このプレゼンテーションは、 シルヴィオ・ミッチオ氏が2017年にヨーロッパで開催されたJMP Discoveryの講演をアレンジしたものです。ビデオは、デモで私が実行する手順の説明から始まります。以下は、ビデオの背景です。
いくつかの引用
- デミング – 「統計は統計学者に任せておくには重要すぎる」（アナリティクス）
- ボックス – 「すべてのモデルは間違っているが、役に立たなくなるにはどの程度間違っている必要があるのか？」
- 著者不明 – 「モデルに恋をしてはいけない。モデルもあなたを愛してくれない」 – 物事は変わるもの！
- カーリー・フィオリーナ – 「目標は、データを情報に変換し、情報を洞察に変えることです。」
- ジョン・サル（JMPの開発者） - 「データから簡単にすべての情報が得られることは稀です。データを探索し、複数のツールを活用する必要があります。プロセスは可能な限り簡単で、ツールは可能な限り強力であるべきです。」
導入
異なる原材料や配合成分の選択肢を試験する場合、一般的には、それらをA、B、C…といった多段階のカテゴリ変数として変化させます。このシナリオでは、最適な候補材料を特定するための実験では、すべての選択肢を試験する必要があります。その結果、時間のかかる物理試験が必要となり、結果として得られるモデルは試験された選択肢を予測することしかできず、異なる物理的/化学的特性を持つ選択肢を予測することはできません。
より効率的なアプローチは、それぞれの新しい材料オプションの物理的/化学的特性に基づいて実験を設計することです。これにより、必要な実験条件の数が大幅に削減され、これまでテストされていないオプションを予測できる持続可能な経験的モデルが得られます。
このプレゼンテーションで使用したサンプルデータセット
- 45種類の原材料オプションがあり、製品配合の1つの成分の潜在的な改善点である
- 材料の選択肢は、19 の物理的および化学的記述子で説明できます (1 つのカテゴリ 2 レベル要因は -1/1 としてコード化されています)
- 最適化する2つの応答（Y1最大、Y2最小）
典型的なテスト手順
客観的
- 最適な材料を予測する（物理的にまだ入手できないオプションも含む）
- 全体的な最適値に最も近い利用可能な材料オプションを特定する
- 新しい原材料の選択肢を予測できる持続可能な経験モデルを確立する
- このアプローチは、QSAR（定量的構造活性相関）と呼ばれる化学計量分析アプリケーションに基づいています。
物理的および化学的性質の例
- Mw – 分子量
- C – 界面活性剤の疎水性末端の炭素原子の数
- グリフィンHLB – グリフィンによる親水性親油性バランス（HLB）
- CMC – 臨界ミセル濃度
- チェーンの数……
まとめ
- 実験の主要構成要素を介して、さまざまなオプションの物理的および化学的特性に関する利用可能な情報を圧縮します。設計に基づいて代表的な原材料をテストするための「ボックスの角」を選択します。
- 実験計画法に基づいて代表的な原材料をテストするための「箱の角」を選択する
- PLS（またはその他の適切なモデリング手法）を使用してデータをモデル化する
- 全体的な最適解を見つける
- 計算された最適解に最も近い物理的に利用可能なオプションを特定する
→ 非常に効率的な実験
→ 物理的/化学的特性に基づく持続可能な経験的モデル
→ 材料が最適であると特定されているにもかかわらず、最適な原材料特性を予測する
Table with ChemicalBiological Properties (non P&G Example)化学生物学的特性表（P&G以外の例） 化学生物学的特性表（P&G以外の例）
