Des orientations générales sur le suivi du DOE pour les DSD et les ressources ?Bonjour, je suis un débutant dans DOE et j'utilise JMP. J'ai une formulation pharmaceutique qui implique 5 facteurs continus et 4 réponses à optimiser. J'ai utilisé des DSD pour identifier l'espace de conception que je souhaite explorer davantage et optimiser la formulation.
J'ajuste le modèle après avoir acquis les données et supprime l'effet qui n'est pas important (F5 et toutes les formes et interactions quadratiques).
En maximisant le paramètre de désirabilité, j'ai trouvé la formulation optimale comme ci-dessous.
En regardant chaque fonction de désirabilité, j'ai en quelque sorte l'idée que je devrai maximiser F1 et minimiser F3. F4 affecte à peine l'opportunité, il pourrait donc être corrigé. De plus, F2 n’est pas un facteur significatif mais la combinaison de F2*F3 est un facteur important. Cela me dit que je devrais varier F2 et F3 pour le prochain cycle de DOE afin d'optimiser la formulation.
Les questions sont :
1) Comment dois-je définir la limite de F2 et F3 pour optimiser davantage.
2) Quel modèle du DOE dois-je appliquer pour ce type d’optimisation ?
3) Enfin, existe-t-il des outils spécifiques dans JMP qui me permettent d'étudier systématiquement les facteurs et l'espace de conception à suivre pour la prochaine exécution du DOE plutôt que de me fier à mes observations naïves ? J'ai joué avec un générateur de graphiques mais comme j'ai 4 réponses que je souhaite optimiser en même temps, il n'a pas été très utile de trouver un espace de conception pour suivre avec DOE.
Je suis désolé si les questions sont trop basiques, mais ce serait formidable si vous pouviez donner des conseils généraux sur la conception de DOE de suivi pour les DSD. Un outil utile pour trouver un espace de conception à suivre après le DSD initial et les ressources associées serait également très apprécié.
Merci!!
Conception d'expériencesIngénierie Qualité et ProcédésRe : Orientations générales sur le suivi du DOE pour les DSD et les ressources ?@Victor_G ,
Merci beaucoup d'avoir partagé votre expérience et vos connaissances. Cela aide vraiment à comprendre les bases de la conception de mélanges et la manière dont vous les appliquez pour optimiser les formulations. J'étudierai davantage la conception de mélanges en fonction des ressources que vous avez fournies.
Tous mes vœux!
Re : Orientations générales sur le suivi du DOE pour les DSD et les ressources ?Salut @BJK_JerseyBoy ,
Avec les sujets de formulation, il existe généralement deux approches différentes :
- Soit votre formulation est une solution « diluée », et le solvant absorbe une grande quantité de la formulation (70-90 %+) et/ou le solvant est inerte ou n'influence pas les réponses que vous mesurez : cela signifie que vous le feriez j'aimerais voir si certains additifs présentent des effets significatifs, des interactions synergiques ou antagonistes : dans ce cas, puisque vous n'êtes pas intéressé par les ratios entre additifs mais plutôt par l'influence de petites quantités d'additifs dans la formulation (et le solvant compensera à 100 % de la quantité totale d'additifs introduits), vos facteurs sont indépendants les uns des autres, et n'importe quel plan factoriel peut convenir : Plan de criblage, Plan de criblage définitif, Plans factoriels (fractionnaires/complets), Plans de modèle de surface de réponse, ... En fonction de la complexité du modèle et du nombre d'exécutions pour estimer les effets, vous serez en mesure d'estimer la signification statistique des effets/interactions, et éventuellement de procéder à une optimisation (principalement dans le cas de DSD, RSM).
- Soit votre formulation ne contient pas de solvant, et/ou le solvant n'est pas prédominant dans la formulation et/ou a une influence sur la ou les réponses et/ou vous êtes plus intéressé à trouver le bon rapport entre les additifs que leur concentration absolue dans la formulation : dans ce cas les Mixture Designs sont plus adaptés, ils ne sont pas axés sur l'estimation de la significativité statistique de vos facteurs, mais plutôt sur l'optimisation des ratios d'additifs pour correspondre aux objectifs de votre (vos) réponse(s). Les facteurs dépendent les uns des autres (si vous réduisez le niveau de A, vous augmentez le(s) niveau(s) d'autres additifs) et la quantité/partie totale de la formulation est fixe (1 ou 100 %).
