Orientamenti generali sul follow-up DOE per DSD e risorse?Ciao, sono un principiante in DOE e utilizzo JMP. Ho una formulazione farmaceutica che prevede 5 fattori continui e 4 risposte da ottimizzare. Ho utilizzato i DSD per identificare lo spazio di progettazione che desidero esplorare ulteriormente e ottimizzare la formulazione.
Adattamo il modello dopo aver acquisito i dati e rimuovo l'effetto che non è importante (F5 e tutte le forme e interazioni quadratiche).
Massimizzando il parametro di desiderabilità, ho trovato la formulazione ottimale come di seguito.
Osservando ciascuna funzione di desiderabilità, mi viene l'idea che dovrò massimizzare F1 e minimizzare F3. F4 influisce a malapena sulla desiderabilità, quindi potrebbe essere risolto. Inoltre, F2 non è un fattore significativo ma la combinazione di F2*F3 è un fattore importante. Questo mi dice che dovrei variare F2 e F3 per il prossimo ciclo di DOE per ottimizzare la formulazione.
Le domande sono;
1) Come dovrei impostare il limite di F2 e F3 per ottimizzare ulteriormente.
2) Quale modello DOE dovrei applicare per questo tipo di ottimizzazione?
3) Infine, esistono strumenti specifici in JMP che mi consentono di indagare sistematicamente i fattori e lo spazio di progettazione da seguire per la prossima esecuzione DOE anziché fare affidamento sulle mie osservazioni ingenue? Ho giocato con un generatore di grafici ma poiché ho 4 risposte che voglio ottimizzare allo stesso tempo, non è stato molto utile trovare uno spazio di progettazione da seguire con DOE.
Mi dispiace se le domande sono troppo semplici, ma sarebbe fantastico se potessi fornire indicazioni generali sulla progettazione del DOE di follow-up per i DSD. Sarebbero molto apprezzati anche alcuni strumenti utili per trovare spazio di progettazione da seguire dopo il DSD iniziale e le risorse correlate.
Grazie!!
Progettazione di esperimentiIngegneria della qualità e dei processiRi: Orientamenti generali sul DOE di follow-up per DSD e risorse?@Victor_G ,
Grazie mille per aver condiviso la tua esperienza e conoscenza. Aiuta davvero a comprendere le basi del Mixture Design e come applicarlo per ottimizzare le formulazioni. Studierò di più su Mixture Design in base alle risorse che hai fornito.
Ti auguro il meglio!
Ri: Orientamenti generali sul DOE di follow-up per DSD e risorse?CIAO @BJK_JerseyBoy ,
Con gli argomenti di formulazione, ci sono comunemente due approcci diversi:
- O la tua formulazione è una soluzione "diluita" e il solvente assorbe una grande quantità della formulazione (70-90%+) e/o il solvente è inerte o non influenza le risposte che stai misurando: ciò significa che dovresti vorrei vedere se alcuni additivi mostrano effetti significativi, interazioni sinergiche o antagoniste: in questo caso, poiché non sei interessato ai rapporti tra gli additivi ma piuttosto all'influenza di piccole quantità di additivi nella formulazione (e il solvente compenserà a 100 % della quantità totale di additivi introdotti), i fattori sono indipendenti gli uni dagli altri e qualsiasi disegno fattoriale può essere adatto: disegno di screening, disegno di screening definitivo, disegni fattoriali (frazionari/completi), disegni di modelli di superfici di risposta, ... A seconda della complessità del modello e del numero di esecuzioni per stimare gli effetti, sarai in grado di stimare la significatività statistica degli effetti/interazioni ed eventualmente eseguire qualche ottimizzazione (soprattutto nel caso di DSD, RSM).
