¿Orientación general sobre el seguimiento del DOE para DSD y recursos?Hola, soy un novato en DOE y uso JMP. Tengo una formulación farmacéutica que involucra 5 factores continuos y 4 respuestas para optimizar. He utilizado DSD para identificar el espacio de diseño que quiero explorar más a fondo y optimizar la formulación.
Ajusto el modelo después de adquirir los datos y elimino el efecto que no es importante (F5 y todas las formas e interacciones cuadráticas).
Al maximizar el parámetro de deseabilidad, encontré la formulación óptima como se muestra a continuación.
Al observar cada función de deseabilidad, tengo la idea de que tendré que maximizar F1 y minimizar F3. F4 apenas afecta la conveniencia, por lo que podría arreglarse. Además, F2 no es un factor significativo, pero la combinación de F2*F3 sí lo es. Esto me dice que tendría que variar F2 y F3 para la siguiente ronda de DOE para optimizar la formulación.
La pregunta es;
1) ¿Cómo debo establecer el límite de F2 y F3 para optimizar aún más?
2) ¿Qué modelo DOE debo aplicar para este tipo de optimización?
3) Por último, ¿existen herramientas específicas en JMP que me permitan investigar sistemáticamente los factores y el espacio de diseño para realizar un seguimiento de la próxima ejecución del DOE en lugar de confiar en mis ingenuas observaciones? He jugado con un creador de gráficos, pero como tengo 4 respuestas que quiero optimizar al mismo tiempo, no fue tan útil encontrar un espacio de diseño para realizar un seguimiento con el DOE.
Lamento si las preguntas son demasiado básicas, pero sería fantástico si pudiera brindar orientación general sobre el diseño del DOE de seguimiento para DSD. También se agradecería mucho alguna herramienta útil para encontrar espacio de diseño para realizar un seguimiento después del DSD inicial y recursos relacionados.
¡¡Gracias!!
Diseño de experimentosIngeniería de Calidad y ProcesosAsunto: ¿Orientación general sobre el seguimiento del DOE para DSD y recursos?@Victor_G ,
Muchas gracias por compartir tu experiencia y conocimiento. Realmente ayuda a comprender los conceptos básicos del diseño de mezclas y cómo aplicarlos para optimizar las formulaciones. Estudiaré más sobre Diseño de mezclas según los recursos que me has proporcionado.
¡Mis mejores deseos!
Asunto: ¿Orientación general sobre el seguimiento del DOE para DSD y recursos?Hola @BJK_JerseyBoy ,
Con los temas de formulación, normalmente existen dos enfoques diferentes:
- O su formulación es una solución "diluida" y el solvente toma una gran cantidad de la formulación (70-90%+) y/o el solvente es inerte o no influye en las respuestas que está midiendo: eso significa que Me gustaría ver si algunos aditivos muestran efectos significativos, interacciones sinérgicas o antagónicas: en este caso, ya que no le interesan las proporciones entre los aditivos sino la influencia de pequeñas cantidades de aditivos en la formulación (y el disolvente compensará al 100 % de la cantidad total de aditivos introducidos), sus factores son independientes entre sí y cualquier diseño factorial puede ser adecuado: diseño de cribado, diseño de cribado definitivo, diseños factoriales (fraccionales/completos), diseños de modelos de superficie de respuesta, ... Dependiendo de la complejidad del modelo y del número de ejecuciones para estimar los efectos, podrá estimar la importancia estadística de los efectos/interacciones y posiblemente realizar alguna optimización (principalmente en el caso de DSD, RSM).
- O su formulación no tiene solvente, y/o el solvente no es predominante en la formulación y/o tiene influencia en la(s) respuesta(s) y/o está más interesado en encontrar la buena relación entre aditivos que su concentración absoluta en la formulación: en este caso los diseños de mezclas son más adecuados, no se centran en la estimación de la significancia estadística de sus factores, sino más bien en la optimización de las proporciones de los aditivos para que coincidan con sus objetivos de respuesta. Los factores dependen unos de otros (si se reduce el nivel de A, se aumentan los niveles de otros aditivos) y la cantidad total/parte de la formulación es fija (1 o 100%).
Puedes mirar este genial poster para ver si tu situación requiere Diseños de Mezclas (tendrás la explicación que he hecho antes entre diferentes tipos de formulaciones/mezclas): Cuándo no ejecutar un experimento de mezcla - Comunidad de usuarios de JMP
En su caso, al observar su ejemplo y sus resultados, realizó algunas transformaciones en sus entradas (y salidas) para tener proporciones en lugar de cantidad de aditivos: esta parece ser una situación en la que Mixture Designs sería más adecuado (o tal vez una mezcla personalizada). modelo, con F1, F2 y F3 como factores de mezcla, y F4 como factor continuo ya que su concentración es muy baja comparada con otros aditivos).
Los diseños de mezclas implican frecuentemente más ejecuciones que con el cribado y algunos diseños factoriales, pero el objetivo es diferente. Puede tener varios niveles para cada factor dependiendo de la complejidad de su modelo, agregue las restricciones que desee (sobre la relación máxima para sus factores o restricción sobre la relación entre (algunos de) ellos) y la exploración espacial experimental es bastante fácil con la mezcla Profiler. (ejemplo en captura de pantalla de los datos de muestra de JMP "Donev Mixture Data"). Además, si es necesario, puede corregir/bloquear cualquier factor en un nivel específico si desea optimizar sus respuestas con una "restricción fija" (como F4 está al 2%, por ejemplo): Opciones del generador de perfiles de predicción (jmp.com)
Su enfoque es interesante (incluso si es teóricamente discutible para las proporciones), y sería bueno verificar sus hallazgos con nuevas ejecuciones, para ver si aún puede tener predicciones correctas y validar su modelo.
