Dieser Artikel stellt ein Beispiel für die Verwendung von JMP zur Durchführung der Versuchsplanung (DOE) bei der Entwicklung einer analytischen Methode für ein Arzneimittel vor.
In den letzten Jahren wurde die Leitlinie ICH-Q14 für die Entwicklung analytischer Methoden entwickelt und „analytische Methoden, die fortschrittlichere Techniken verwenden“ erregen Aufmerksamkeit.
Die Methode zur Überprüfung der Qualität auf der Grundlage wissenschaftlicher Erkenntnisse bei der Entwicklung analytischer Methoden heißt AQbD (Analytical Quality by Design) und die Verwendung der Versuchsplanung (Design of Experiments, DOE) wird als eine Möglichkeit vorgeschlagen, dies zu erreichen.
Ein Beispiel für die Entwicklung analytischer Methoden ist beispielsweise die Bestimmung der optimalen Betriebsbedingungen für die folgende HPLC-Konfiguration.
Analysebeispiel: Optimierung der HPLC-Betriebsbedingungen
Ziel: Entwicklung einer Analysemethode, die eine vollständige Peaktrennung (Auflösung ≧ 1,5) gemäß den Vorgaben des japanischen Arzneibuchs erreicht.
Um dieses Ziel zu erreichen, werden wir Experimente auf Grundlage des Konzepts des experimentellen Designs durchführen und die erhaltenen Daten verwenden, um die Betriebsparameter und -bedingungen zu bestimmen, die eine vollständige Trennung erreichen.
Bei der Versuchsplanung wird der zu optimierende oder modellierende Kennwert als „ Response “ bezeichnet, bei der Methodenentwicklung umfasst dies die Auflösung oder die Anzahl der Peaks. Andererseits werden manipulierbare Parameter, von denen man annimmt, dass sie die Reaktion beeinflussen, als „ Faktoren “ bezeichnet. Bei der HPLC sind dies beispielsweise die Säulentemperatur und die Flussrate der mobilen Phase.
In diesem Beispiel wird die Studie in zwei Schritten durchgeführt: „Ein Experiment (Screening-Experiment), um wichtige Faktoren aus vielen Faktoren einzugrenzen“ und „Ein Experiment (Optimierungsexperiment), um optimale Bedingungen zu finden, indem mithilfe der durch das Screening eingegrenzten Faktoren ein genaueres Modell (Response-Surface-Modell) angepasst wird.“
- Screening-Experiment : Extraktion wirksamer Faktoren aus einer großen Anzahl von Faktoren, von denen angenommen wird, dass sie die Reaktion beeinflussen
- Optimierungsexperimente (Antwortoberflächen) : Finden von Faktoreinstellungen, die ein Antwortziel erfüllen (Maximierung, Minimierung usw.)
In JMP verwenden wir „ Benutzerdefiniertes Design “, eine typische Methode zur Designerstellung, und fahren mit der Analyse anhand der folgenden Schritte fort. 
1. Screening-Experiment
Ziel: Überprüfung der Faktoren, die die Auflösung beeinflussen.
Als Ergebnis der Risikobewertung wurden fünf Faktoren ausgewählt, die die Trennleistung vermutlich beeinflussen (in der Abbildung unten gelb dargestellt).
Die Bedingungen für die Faktoren sind wie folgt:
| Faktor |
Rolle |
Untergrenze |
Obergrenze |
| pH |
kontinuierlich |
7 |
9 |
| Säulentemperatur (℃) |
kontinuierlich |
35 |
45 |
| ACN (%) |
kontinuierlich |
30 |
50 |
| Flussrate (ml/min) |
kontinuierlich |
1.4 |
1.6 |
| Spaltentyp |
Kategorisch |
C1, C2, C3, C4 |
pH: pH-Wert des mobilen Phasenpuffers;Säulentemp.: Säulentemperatur.ACN(%): Prozentsatz des organischen Lösungsmittels (Acetonitril) in der mobilen Phase
Flussrate: Flussrate der mobilen Phase.Spaltentyp: Spaltentyp (4 Typen: C1 bis C4)
*Dies ist ein Beispiel für eine isokratische Elution (die Zusammensetzung der mobilen Phase ist konstant).
Erstellen Sie einen Plan
- Starten Sie „Benutzerdefiniertes Design“ und legen Sie „Antwort“, „Faktoren“ und „Modell“ fest.
- Hier umfasst das Modell (zu untersuchende Faktoren) die Haupteffekte und Wechselwirkungen („pH*Säulentemperatur“, „pH*ACN“, „pH*Flussrate“, „Säulentemperatur*ACN“, „Säulentemperatur*Flussrate“ und „ACN*Flussrate“).
- Akzeptieren Sie unter „Design erstellen“ die Standardanzahl der Durchläufe (24).
Eingabe von Antwortwerten und Anpassung des Modells
- Ihnen werden 24 Experimente auf Grundlage eines optimalen Designs vorgelegt, Sie führen die Experimente durch und geben die Antwortwerte (Grad der Trennung) ein.
