FDE + BayesOpt 用於複雜製藥製程開發大家好，
我們正在開發一種高度複雜的多單元製造工藝，其中包含大量跨各個單元操作的關鍵工藝參數 (CPP)，以及連續的關鍵品質屬性 (CQA)，例如隨時間變化的藥物釋放曲線。
我們已經累積了大量來自以往能源部的歷史數據，目前我們正在將這些數據作為一個綜合數據集進行研究，而且我們還有可能產生大量的其他數據。
我們正在考慮升級到 JMP Pro，主要是為了探索 FDE 和貝葉斯優化是否可以共同解決這類問題。
我特別想聽聽那些在類似複雜的多步驟流程開發中使用這些方法的人的意見，而不是在相對簡單的最佳化問題中使用這些方法的人的意見。
我有一些好奇的問題：
-
FDE → BayesOpt：將連續輪廓簡化為 FPC 分數，然後將其用作 BayesOpt 中的目標 Y 值，這種做法有多實用？
-
歷史 DoE 資料：BayesOpt 處理來自多個 DoE 的資料的效果如何，尤其是在因子範圍和設計不同的情況下？
-
多單元約束：處理不同單元操作中不可行的過程邊界和因素組合有多容易？
-
BayesOpt 與傳統 DoE：對於這類問題，您是否發現 BayesOpt 的迭代方法相比於增強傳統 DoE 具有真正的優勢？
我非常希望聽到任何有類似經歷的人分享他們的實際經驗、工作流程或經驗教訓。即使結果不如預期，了解這些資訊也很有幫助。
謝謝！
回覆：FDE + BayesOpt 在複雜製藥製程開發的應用嗨@RicardoCosta ，
或許你可以聯絡一下@Emmanuel_Romeu ，因為我認為他已經研究過將貝葉斯優化與 FDE 結合的這個主題了。
您所描述的工作流程似乎是合理的：
- 使用目標函數對 FDE 分析第一條曲線，擷取 FPC。
- 在 BayesOpt 平台中，使用曲線中的 FPC 值作為響應，但目標值除外，目標值用於設定 FPC 響應限制值和目標（最大化、最小化、達到目標）。
- 使用 BayesOpt 探索並利用您的歷史數據，並利用 GP 模型的學習結果找到下一個推薦。
為了避免曲線建模過程中出現資料洩露，請務必在 FDE 資料表中使用驗證列：將初始歷史資料點設為訓練行，並將所有新資料點設為測試行，以確保在使用 FDE 平台時，歷史資料點的 FPC 值在每次迭代中保持不變。這樣，您就可以輕鬆擷取後續實驗的新 FPC 值。
關於您的問題：
如果你能利用高品質的初始數據，並且已經確定實驗條件穩健且可重複，那麼 BayesOpt 將會是一個真正的優勢。到目前為止，我見過的最佳方案是將 BayesOpt 和 DoE 方法結合起來，因為它們的優點和限制可以相互彌補。
希望這個回答對您有幫助。
回覆：FDE + BayesOpt 在複雜製藥製程開發的應用嗨，里卡多，
對於 FDE/BayesOpt 元件，使用 BayesOpt 和 FDE 在循環中轉換 FPC 分數相對簡單——工作流程基本上如下：1) 使用 BayesOpt 運行實驗；2) 收集功能資料；3) 運行 FDE 並得出「與目標值的差異」；4) 將該值輸入 BayesOpt 並進行下一次實驗。此過程循環進行。順便推薦 FDE 模型篩選工具，它可以幫助您快速選擇最適合您資料的 FDE 模型。我最近與一些客戶交流過，他們成功地在開發配方以滿足設定的溶出曲線時使用了該工具，並在 BayesOpt 流程中使用了目標差異值（而不是 F2）。
-歷史 DoE 數據 - 本質上，BayesOpt 會像數據一樣廣泛地搜索因子的低/高限值，您可以在平台中選擇限制此範圍，但您為 BayesOpt 平台提供了一個廣泛的搜索區域供其探索 - 然後它可能會建議添加額外的“探索”運行，或者直接進行“利用”（優化）。