Espero que esta respuesta te ayude,
Asunto: ¿Orientación general sobre el seguimiento del DOE para DSD y recursos?Gracias @Victor_G ,
Parece que está familiarizado con el trabajo de formulación farmacéutica, así que le daré un poco más de detalles.
Sí, es un problema de mezcla pura en el que he fijado la cantidad total y varío la cantidad de cada factor.
Entonces, como dijiste, F1+F2+F3+F4 debería ser 100. Quería tener "al menos" 3 niveles para cada factor y probé un diseño personalizado, pero con eso no pude lograr la ortogonalidad de los factores principales.Recuerdo haber leído algo como "hacer que el modelo se ajuste al problema no hace que el problema se ajuste al modelo". en una de las publicaciones en la comunidad JMP. Sin embargo, realmente quería emplear DSD ya que permite la evaluación ortogonal de cada factor en las respuestas.
Entonces, hice un pequeño truco para poder aplicar DSD a este problema. Convertí el % de cada factor en proporciones y de esta manera puedes cambiar de forma independiente el nivel de cada factor. Por ejemplo, cuando miras la captura de pantalla de maximizar la conveniencia en mi publicación inicial, JMP me dice que en F1:30, F2:5, F3:10, F4: 1 puedo maximizar las respuestas. Estas son las proporciones, pero puedo convertir esta proporción a F1: 65%, F2: 11%, F3:22%, F4: 2% y luego usar esta mezcla para filtrar las formulaciones.
Sé que no es estricto y no estoy seguro de si es la forma correcta de hacerlo, pero al menos JMP ajusta muy bien estos datos con el valor p del gráfico predictivo de R1 y R2 ~0,01 y R3 y R4 ~ 0,06.
Nunca he explorado el diseño de mezclas, pero lo haré si eso permite el diseño ortogonal y menos ejecuciones para la detección inicial en comparación con DSD.
A continuación agregué mi respuesta a su respuesta 1, 2 y 3.
He valorado la importancia de cada respuesta y la he aplicado" Maximizar la deseabilidad" para encontrar la deseabilidad que se muestra en mi publicación inicial (segunda captura de pantalla). Como ha sugerido, mi objetivo es definitivamente optimizar la formulación observando el espacio de diseño más pequeño. La pregunta es cuáles son las formas inteligentes de establecer los límites del espacio de diseño a seguir. Suponiendo que el experto en la materia quiera que fije F1 y F4 en el valor sugerido por la función de deseabilidad de JMP (segunda captura de pantalla) e investigue más a fondo la diferente proporción de F2 y F3. ¿Cómo debo establecer el límite de F2 y F3 para observar? Veo que algunas personas usan un diagrama de dispersión 3D para resolver esto, pero como me gustaría considerar 4 respuestas (simultáneamente) para optimizar, no es una opción viable. Pero estaba pensando que JMP debería tener alguna herramienta inteligente para ayudar a los usuarios a identificar el espacio de diseño a seguir, aunque haya múltiples respuestas. En términos del método de diseño, no conocía la herramienta Augment Design. Gracias por hacérmelo saber, lo investigaré.
Gracias por tus aportes y sugerencias. Soy muy nuevo en DOE y JMP, por lo que estoy en la fase de aprendizaje activo. Cualquier consejo adicional sería apreciado.
Asunto: ¿Orientación general sobre el seguimiento del DOE para DSD y recursos?Hola @BJK_JerseyBoy ,
Para estar seguro, estás hablando de una formulación y de hacer un DSD, que es un diseño factorial especial que asume factores independientes y no tiene restricciones sobre la "cantidad total". ¿Es este realmente su caso? ¿Puede agregar o reducir la cantidad de "aditivos" sin ninguna restricción/dependencia entre factores y el solvente compensará los cambios en F1, F2, F3 y F4?
¿O la cantidad de F1+F2+F3+F4 debería ser siempre igual al 100% de la formulación? Si este es el caso, un Diseños de mezclas (jmp.com) quizás hubiera sido más adecuado para sus necesidades.
- Puede intentar ver qué optimización hace JMP con sus diversas respuestas haciendo clic en el punto rojo junto a Profiler, "Optimización y deseabilidad", "y luego "Maximizar la deseabilidad". Ten en cuenta que por defecto cada una de tus 4 respuestas tendrá la misma importancia (1), pero puedes cambiar esto en "Establecer deseabilidad", si quieres darle más/menos importancia a una respuesta.
- Si desea desarrollar una comprensión más profunda de su sistema agregando experimentos a su DoE, creo que la plataforma "Augment Design" realmente podría ayudarlo: Diseños de aumento (jmp.com).De esta manera, mantiene (o aumenta) su modelo y experimentos existentes, pero puede aumentar la precisión con nuevos experimentos agregados o cambiar el rango de sus factores para explorar un espacio experimental más amplio o más pequeño.
- Quizás algo interesante para probar sería aumentar algunos de los rangos de su espacio de factores (si está en la fase de exploración, de lo contrario, en una fase de optimización sería mejor concentrarse en un espacio experimental óptimo más pequeño), para ver, por ejemplo:
- ¿Qué sucede si tiene un nivel más bajo para los factores F2 y F3 (y/o un nivel más alto para el factor F1)? ¿Aún tiene que mantener F2 y F3 en su nivel más bajo y F1 en su nivel más alto?
- ¿Qué sucede si F4 tiene un rango más amplio? ¿Cambia su impacto en las respuestas?
Espero que estos primeros pensamientos te ayuden,