- Nachdem Sie die Antwortwerte eingegeben haben, führen Sie das Skript „Modell“ oben links in der Datentabelle aus (klicken Sie auf die grüne Schaltfläche ▷). Anschließend wird das in der Sonderanfertigung angegebene Modell verbaut.
Modellanpassung und Screening wichtiger Faktoren
Überprüfen Sie die „Zusammenfassung der Auswirkungen“ im angezeigten Bericht und identifizieren Sie wichtige Faktoren durch „Pooling für Fehler“, wodurch Faktoren mit großen P-Werten der Reihe nach entfernt werden.
In diesem Beispiel wurden die wichtigen Faktoren „pH“, „ACN“, „Säulentemperatur“ und „pH*Säulentemperatur“ ausgewählt.
Daher verwenden wir in den nachfolgenden Optimierungsexperimenten „pH“, „ACN“ und „Säulentemperatur“ als Faktoren.
*Hier haben wir „Pooling for Error“ verwendet, um wichtige Faktoren zu identifizieren, es können jedoch auch andere Methoden wie schrittweise Variablenauswahlmethoden verwendet werden.
2. Optimierungsexperimente (Response Surface)
In diesem Schritt wird neben der Auflösung** auch die Anzahl der Peaks als Antwort festgelegt und eine Antwortoberfläche erstellt und optimiert.
Die berücksichtigten Antworten und Faktoren sind:
| Antwort |
Spezifikation |
| Auflösung |
1,5 oder höher |
| N der Gipfel |
6 oder mehr |
| Faktor |
Rolle |
Untergrenze |
Obergrenze |
| pH |
kontinuierlich |
7 |
9 |
| Säulentemperatur (℃) |
kontinuierlich |
35 |
45 |
| ACN(%) |
kontinuierlich |
30 |
50 |
Erstellen Sie einen Plan
- Starten Sie „Benutzerdefiniertes Design“ und legen Sie „Antwort“ und „Faktoren“ fest.
- Geben Sie das Response Surface-Modell an, indem Sie als „Modell“ auf die Schaltfläche [RSM] klicken.
- Akzeptieren Sie unter „Design erstellen“ die Standardanzahl der Durchläufe (16).
*Das Response-Surface-Modell ist ein Modell, das Haupteffekte, Wechselwirkungen zweiter Ordnung und quadrierte Terme als Effekte beinhaltet.
*Das mit 16 Experimenten erstellte Design entspricht dem „Central Composite Design (CCD)“.
Eingabe von Antwortwerten und Anpassen von Antwortoberflächenmodellen
- Geben Sie die Antwortwerte wie im Screening-Experiment ein und führen Sie das Skript „Modell“ aus, um das Antwortoberflächenmodell anzupassen.
Optimierung, Aufbau von Designräumen
- Mit dem Bericht „Prediction Profiler“ können Sie die Beziehung zwischen Faktoren (horizontale Achse) und Antworten (vertikale Achse) in der Vorhersagegleichung visuell überprüfen.
- Wir suchen nach einer Kombination von Faktoren, die unseren Zielen entsprechen (Auflösung ≧ 1,5, Anzahl der Peaks ≧ 6), indem wir [Optimierung und Zufriedenheit] > [Zufriedenheit maximieren] ( Optimierung ) auswählen.
- Das Bild unten rechts zeigt die optimierten Einstellungen. Bei einem pH-Wert von 8,38, einer Säulentemperatur von 40,98 °C und einer ACN-Konzentration von 30 % beträgt der vorhergesagte Auflösungswert 2,45 und der vorhergesagte Wert für die Anzahl der Peaks 7,39, was den Antwortspezifikationen entspricht.
Mit dem JMP Contour Profiler können Sie den Bereich des Faktorraums, der die Spezifikationen erfüllt ( Entwurfsraum ), visuell identifizieren.
Nachfolgend sind die Konturen der Optimierungsbedingungen aufgeführt.Wenn die Säulentemperatur auf 40,98 °C festgelegt ist, der pH-Wert auf der horizontalen Achse und ACN auf der vertikalen Achse steht, stellt der weiße Konturbereich den Bereich dar, der den Spezifikationen entspricht. Dieser Bereich enthält auch den durch Maximieren der Erwünschtheit ermittelten Optimalwert.
Beim Erstellen eines Designraums werden Bestätigungsexperimente in der Nähe der optimalen Bedingungen durchgeführt (Experimente werden unter optimalen Bedingungen durchgeführt, um zu bestätigen, ob die erhaltenen Antwortwerte den Spezifikationen entsprechen). Verläuft das Bestätigungsversuch problemlos, kommt als Designraum ein rechteckiger Bereich innerhalb der weißen Fläche unten rechts in der oben stehenden Konturkarte unter Berücksichtigung der spezifischen technischen Anforderungen in Betracht.
Referenzinformationen
■Neuer Anwenderfall: Ono Pharmaceutical Co., Ltd. (Beispiel für die Verwendung von JMP zur Entwicklung analytischer Methoden)
Ono Pharmaceutical Co., Ltd. | JMP
■Grundlagen der Versuchsplanung (DOE) mit JMP und Beispielen (YouTube)
von Naohiro Masukawa (JMP Japan)
Naohiro Masukawa – JMP-Benutzergemeinschaft
