DOEを用いた最適化のための最適な応答パラメータ化こんにちは、
以下の点について、コミュニティの皆様のご意見や議論をお聞かせいただければ幸いです。
私は、5つの連続因子と2つの独立したアッセイで測定される2つの応答を持つ、48回の実験からなる応答曲面実験計画法（DOE）を持っています。
- Xを「収量」と呼び、これを最大化したい。
- Yを総体と呼び、 XはYの構成要素である。
導出された量Z = X/Y （これを純度と呼ぶ）もまた重要であり、最大化すべきである。
従来、収集されたデータはXとZを最適化するために使用されてきましたが、一方の応答がもう一方の応答の関数である2つの応答を最大化することの数学的な意味合いについて懸念があります。まだ深く掘り下げてはいませんが、応答が互いの関数である場合の望ましさ関数の最適化は奇妙なものになるのではないかと直感的に感じています。
以下の4つの選択肢を検討しています。他に何かご提案があれば、ぜひお聞かせください。
- モデルXとZの両方を最大化する。曲面はXに関する情報を共有するため、残差は応答間で独立ではない。
- モデルXとYを用いて、Xを最大化し、Yを最小化する。測定誤差は独立しているが、YはXによって下限が定められているため、「Yを最小化する」というのは奇妙に思える。
- log(Z)のみをモデル化する。測定誤差は乗法的であるため、分散は安定するが、絶対的なXの情報は失われる。
- 多変量解析手法を用いてXとYをモデル化する。応答変数間に相関関係があると仮定してもよい。
この件に関するご意見や、参考になる文献などがあればぜひ教えていただきたいです。
ありがとう
実験計画法件名：DOEを用いた最適化のための最適な応答パラメータ化こんにちは 、
Z応答の使用は危険であるように思われる。なぜなら、この比率応答は構造的制約（XはYの構成要素であるため、常にX≦Y）を生み出し、いくつかの問題を引き起こす可能性があるからである。
- 曲面の共線性：Z = X/Y のモデルは暗黙のうちに X と Y の両方の関数であるため、応答曲面は「混合」になります（そして、モデルから最適解や満足のいく解を得ることはより複雑になる可能性があります）。
- 残差の非独立性：Yの測定にXの測定が含まれる場合（つまり、YがXを介して部分的に測定される場合）、誤差は相関します。Yが完全に独立した測定法で測定される場合、測定誤差は独立している可能性がありますが、「構造」（Y = X + その他）によって応答間の依存関係は依然として残ります。
オプション2は、生の測定値とそれぞれの独立した誤差を使用してモデルに適合させるため、「最もクリーンで安全な」オプションの1つですが、最適化において厄介な状況が発生する可能性があります。Xを最大化しYを最小化すると、（各応答に与えられる重要度に応じて）最適ではないソリューションにつながる可能性があります。なぜなら、X/Yield = 50%、Y = 55%の点と、X/Yield = 70%、Y = 90%の点が同様の望ましさを持つ可能性があるからです。
したがって、2つの生の測定値をモデル化する際に、X/収率と「YX」式（不純物/副生成物の量を測定するための式）をモデルの予測に基づいて使用することで、収率を最大化し、副生成物/不純物の量を最小化することにより、両方の応答を最適化するのに役立つ可能性がある。
この回答がお役に立てば幸いです。
件名：DOEを用いた最適化のための最適な応答パラメータ化こんにちは、 @rcast15 さん。正直なところ、私はこのプロセスについてよく知らないので、何か誤解しているかもしれませんが、X は Y によって上限が定められているので、Z を最大化すれば十分ではないでしょうか？Z は比率（1 を超えることはできない）なので、Z を最大化すれば関連する X も最大化されるのではないでしょうか？
件名：DOEを用いた最適化のための最適な応答パラメータ化もちろん、適切な背景情報なしに具体的なアドバイスをするのは難しいです。あなたが挙げた選択肢については、ビクターの意見に概ね賛成です。他の応答変数についても調べてみることをお勧めします。どのようなメカニズムを調査しているのかが分かると、非常に参考になります。
