在材料研发与制造领域，实验设计是评估原物料特性与制程条件的关键步骤。然而，传统的实验方法会随着原物料种类的增加而大幅提升实验次数，导致时间与成本的上升。此外，当新材料加入时，往往需要重新进行实验设计，增加了研发的不确定性。为了解决这个问题，可以在实验过程引进QSAR (Quantitative Structure Activity Relationship) 方法，透过数据建模的方式，提高原物料筛选与分析的效率，从而降低实验成本并提升决策准确性。
什么是构效关系方法？构效关系方法在原物料筛选中的应用
QSAR (定量构效关系) 是一种基于化合物的分子结构与活性之间的关联性来建立数学模型的方法。这一概念早在18 世纪便被提出，现已广泛应用于药物开发、化学与材料科学领域。传统QSAR 主要用于化学结构与生物活性的关联研究，而本案例将其应用范围扩展至物理化学性质，利用分子结构数据来提升原物料筛选与建模效率。
案例：从四十五种原料筛选至12种的实验设计
某企业希望对不同原物料进行配方实验，但由于成本考量，需要将45种原料缩减至12种。为此，团队采用构效关系方法，透过19种分子结构特性及2个关键Y变量进行筛选，并设计最佳实验方案。以下是具体的实验步骤说明：
步骤1 ：将类别型因子转换为连续因子
由于原物料的化学特性是类别型变数，因此需要透过专业知识与数据分析经验，将其转换为可量化的连续变数，如(图1） 。例如，根据分子结构特性，提取关键的预测变量，使其能够进行后续建模。
(图1:各材料具有相对应的分子结构数据)
步骤2 ：使用主成分分析(PCA)降维与去相关
在多变数分析中，许多变数之间可能存在高度相关性(图2） ，影响建模准确性。因此，研究团队利用主成分分析（主成分分析）来转换变数，使其转换成独立变数，如(图3） ，降低维度并避免共线性问题。这一过程有助于后续的建模与变数选择。
(图2）相关性分析
(图3)主成分分析
步骤3 ：透过Custom Design进行实验设计
在JMP中，使用Custom Design (如图4)功能，将经过PCA转换的主成分作为共变量，设计最优化的实验方案。透过这种方式，研究团队成功将实验次数控制在12次内，显著降低成本与时间需求。
(图4-1）
(图4-2）
(图4-3）
步骤4 ：应用请留意或机器学习进行建模
完成实验设计后，使用请留意法， 根据Prob > van der Voet T 2选择6因子模型(如图5） ，或是使用模型筛选平台(如图6） ，筛选出适合的预测建模方法，另存公式到资料表上并搭配图形下的剖析器 (如图7)去了解X变量与Y变量间的关系。
图5 PLS平台
图6 模型筛选平台
圖7 剖析器
小结
本案例证明，将数据建模技术应用于原物料筛选，能够显著提升研发效率，并且为未来的制程优化提供更多可能性。
透过该案例，研究人员可以将变量扩展到与制程变量一同进行实验设计，此外，筛选材料种类时使用构效关系方法，不仅减少了实验次数也能够反向寻找材料，能显著提升原物料筛选的效率，也可避免实验成本浪费，为未来的制程优化提供更多可能性。随着材料科学与数据分析技术的不断进步，这种方法将成为企业提升研发决策能力的重要工具及未来产业升级的关键。
参考资料
- https://community.jmp.com/t5/Discovery-Summit-Europe-2017/Increase-Efficiency-and-Model-Applicability-Domain-When-Testing/ta-p/36572 2017 演讲
- https://community.jmp.com/t5/Learn-JMP-Events/JMP-Academic-Webinar-Teaching-Analytics-in-Chemistry-and/ev-p/481604 JMP 学术网络研讨会 - 使用 JMP 教授化学和化学工程分析：实践入门案例 2
更多学习资源
