927735_fr-FR

liliconcom

optimisation des bioprocédés

Cher Monsieur,

Je mène une expérience de bioprocédé avec quatre facteurs et une variable de réponse. Mon objectif est d'optimiser les concentrations de ces facteurs pour de futures études en laboratoire. Dans JMP, seuls deux facteurs étaient significatifs ( p < 0,05). J'ai toutefois observé quelques interactions quadratiques. Lors de l'utilisation du Profiler de prédiction pour maximiser la désirabilité, dois-je d'abord supprimer les facteurs non significatifs ou dois-je inclure à la fois les effets significatifs et non significatifs dans l'optimisation finale ?

aussi,

Lors de la réduction d'un modèle pour l'optimisation d'un bioprocédé dans JMP, quelle est la meilleure pratique pour gérer les termes non significatifs dans le Profiler de prédiction ? Mon modèle présente deux effets principaux significatifs et des interactions quadratiques. Je ne sais pas s'il faut conserver les facteurs non interactifs et non significatifs lors de la prédiction de la désirabilité maximale, ou si leur conservation risque d'introduire du bruit inutile dans l'optimisation.

Merci d'avance pour votre réponse.

Modélisation statistique avancéeAnalyse et modélisation de données de baseAccès aux donnéesConception des expériencesIngénierie de la qualité et des procédésAnalyse de fiabilitéRe: optimisation des bioprocédés

Bienvenue ! Il n’existe malheureusement pas de réponse simple et générale à vos questions, car la réduction de modèle dépend souvent des spécificités de votre expérience. Je vous recommande donc de consulter des experts en conception d’expériences et en statistiques.

Si vous ne l'avez pas encore consulté, je vous recommande la ressource suivante pour apprendre à analyser des expériences à l'aide de la régression linéaire multiple dans JMP : Tutoriel sur la corrélation et la régression | JMP

Re: optimisation des bioprocédés

Votre expérience manque de structure. Aucune information n'est fournie sur les niveaux, ni sur d'éventuelles répétitions ou réplications. Pourriez-vous joindre le tableau de données ? Lorsque vous parlez d'optimisation, s'agit-il réellement d'une optimisation ou souhaitez-vous plutôt sélectionner la meilleure expérience ? Il n'existe pas de méthode unique pour analyser les données. Généralement, l'analyse DOE commence avec le modèle utilisé pour sélectionner l'expérience, puis on effectue un ajustement du modèle dans JMP. Plusieurs statistiques permettent de réduire ou de simplifier le modèle, mais il est effectivement conseillé de le simplifier avant d'utiliser le profileur de prédiction avec confiance. Que signifie « interactions quadratiques » ? Voulez-vous dire quelque chose comme : X1*X2^2 ? En présence d'interactions, il convient d'être prudent lors du paramétrage des effets principaux.

Il est important de noter que l'optimisation intervient après la compréhension du bruit au sein du système. Si vous souhaitez réellement optimiser, vous devez déjà avoir établi l'importance des différents facteurs. Vous tracez alors les courbes de niveau de la surface de réponse.

Par ailleurs, je trouve extrêmement inhabituel qu'il n'y ait qu'une seule variable de réponse. Je n'ai jamais vu ça auparavant. Nous vivons dans un monde multivarié.

Re: optimisation des bioprocédés

Comme c'est souvent le cas en statistiques, il n'existe pas de solution unique à cette question pourtant très courante. La première chose à faire est d'ajuster le modèle complet sur lequel votre plan d'expérience est basé. Ensuite, au lieu de simplement supprimer un terme parce que sa p-valeur est inférieure à 0,05, vous pouvez envisager d'autres critères de sélection de modèle plus robustes, tels que l'AICc et le PRESS (disponibles dans JMP). Une autre option consiste à examiner les tailles d'effet (un module complémentaire disponible sur la marketplace de JMP permet de les calculer) afin de mieux appréhender la signification pratique, c'est-à-dire éviter de supprimer un terme simplement parce que sa p-valeur est de 0,051 au lieu de 0,049. Il est également d'usage de veiller à l'hérédité des effets (conserver un effet principal dans le modèle s'il est quadratique ou si une interaction avec celui-ci est significative, même si l'effet principal lui-même est non significatif). Il est important d'effectuer tous vos tests de diagnostic habituels après avoir choisi un nouveau modèle.

Une dernière étape importante consiste à déterminer les paramètres à fixer pour optimiser la réponse, notamment pour les facteurs non inclus dans le modèle. Cette étape est cruciale et requiert souvent une connaissance approfondie du sujet autant que des compétences statistiques. En théorie, si les données disponibles suggèrent qu'un terme n'a pas sa place dans un modèle pour une réponse donnée, alors la moyenne de votre réponse est plus ou moins constante sur l'ensemble de l'effet étudié (ceci repose sur de nombreuses hypothèses, notamment que les données collectées sont représentatives de la population globale et qu'aucun autre facteur décrivant votre processus, que vous auriez pu omettre, ne biaise vos termes ou n'interagit avec l'effet omis). On pourrait donc envisager de fixer ce paramètre au milieu de l'intervalle de l'effet. Vous pouvez également le fixer à un point où votre processus est bien contrôlé (c'est-à-dire une variation minimale), ou à un niveau plus économique ou plus simple à mettre en œuvre. Vous pouvez aussi choisir de conserver tous les effets principaux afin d'obtenir, après optimisation de la désirabilité, les paramètres de tous les facteurs. J'ai vu toutes ces approches, et même d'autres, utilisées.

Il ne s'agit là que d'une piste de réflexion parmi d'autres pour aborder ce problème, car je suis certain que d'autres pourraient avoir des opinions différentes ou complémentaires.