927735_de-DE

liliconcom

Bioprozessoptimierung

Lieber Herr,

Ich führe ein Bioprozess-Experiment mit vier Faktoren und einer Zielgröße durch. Mein Ziel ist die Optimierung der Faktorkonzentrationen für zukünftige Laborstudien. In JMP waren nur zwei Faktoren signifikant ( p < 0,05). Ich habe allerdings auch einige quadratische Wechselwirkungen beobachtet. Sollte ich bei der Verwendung des Prediction Profilers zur Maximierung der Wünschbarkeit zuerst die nicht signifikanten Faktoren entfernen oder sowohl signifikante als auch nicht signifikante Effekte in die finale Optimierung einbeziehen?

Auch,

Bei der Modellreduktion für eine Bioprozessoptimierung in JMP: Wie gehe ich am besten mit nicht-signifikanten Termen im Prediction Profiler um? Mein Modell weist zwei signifikante Haupteffekte und einige quadratische Wechselwirkungen auf. Ich bin mir unsicher, ob ich die nicht-interaktiven, nicht-signifikanten Faktoren bei der Vorhersage der maximalen Zielfunktion beibehalten sollte oder ob dies unnötiges Rauschen in die Optimierung einbringen könnte.

Vielen Dank im Voraus für Ihre Antwort.

Fortgeschrittene statistische ModellierungGrundlagen der Datenanalyse und ModellierungDatenzugriffVersuchsplanungQualitäts- und ProzessentwicklungZuverlässigkeitsanalyseBetreff: Bioprozessoptimierung

Herzlich willkommen! Ich bin mir nicht sicher, ob es eine einfache, allgemeine Antwort auf Ihre Fragen gibt, da das Thema Modellreduktion oft von den spezifischen Details Ihres Experiments abhängt. Ich werde mich daher an die Experten für Versuchsplanung und Statistik wenden, um diesbezüglich Rat einzuholen.

Falls Sie es noch nicht gesehen haben, empfehle ich Ihnen die folgende Ressource, um zu lernen, wie man Experimente mithilfe der multiplen linearen Regression in JMP analysiert: Korrelations- und Regressions-Tutorial | JMP

Betreff: Bioprozessoptimierung

Sie haben Ihrem Experiment nicht genügend Struktur gegeben. Es fehlen Angaben zu den Stufen und ob Sie Wiederholungen oder Replikationen durchgeführt haben. Könnten Sie die Datentabelle anhängen? Wenn Sie von Optimierung sprechen, meinen Sie das wirklich, oder möchten Sie den Gewinner ermitteln? Es gibt keine allgemeingültige Methode zur Datenanalyse. Üblicherweise beginnen Sie die DOE-Analyse mit dem Modell, das Sie zur Auswahl des Experiments verwendet haben, und führen die Funktion „Modell anpassen“ in JMP aus. Es gibt verschiedene statistische Verfahren, mit denen Sie das Modell reduzieren oder vereinfachen können. Sie sollten das Modell jedoch unbedingt vereinfachen, bevor Sie den Vorhersage-Profiler verwenden. Was meinen Sie mit quadratischen Wechselwirkungen? Meinen Sie so etwas wie: X1*X2^2? Bei Wechselwirkungen sollten Sie bei der Festlegung der Haupteffekte vorsichtig sein.

Anmerkung: Optimierung erfolgt erst, nachdem man das Rauschen im System verstanden hat. Wenn Sie wirklich optimieren, sollten Sie die Bedeutung der Faktoren bereits ermittelt haben. Nun erstellen Sie eine Konturkarte der Antwortfläche.

Außerdem finde ich es äußerst ungewöhnlich, dass Sie eine Situation mit nur einer Zielvariablen haben. Ich glaube, so etwas habe ich noch nie gesehen. Wir leben in einer Welt mit vielen Variablen.

Betreff: Bioprozessoptimierung

Wie so oft in der Statistik gibt es auch hier keine allgemeingültige Lösung für diese häufige Frage. Zunächst sollten Sie das vollständige Modell, auf dem Ihr Versuchsdesign basiert, anpassen. Anstatt dann einen Term aufgrund eines p-Werts unter 0,05 einfach zu entfernen, könnten Sie andere Modellselektionskriterien heranziehen, die robustere Vorhersagen ermöglichen, wie beispielsweise AICc und PRESS (beide in JMP verfügbar). Alternativ können Sie Effektstärken betrachten (ein Add-in im JMP Marketplace hilft Ihnen bei deren Berechnung), um die praktische Signifikanz besser einschätzen zu können, d. h. nicht einfach einen Term zu entfernen, nur weil sein p-Wert 0,051 statt 0,049 beträgt. Üblicherweise wird auch die Vererbung von Effekten berücksichtigt (ein Haupteffekt sollte im Modell bleiben, wenn er quadratisch ist oder eine Interaktion mit ihm signifikant ist, selbst wenn der Haupteffekt selbst nicht signifikant ist). Es ist wichtig, nach der Auswahl eines neuen Modells alle üblichen Diagnoseprüfungen durchzuführen.

Ein letzter wichtiger Schritt ist die Festlegung der optimalen Parameter für Ihre Faktoren, insbesondere für jene, die Sie nicht in das Modell aufgenommen haben. Dieser Schritt ist von entscheidender Bedeutung und erfordert oft ebenso viel Fachwissen wie statistische Kenntnisse. Theoretisch gilt: Wenn die vorliegenden Daten nahelegen, dass ein Term für eine bestimmte Zielgröße nicht in ein Modell gehört, ist der Mittelwert Ihrer Zielgröße über den gesamten Bereich des untersuchten Effekts hinweg mehr oder weniger konstant (dies setzt jedoch einiges voraus, insbesondere, dass die erhobenen Daten repräsentativ für Ihre Gesamtpopulation sind und dass kein anderer Faktor Ihren Prozess beschreibt, den Sie möglicherweise übersehen haben und der Ihre Terme verfälschen oder mit dem ausgelassenen Effekt interagieren könnte). Daher könnte man argumentieren, den Mittelwert auf den Mittelpunkt des Effektbereichs festzulegen. Sie könnten ihn auf einen Punkt setzen, an dem Ihr Prozess gut kontrolliert werden kann (d. h. minimale Variation), oder auf ein Niveau, das kostengünstiger oder einfacher zu handhaben ist. Alternativ könnten Sie alle Haupteffekte beibehalten, sodass Sie nach der Optimierung mit der Zielgröße die optimalen Parameter für alle Faktoren erhalten. Ich habe bereits verschiedene dieser Ansätze und weitere in der Praxis gesehen.

Dies ist nur eine von mehreren möglichen Herangehensweisen an dieses Problem; ich bin mir sicher, dass andere dazu abweichende/weitere Meinungen haben.