Vous pouvez regarder cette superbe affiche pour voir si votre situation nécessite des conceptions de mélanges (vous aurez l'explication que j'ai déjà faite entre les différents types de formulations/mélanges) : Quand ne pas exécuter une expérience de mélange - Communauté d'utilisateurs JMP
Dans votre cas, en regardant votre exemple et vos résultats, vous avez effectué quelques transformations dans vos entrées (et sorties) pour avoir des ratios au lieu de la quantité d'additifs : cela semble être une situation dans laquelle les conceptions de mélange seraient plus adaptées (ou peut-être un mélange personnalisé modèle, avec F1, F2 et F3 comme facteurs de mélange, et F4 comme facteur continu car sa concentration est très faible par rapport aux autres additifs).
Les plans de mélange impliquent souvent plus d'essais que le dépistage et certains plans factoriels, mais l'objectif est différent. Vous pouvez avoir plusieurs niveaux pour chaque facteur en fonction de la complexité de votre modèle, ajouter toutes les contraintes que vous souhaitez (sur le rapport maximum pour vos facteurs, ou contrainte sur le rapport entre (certains d'entre eux)) et l'exploration spatiale expérimentale est assez simple avec le mélange Profiler. (exemple dans la capture d'écran sur les exemples de données JMP "Donev Mixture Data"). Aussi si besoin, vous pouvez corriger/bloquer n'importe quel facteur à un niveau spécifique si vous souhaitez optimiser vos réponses avec une "contrainte fixe" (comme F4 est à 2% par exemple) : Options du profileur de prédiction (jmp.com)
Votre approche est intéressante (même si théoriquement discutable pour les ratios), et ce serait bien de vérifier vos résultats avec de nouvelles exécutions, pour voir si vous êtes toujours en mesure d'avoir des prédictions correctes et de valider votre modèle.
J'espère que cette réponse vous aidera,
Re : Orientations générales sur le suivi du DOE pour les DSD et les ressources ?Merci @Victor_G ,
Vous semblez être familier avec le travail de formulation pharmaceutique, je vais donc vous donner un peu plus de détails.
Oui, c'est un pur problème de mélange où j'ai fixé la quantité totale et fait varier la quantité de chaque facteur.
Donc, comme vous l'avez dit, F1+F2+F3+F4 devrait être 100. Je voulais avoir « au moins » 3 niveaux pour chaque facteur et j'ai essayé une conception personnalisée, mais avec cela, je n'ai pas pu atteindre l'orthogonalité des facteurs principaux.Je me souviens avoir lu quelque chose comme "faire en sorte que le modèle s'adapte au problème ne fait pas en sorte que le problème s'adapte au modèle". dans l'une des publications de la communauté JMP. Cependant, je voulais vraiment utiliser DSD car il permet une évaluation orthogonale de chaque facteur dans les réponses.
J'ai donc fait une petite astuce pour pouvoir appliquer DSD sur ce problème. J'ai converti le % de chaque facteur en ratios et de cette façon, vous pouvez modifier indépendamment le niveau de chaque facteur. Par exemple, lorsque vous regardez la capture d'écran montrant la maximisation de l'opportunité lors de ma publication initiale, JMP me dit qu'à F1:30, F2:5, F3:10, F4 : 1, je peux maximiser les réponses. Ce sont les ratios, mais je peux convertir ce ratio en F1 : 65 %, F2 : 11 %, F3 : 22 %, F4 : 2 %, puis utiliser ce mélange pour filtrer les formulations.
Je sais que ce n'est pas strict et je ne sais pas si c'est la bonne façon de le faire, mais au moins JMP correspond bien à ces données avec la valeur p du tracé prédictif de R1&R2 ~ 0,01 et R3&R4 ~ 0,06.