- Oppure la tua formulazione non contiene solventi e/o il solvente non è predominante nella formulazione e/o influenza le risposte e/o sei più interessato a trovare il buon rapporto tra gli additivi piuttosto che la loro concentrazione assoluta in la formulazione: in questo caso i Mixture Designs sono più adatti, non si concentrano sulla stima della significatività statistica dei fattori, ma più sull'ottimizzazione dei rapporti degli additivi per soddisfare gli obiettivi delle risposte. I fattori dipendono gli uni dagli altri (se si riduce il livello di A, si aumentano i livelli di altri additivi) e la quantità/parte totale della formulazione è fissa (1 o 100%).
Puoi guardare questo fantastico poster per vedere se la tua situazione richiede Mixture Designs (avrai la spiegazione che ho fatto prima tra i diversi tipi di formulazioni/miscele): Quando non eseguire un esperimento con una miscela - Comunità degli utenti JMP
Nel tuo caso, guardando il tuo esempio e i risultati, hai apportato alcune trasformazioni ai tuoi input (e output) per avere rapporti anziché quantità di additivi: questa sembra essere una situazione in cui Mixture Designs sarebbe più adatto (o forse un mix personalizzato modello, con F1, F2 e F3 come fattori di miscela, e F4 come fattore continuo poiché la sua concentrazione è molto bassa rispetto ad altri additivi).
I disegni misti implicano spesso più analisi rispetto allo screening e ad alcuni disegni fattoriali, ma l'obiettivo è diverso. Puoi avere diversi livelli per ciascun fattore a seconda della complessità del tuo modello, aggiungere tutti i vincoli che desideri (sul rapporto massimo per i tuoi fattori, o vincolo sul rapporto tra (alcuni di) essi) e l'esplorazione spaziale sperimentale è abbastanza semplice con la combinazione Profiler (esempio nello screenshot sui dati di esempio JMP "Donev Mixture Data"). Inoltre, se necessario, puoi correggere/bloccare qualsiasi fattore a un livello specifico se desideri ottimizzare le tue risposte con un "vincolo fisso" (come ad esempio F4 è al 2%): Opzioni del profiler di previsione (jmp.com)
Il tuo approccio è interessante (anche se teoricamente discutibile per i rapporti) e sarebbe bello verificare i tuoi risultati con nuove esecuzioni, per vedere se sei ancora in grado di avere previsioni corrette e convalidare il tuo modello.
Spero che questa risposta ti possa aiutare,
Ri: Orientamenti generali sul DOE di follow-up per DSD e risorse?Grazie @Victor_G ,
Sembra che tu abbia familiarità con il lavoro di formulazione farmaceutica, quindi ti fornirò ulteriori dettagli.
Sì, è un problema di pura miscela in cui ho fissato la quantità totale e variato la quantità di ciascun fattore.
Quindi, come hai detto, F1+F2+F3+F4 dovrebbe essere 100. Volevo avere "almeno" 3 livelli per ciascun fattore e ho provato un design personalizzato, ma con questo non sono riuscito a ottenere l'ortogonalità dei fattori principali.Ricordo di aver letto qualcosa del tipo "adattare il modello al problema non adattare il problema al modello". in uno dei post nella comunità JMP. Tuttavia, volevo davvero utilizzare il DSD poiché consente la valutazione ortogonale di ciascun fattore nelle risposte.
Quindi, ho creato un piccolo trucco per poter applicare DSD a questo problema. Ho convertito la percentuale di ciascun fattore in rapporti e in questo modo puoi modificare in modo indipendente il livello di ciascun fattore. Ad esempio, quando guardi la schermata di massimizzazione della desiderabilità nel mio post iniziale, JMP mi dice che a F1:30, F2:5, F3:10, F4: 1 posso massimizzare le risposte. Questi sono i rapporti, ma posso convertirlo in F1: 65%, F2: 11%, F3:22%, F4: 2%, quindi utilizzare questa miscela per vagliare le formulazioni.
So che non è rigoroso e non sono sicuro che sia il modo corretto per farlo, ma almeno JMP adatta bene questi dati con il valore p del grafico predittivo di R1 e R2 ~ 0,01 e R3 e R4 ~ 0,06.
