험이 포함된 설계가 생성됩니다(스크리닝 단계와 같은 초기 단계에서는 그다지 편리하지 않을 수 있음).
스크리닝 단계에 있다고 말씀하셨듯이, 스크리닝할 지방산 후보의 수를 줄이고, 스크리닝할 실험 및 상호 작용 횟수를 줄이고, 화학적 변동성이 가장 높은 분자만 유지하여 중요한 효과와 상호 작용을 탐지하는 것이 흥미로울 것입니다. , 그리고 거기에서 다른 분자 후보를 사용하여 두 번째 단계에서 설계를 최적화/예측 설계로 확대합니다.
지방산 후보의 수를 줄이기 위해 스크리닝하려는 초기 10개 지방산의 화학적 특성/분자 설명자를 분석하려고 합니다. 내가 할 방법은 다음과 같습니다.
- 화학 구조에서 분자 설명자를 계산/추출합니다. Python과 같은 다양한 라이브러리를 사용하여 여러 옵션을 사용할 수 있습니다. RDKit 분자 설명자를 계산하거나 다음과 같은 공개 데이터베이스에서 추출합니다. 펍켐 , 화학거미 , 그리고 많은 다른 사람 ...)
- PCA(또는 기타 차원 축소 분석)를 사용하여 화학 정보의 상당 부분을 낮은 차원으로 유지합니다(화학적 특성/분자 설명자는 높은 상관 관계가 있는 경우가 많으므로 화학 정보의 70% 이상을 유지할 수 있음) 단 하나의 주성분으로 구성된 이 화학물질 종류). 이 단계는 분자 후보의 분석 및 선택을 촉진해야 합니다.
- 분자 후보를 플로팅합니다. 평행 좌표 플롯 또는 가장 서로 다른 분자를 선택할 수 있도록 주성분 또는 원시 분자 속성을 포함하는 또 다른 시각화(예를 들어 각 주성분에 대해 최소한 높은 수준과 낮은 수준). 공변량 요인으로 주성분만을 기반으로 DoE를 시뮬레이션하고 D-최적/스크리닝 설계에서 어떤 분자가 선택되었는지 확인할 수도 있습니다.
그런 다음 선택한 분자를 설계에서 범주형 요인의 수준으로 사용하거나 주성분을 설계에서 연속 요인/공변량으로 직접 사용할 수 있습니다.
이 주제에 관해 다음 프레젠테이션이 흥미로울 수 있습니다. https://community.jmp.com/t5/Discovery-Summit-Europe-2017/Increase-Efficiency-and-Model-Applicability-Domain-When-Testing/ta-p/36572
이것은 가능한 옵션 중 하나일 뿐입니다. 이 포럼의 다른 회원들은 분자를 요인으로 사용하여 다른 경험을 갖고 있을 것이라고 확신합니다. 저는 개인적으로 이러한 접근 방식을 통해 가능할 때마다 범주형 정보를 연속적인 정보로 변환하려고 항상 노력합니다.
이것이 당신에게 도움이 되기를 바랍니다.
Re: 하나의 다중 수준(3+) 범주형 변수와 여러 연속형 변수의 효율적인 DOE관점을 주셔서 감사합니다, 빅터! 그것은 나에게 의미가 있습니다! 기회가 되면 이 게시물을 업데이트하도록 노력하겠습니다!
Re: 하나의 다중 수준(3+) 범주형 변수와 여러 연속형 변수의 효율적인 DOE나는 진심으로 동의한다. @Victor_G 님의 생각. 실험에서 X7의 수준 수를 줄이기 위해 제가 생각할 수 있는 유일한 다른 방법은 'X7 요소가 광범위한 범위에 걸쳐 달라지는 과거 관측 데이터(아마도 생산 실행에서 나온)가 있습니까?'라는 질문을 하는 것입니다. 기본 화학적 특성에 대한 값은 무엇입니까?" 그런 다음 트리 기반 방법과 같은 변수 식별 모델링 방법을 사용하거나 JMP Pro가 있는 경우 변수 식별에 능숙한 일부 일반화 회귀 플랫폼을 사용합니다. 이러한 방법 중 많은 것의 좋은 특징 중 하나는 일반 최소 제곱 회귀나 변수 식별을 위한 키스 사촌, 단계적 회귀와 같은 기술에 비해 요소 간의 상관 관계에 다소 강력하다는 것입니다. X7 범주 수준 중 일부를 선별할 수 있습니다.
Re: 하나의 다중 수준(3+) 범주형 변수와 여러 연속 변수의 효율적 DOE이것이 가능하다고 생각하시나요?, 사전 실험을 먼저 수행하고 특정 조건에서 X7을 개별적으로 검사한 다음 두 번째 라운드를 수행합니다.
Re: 하나의 다중 수준(3+) 범주형 변수와 여러 연속 변수의 효율적 DOE큰소리로 생각해 보니, 처음에는 X7을 불연속 변수에서 연속 변수로 변환하는 것이 도움이 될 수 있다고 생각했습니다(아마도 지방산의 중요한 특징에 초점을 맞추는 것일 수도 있음). 그러면 간단히 "높음"과 "낮음" 설정을 선택할 수 있기 때문입니다. 하지만 화학 물질은 다차원적이므로 하나의 특징/숫자로 축소할 수 없으므로 이것이 앞으로 나아갈 길이라고 생각하지 않습니다.
