Die parallele Entwicklung mehrerer Drogenanalysetests (DAT) für das cobas® Massenspektrometrie-System erfordert einen effizienten Optimierungs-Workflow. Dieser Vortrag beschreibt unseren Ansatz zur Optimierung des HPLC-Gradienten – eine typische Herausforderung mit einem großen Einflussfaktorbereich bei der LC-MS-Methodenentwicklung.
Wir begannen mit einem eingeschränkten, I-optimal konzipierten Experiment mit über 80 Durchläufen, um den umfangreichen Datensatz zu generieren, der für eine robuste Modellierung erforderlich ist. Der Schwerpunkt der Präsentation liegt auf der klassischen Analyse. Dabei wird der Prozess der Erstellung von Vorhersagemodellen für zahlreiche Zielgrößen und deren Integration in ein einheitliches Optimierungsframework zur Identifizierung robuster Betriebsbedingungen erläutert.
Parallel dazu untersuchten wir einen Bayes'schen Lernansatz. Diese duale Strategie diente nicht nur der Optimierung der aktuellen Analysen, sondern auch der Ermittlung des für zukünftige Projekte besser geeigneten Modellierungsansatzes. Der Vortrag bietet einen einzigartigen Vergleich dieser beiden Arbeitsabläufe und gibt Einblicke in deren praktische Anwendung sowie die finalen, experimentell verifizierten Ergebnisse. Die Teilnehmenden lernen die jeweiligen Stärken und Schwächen eines klassischen Versuchsplanungsansatzes (DOE) im Vergleich zu Bayes'schen Lernmethoden im industriellen F&E-Umfeld kennen.
Bitte beachten Sie, dass diese Präsentation nicht aufgezeichnet wurde und nicht zum Abruf verfügbar ist.