Non ho mai esplorato Mixture Design, ma lo farò se ciò consente la progettazione ortogonale e meno corse per lo screening iniziale rispetto a DSD.
Di seguito ho aggregato la mia risposta alla tua risposta 1,2 e 3.
Ho valutato l'importanza di ciascuna risposta e ho applicato " Massimizza la desiderabilità" per trovare la desiderabilità mostrata nel mio post iniziale (2° screenshot). Come hai suggerito, il mio obiettivo è ottimizzare definitivamente la formulazione considerando lo spazio di progettazione più piccolo. La domanda è: quali sono i modi intelligenti per definire i confini dello spazio di progettazione da seguire. Supponendo che l'esperto in materia voglia che io fissi F1 e F4 al valore suggerito dalla funzione di desiderabilità di JMP (2° screenshot) e indaghi ulteriormente il diverso rapporto tra F2 e F3. Come devo impostare il confine di F2 e F3 da guardare? Vedo che alcune persone utilizzano il grafico a dispersione 3D per capirlo, ma poiché vorrei considerare 4 risposte (contemporaneamente) per ottimizzare, non è un'opzione praticabile. Ma pensavo che JMP dovrebbe avere uno strumento intelligente per aiutare gli utenti a identificare lo spazio di progettazione a cui dare seguito anche se ci sono più risposte. In termini di metodo di progettazione, non ero a conoscenza dello strumento Augment Design. Grazie per avermelo fatto sapere, valuterò.
Grazie per il tuo contributo e i tuoi suggerimenti. Sono molto nuovo in DOE e JMP, quindi sono nella fase di apprendimento attivo. Qualsiasi consiglio aggiuntivo sarebbe apprezzato.
Ri: Orientamenti generali sul DOE di follow-up per i DSD e le risorse?CIAO @BJK_JerseyBoy ,
Per essere sicuri, stai parlando di una formulazione e stai facendo un DSD, che è un disegno fattoriale speciale che presuppone fattori indipendenti e nessun vincolo sull '"importo totale". È davvero questo il tuo caso, puoi aggiungere o ridurre la quantità di "additivi" senza alcun vincolo/dipendenza tra i fattori e il solvente compenserà le variazioni in F1, F2, F3 e F4?
Oppure la quantità di F1+F2+F3+F4 deve essere sempre pari al 100% della formulazione? Se questo è il caso, a Disegni di miscele (jmp.com) forse sarebbe stato più adatto alle tue esigenze.
- Puoi provare a vedere quale ottimizzazione fa JMP con le tue diverse risposte facendo clic sul punto rosso accanto a Profiler, "Ottimizzazione e desiderabilità", "e quindi "Massimizza la desiderabilità". Tieni presente che per impostazione predefinita ciascuna delle tue 4 risposte avrà la stessa importanza (1), ma puoi modificarla in "Imposta desiderabilità", se desideri dare più/meno importanza a una risposta.
- Se vuoi comprendere più a fondo il tuo sistema aggiungendo esperimenti al tuo DoE, penso che la piattaforma "Augment Design" potrebbe davvero aiutarti: Aumentare i disegni (jmp.com).In questo modo, mantieni (o aumenti) il modello e gli esperimenti esistenti, ma puoi aumentare la precisione con nuovi esperimenti aggiunti o modificare la gamma dei tuoi fattori per esplorare uno spazio sperimentale più ampio/più piccolo.
- Forse qualcosa di interessante da provare sarebbe aumentare alcuni degli intervalli del tuo spazio dei fattori (se sei in fase di esplorazione, altrimenti in una fase di ottimizzazione sarebbe meglio concentrarsi in uno spazio sperimentale ottimale più piccolo), per vedere ad esempio:
- Cosa succede se hai un livello più basso per i fattori F2 e F3 (e/o un livello più alto per il fattore F1): devi comunque mantenere F2 e F3 al livello più basso e F1 al livello più alto?
- Cosa succede se F4 ha una portata più ampia, cambia il suo impatto sulle risposte?
Spero che questi primi pensieri ti aiuteranno,