Je n'ai jamais exploré la conception de mélanges, mais je le ferai si cela permet la conception orthogonale et moins d'exécutions pour la sélection initiale par rapport au DSD.
Ci-dessous, j'ai regroupé ma réponse à vos réponses 1,2 et 3.
J'ai évalué l'importance de chaque réponse et appliqué " Maximiser la désirabilité" pour trouver la désirabilité affichée dans ma publication initiale (2ème capture d'écran). Comme vous l'avez suggéré, mon objectif est d'optimiser définitivement la formulation en examinant l'espace de conception plus petit. La question est de savoir quels sont les moyens intelligents de définir les limites de l'espace de conception à suivre. En supposant que cet expert en la matière souhaite que je corrige F1 et F4 à la valeur suggérée par la fonction de désirabilité de JMP (2e capture d'écran) et que j'étudie plus en détail les différents rapports de F2 et F3. Comment dois-je définir la limite de F2 et F3 à examiner ? Je vois que certaines personnes utilisent un nuage de points 3D pour comprendre cela, mais comme j'aimerais considérer 4 réponses (simultanément) pour optimiser, ce n'est pas une option viable. Mais je pensais que JMP devrait disposer d'un outil intelligent pour aider les utilisateurs à identifier l'espace de conception à suivre, même s'il existe plusieurs réponses. En termes de méthode de conception, je ne connaissais pas l’outil Augment Design. Merci de me l'avoir prévenu, je vais y réfléchir.
Merci pour votre contribution et vos suggestions. Je suis très nouveau sur DOE et JMP, je suis donc en phase d'apprentissage actif. Tout conseil supplémentaire serait apprécié.
Re : Orientations générales sur le suivi du DOE pour les DSD et les ressources ?Salut @BJK_JerseyBoy ,
Juste pour être sûr, vous parlez d'une formulation et d'un DSD, qui est un plan factoriel spécial supposant des facteurs indépendants et aucune contrainte sur le « montant total ». Est-ce vraiment votre cas, vous pouvez ajouter ou réduire la quantité d'"additifs" sans aucune contrainte/dépendance entre facteurs et le solvant compensera les changements de F1, F2, F3 et F4 ?
Ou la quantité de F1+F2+F3+F4 doit-elle toujours être égale à 100% de la formulation ? Si tel est le cas, un Conceptions de mélanges (jmp.com) aurait peut-être été plus adapté à vos besoins.
- Vous pouvez essayer de voir quelle optimisation JMP fait avec vos différentes réponses en cliquant sur le point rouge à côté de Profiler, "Optimisation et désirabilité", "puis "Maximiser la désirabilité". Gardez à l'esprit que par défaut chacune de vos 4 réponses aura la même importance (1), mais vous pouvez modifier cela dans "Définir la désirabilité", si vous souhaitez donner plus/moins d'importance à une réponse.
- Si vous souhaitez approfondir votre compréhension de votre système en ajoutant des expériences à votre DoE, je pense que la plateforme "Augment Design" pourrait vraiment vous aider : Conceptions d'augmentation (jmp.com).De cette façon, vous conservez (ou augmentez) votre modèle et vos expériences existants, mais vous pouvez augmenter la précision avec de nouvelles expériences ajoutées, ou modifier la gamme de vos facteurs pour explorer un espace expérimental plus large/plus petit.
- Peut-être que quelque chose d'intéressant à essayer serait d'augmenter certaines plages de votre espace de facteurs (si vous êtes en phase d'exploration, sinon en phase d'optimisation il serait préférable de se concentrer dans un espace expérimental optimal plus petit), pour voir par exemple :
- Que se passe-t-il si vous avez un niveau inférieur pour les facteurs F2 et F3 (et/ou un niveau supérieur pour le facteur F1) : devez-vous quand même maintenir F2 et F3 à leur niveau le plus bas et F1 à son niveau le plus élevé ?
- Que se passe-t-il si F4 a une portée plus large, cela change-t-il son impact sur les réponses ?
J'espère que ces premières réflexions vous aideront,
