El desarrollo simultáneo de múltiples ensayos de detección de drogas de abuso (DAT) para el sistema de espectrometría de masas cobas® exige un flujo de trabajo de optimización eficiente. Esta presentación detalla nuestro enfoque para optimizar el gradiente de HPLC, un desafío típico con un amplio rango de factores en el desarrollo de métodos LC-MS.
Comenzamos con un experimento de diseño óptimo con restricciones, que constó de más de 80 ejecuciones para generar el amplio conjunto de datos necesario para un modelado robusto. La presentación se centra en el análisis clásico, explicando el proceso de creación de modelos predictivos para múltiples respuestas e integrándolos en un marco de optimización unificado para identificar condiciones operativas robustas.
Paralelamente, exploramos un enfoque de aprendizaje bayesiano. Esta estrategia dual se diseñó no solo para optimizar los ensayos actuales, sino también para determinar qué filosofía de modelado se adapta mejor a proyectos futuros. Esta presentación ofrece una comparación única de estos dos flujos de trabajo, brindando información sobre su aplicación práctica y los resultados finales verificados experimentalmente. Los asistentes conocerán las ventajas y desventajas relativas de un enfoque DOE clásico frente a los métodos de aprendizaje bayesiano en un entorno de I+D industrial.
Tenga en cuenta que esta presentación no fue grabada y no está disponible para su visualización bajo demanda.