- BayesOpt 與 DoE - Victor 的回答非常詳盡周到，我只想補充一點：重要的是要將 BayesOpt 視為一種補充性的實驗工具，而不是 DoE 的替代品。它在限制性實驗和約束條件下更加靈活，並且能夠更有效率地找到最優解。但是，如果您的目標是全面深入地了解您的系統，那麼最好還是採用 DoE，或者採用 BayesOpt + DoE 的混合方法（即先用 BayesOpt 找到最優值，然後在較小的範圍內用 DoE 補充，以獲得穩健性值）。
謝謝！
本
回覆：FDE + BayesOpt 在複雜製藥製程開發的應用是的，我確實已經提交了一份關於將FDE和BayesOpt結合起來的摘要，準備參加2027年3月舉行的下一屆Discovery Summit。我的例子比較簡單，但它說明了@Victor_G提到的需要優化的回應之間的權衡。因此，我建議不要設定過高的目標，而是設定最小目標和理想目標，並賦予它們相似的權重。
將幾組初步數據結合起來是完全可能的，但您可能需要查看空間填充設計建議，將其與您的數據涵蓋的內容進行比較，並可能添加一些點以更接近推薦的空間填充設計。
您需要確定哪個FPC最相關，因為它不一定是最大的。例如，您可以關注對應於雜質的小峰值。您可能還需要優化多個FPC並為它們分配權重，權重可以基於特徵值；但是，如果對應於不太重要的FPC的雜質再次被證明是關鍵因素，則情況可能並非如此。如果您願意，我們可以安排與負責您帳號的SE @Ben_BarrIngh通話。
回覆：FDE + BayesOpt 在複雜製藥製程開發的應用嗨@Victor_G 。
感謝您清晰的解釋——這有助於確認 BayesOpt FDE 如何協同工作。
我的製程高度複雜，涉及多個單元操作、眾多因素和多個關鍵品質屬性 (CQA)。我們擁有來自多個實驗設計 (DoE) 的大量歷史資料集，這些資料集已經過匯總。現階段，首要任務是提取最相關的洞察並確定後續實驗方向，同時我們也在評估是否有必要升級到 JMP Pro。
您的工作流程（FDE → FPCs → BayesOpt → GP引導迭代）非常適合。我主要想澄清的是，BayesOpt 在廣泛的因子空間中是否仍然可靠，以及與以 DoE 為中心的方法相比，BayesOpt 處理相互競爭的關鍵質量屬性 (CQA) 的效果如何，緩慢的測量週期是否會降低其價值，以及應該對異構的歷史 DoE 進行增強還是直接建模。
BayesOpt 似乎是 DoE 的一個強有力的補充，但在決定購買 JMP Pro 之前，我想確保其帶來的好處是有意義的。
如果要求不太過分的話，您或@Emmanuel_Romeu能否推薦一些關於 FDE 和 BayeOpt 的最佳在線參考資料，以便我更深入地了解它們——最好是超出 JMP 基本文檔範圍的資料？
鑑於我們流程的複雜性以及未來可能升級到 JMP Pro，我希望加深對理論基礎和實際實現細節（特別是基於 GP 的建模和 FPC 解釋）的理解。任何推薦的教學、論文、影片或培訓資源都將不勝感激。
再次感謝您抽出時間，也感謝您清晰的解釋—非常感謝。
回覆：FDE + BayesOpt 在複雜製藥製程開發的應用大家好，感謝@Ben_BarrIngh 、 @Emmanuel_Romeu和@Victor_G抽出時間分享如此詳盡且富有見地的指導。你們各自從實踐角度出發，結合 FDE/BayesOpt 循環，提出的見解都非常有價值。
在我們這邊進行下一步工作之前，我想藉此機會更深入地了解 FDE 和 BayesOpt。
您的評論清楚地表明，深入了解模型選擇、目標定義、FPC 權重和 GP 驅動的迭代對於正確應用這些工具至關重要——尤其是在我們評估升級到 JMP Pro 是否是正確的決定時。
再次感謝您清晰的解釋、舉例說明以及繼續討論的開放態度。我衷心感謝您的支持。