XはYの構成要素であり、Z = X/Yは両方から導出されるため、これら3つすべてを直接最適化することには躊躇します。まず、実際の目的を表すより根本的な応答があるかどうかを問います。例えば、目標は目的成分の量を増やすことなのか、不要な成分を減らすことなのか、選択性を向上させることなのか、それとも変換効率を向上させることなのか、といった点です。
比率にも注意が必要です。特にYが大きく変動したり、小さくなったりすると、比率は不安定になる可能性があります。比率によってXまたはYのノイズが誇張されることもあります。単に望ましさ関数を最適化するよりも、予測Xと予測Zのグラフ、あるいは純度等高線付きのXとYのグラフの方が、より有益な情報が得られるかもしれません。
件名：DOEを用いた最適化のための最適な応答パラメータ化こんにちは、 @MRB3855 さん。
Zを最大化しても収穫逓減の法則が働きます。Zを最大化すればXも最大化されるというご指摘は正しいのですが、 YとXは正の相関関係にあるため、不純物（YXと定義される）が過剰に導入されることになり、ある一定のレベルまでしか最大化できません。
Zだけを最大化した場合、分母Yのごくわずかな量を優先するような係数設定になってしまい、結果としてXの収量が小さくなってしまうという懸念もあります。
件名：DOEを用いた最適化のための最適な応答パラメータ化@Victor_Gご回答ありがとうございます。
私は、応答変数としてXとYX（Xを最大化し、YXを最小化する）を用いることを考えていました。これがあなたの提案ということでしょうか？
また、念のため申し添えますが、 Yは完全に独立した分析法によって測定されます。
件名：DOEを用いた最適化のための最適な応答パラメータ化@statmanご回答ありがとうございます。
具体的な情報はお伝えできませんが、もう少し詳しい状況をご説明できます。
Xは標的タンパク質の測定値であり、これを収量と呼び、これを最大化したいと考えています。Yは総タンパク質の測定値であり、 Xとは完全に独立しています。目標は重要度順に2つあります。
- Increase the desired component X, or 標的タンパク質
- 不要な成分（ Y -X）を削減します。これは、不要な他のすべてのタンパク質を表します。
目標2はこれまで、総タンパク質の割合であるX/Yを最大化することで取り組まれてきました。 当初、Xを最大化し、Z=X/Yとなるような因子設定を選択すると、実質的にXが「二重にカウントされる」という事実に懸念を抱いていました。
望ましさ関数に基づいて最適化することに加えて、グラフを検証することに賛成です。
件名：DOEを用いた最適化のための最適な応答パラメータ化はい、私が考えていたワークフローは以下のとおりです。
- XとYの応答は独立した測定値なので、モデル化してください。
- XとYのモデル予測式を保存し、
- Ypred - Xpred という式を作成し、Xpred を最大化するとともに、Ypred - Xpred を最小化する。
件名：DOEを用いた最適化のための最適な応答パラメータ化用語の混同は避けるべきでしょう。回答は以下のように定義します。
Y1 = 標的タンパク質
Y2 = 総タンパク質 − 標的タンパク質
次に、Y値の両方を直接モデル化します。これにより、解釈が難しい可能性のある派生比率応答を作成するのではなく、目的の材料と非目的の材料を分離できます。
もう一つ付け加えておきたいのは、プロセスによっては、Y1とY2の平均値だけでなく、それらの変動性に対する要因の影響にも関心があるかもしれないということです。例えば、バッチ処理の場合、バッチ内の異なる場所で繰り返し測定を行うことで、バッチ内変動を推定できます。これらの測定値の平均値は、平均応答曲面のモデリング精度を向上させるために使用でき、これらの測定値の分散値は、変動を応答としてモデル化するために使用できます。
