Le développement en parallèle de plusieurs tests de dépistage de drogues (DAT) pour le système de spectrométrie de masse cobas® exige un flux de travail d'optimisation efficace. Cette présentation détaille notre approche d'optimisation du gradient HPLC, un défi classique lié au grand nombre de facteurs à prendre en compte lors du développement de méthodes LCMS.
Nous avons débuté par une expérience contrainte, de type I-optimal, comprenant plus de 80 essais, afin de générer l'ensemble de données riche nécessaire à une modélisation robuste. La présentation porte essentiellement sur l'analyse classique, détaillant le processus de construction de modèles prédictifs pour de nombreuses réponses et leur intégration dans un cadre d'optimisation unifié pour identifier des conditions de fonctionnement robustes.
En parallèle, nous avons exploré une approche d'apprentissage bayésien. Cette double stratégie visait non seulement à optimiser les analyses en cours, mais aussi à déterminer quelle philosophie de modélisation est la plus adaptée aux projets futurs. Cette présentation propose une comparaison inédite de ces deux méthodologies, offrant un aperçu de leur application pratique et des résultats finaux validés expérimentalement. Les participants découvriront les avantages et les inconvénients respectifs d'une approche DOE classique et des méthodes d'apprentissage bayésien dans un contexte de R&D industrielle.
Veuillez noter que cette présentation n'a pas été enregistrée et n'est pas disponible en visionnage à la demande.
