Lo sviluppo in parallelo di molteplici test per la rilevazione di droghe d'abuso (DAT) per il sistema di spettrometria di massa cobas® richiede un flusso di lavoro di ottimizzazione efficiente. Questa presentazione illustra in dettaglio il nostro approccio all'ottimizzazione del gradiente HPLC, una sfida tipica con un ampio spazio di fattori nello sviluppo di metodi LC-MS.
Abbiamo iniziato con un esperimento vincolato, progettato secondo il principio I-ottimale, con oltre 80 ripetizioni, per generare il ricco set di dati necessario a una modellazione robusta. Il fulcro della presentazione si concentra sull'analisi classica, illustrando il processo di costruzione di modelli predittivi per numerose risposte e la loro integrazione in un quadro di ottimizzazione unificato per identificare condizioni operative robuste.
Parallelamente, abbiamo esplorato un approccio di apprendimento bayesiano. Questa duplice strategia è stata concepita non solo per ottimizzare i test attuali, ma anche per capire quale filosofia di modellazione sia più adatta ai progetti futuri. Questa presentazione offre un confronto unico tra questi due flussi di lavoro, fornendo approfondimenti sulla loro applicazione pratica e sui risultati finali, verificati sperimentalmente. I partecipanti apprenderanno i punti di forza e i compromessi relativi di un approccio DOE classico rispetto ai metodi di apprendimento bayesiano in un contesto di ricerca e sviluppo industriale.
Si prega di notare che questa presentazione non è stata registrata e non è disponibile per la visione su richiesta.
