この記事では、科学者が実験計画表を作成し、面倒で潜在的に不安定な統計的決定を必要とせずに、さまざまな混合およびプロセス要因にわたって実験結果を分析するためのワークフローを提供します。結果のモデルは、複数の応答に対して共同で最適化し、結合応答曲面と個々の応答の予測の両方を要約するための有益なグラフィックを生成するために使用できます。これらの図は、基礎となる統計モデルからのパラメータ推定値よりも解釈が容易であり、最も望ましい応答を生成する因子設定を表すのに役立ちます。
脂質およびナノ粒子製剤の科学者は、さまざまなペイロード用に、または脂質やプロセス設定を変更するときに、新しいレシピを構築する必要があることがよくあります。当社は、設計構築におけるエラーの可能性を最小限に抑え、分析中の広範な統計的および知識の必要性を回避する、定式化最適化への堅牢なアプローチを提供します。実験の目的を日付スタンプ付きのドキュメントにまとめます。
実験中に測定される応答をリストします。変化する因子と、スタディ中に一定に保たれる因子を選択します。さまざまな要因の範囲と、それぞれに関連する 10 進数の精度を確立します。
最小および最大のヒューリスティックを使用して試験デザインのサイズを決定します。ジャンプを開き、メニューバーをDOI、特殊目的、空間充填設計に移動します。試験の回答を入力します。
分析因子と範囲を入力します。計画の実行回数をあらかじめ入力します。選択した因子と実行サイズの空間充填計画テーブルを生成します。
手動で作成した実行に注釈を付けるためのメモ列をテーブルに追加します。該当する場合は、ベンチマーク制御の実行を設計テーブルに手動で組み込みます。制御されたベンチマークの 1 つのレプリケートを含めます。
メモ列にベンチマーク名をマークし、ベンチマークレプリケート行を色分けして、簡単に正しく識別できるようにします。因子水準の混合を適切な粒度に丸めます。丸められた値をコピーし、元の列に貼り付けます。
丸められた列の冗長コピーを削除します。脂質因子を丸めた後、それらの合計が100%に等しいことを確認しますいずれかの行の合計が1と等しくない場合は、混合因子の1つを手動で調整し、因子範囲内に収まるようにします。調整が完了したら、合計列を削除します。
混合因子の丸めに使用したのと同じ手順に従って、工程因子をそれぞれの粒度に丸めます。脂質列を書式設定して、目的の小数点以下の桁数のパーセンテージとして表示します。ベンチマークなどの手動実行を追加した場合は、テーブルの行の順序を再ランダム化し、丸められた値を持つ新しい列を追加します。
列ヘッダーを右クリックしてこの列を昇順に並べ替え、列を削除します。三角プロットを生成して、脂質因子上の計画点を視覚化します。また、工程因子に対する実行分布も調べます。
定式化科学者は、すべての実行の実現可能性を確認する必要があります。実行不可能な実行が存在する場合は、新しく検出された制約を考慮してデザインをリスタートします。計画表で指定された順序で実験を実行します。
実験テーブルに組み込まれたカラムに読み出しを記録します。測定値をプロットし、応答の分布を調べます。色分けされた反復実行間の相対距離を調べる (含まれている場合) これにより、因子空間全体の因子設定の変更による変動と比較して、ベンチマークでの全工程と分析変動を理解できます。
三角プロットで実行を作成します。応答に従って点に色を付けて、混合因子に対する挙動のモデルに依存しないビューを取得します。結果のグラフのいずれかを右クリックし、[行の凡例] を選択して、応答列を選択します。
応答ごとにこれを繰り返します。各応答について、分析因子の関数として独立したモデルを作成します。空間充填設計によって作成されたモデル スクリプトを削除します。
分析、モデルの適合を選択します。すべての候補効果を含む完全なモデルを構築します。このモデルには、各因子の主効果、二元交互作用と三元交互作用、工程因子の2次および部分3次項、混合因子のシェフ3次項を含める必要があります。
すべての分析因子を選択します。次数のエントリをデフォルトの 2 から 3 に変更します。次に、階乗から次数を選択します。
非混合因子のみを選択し、マクロ、部分3次を選択します。混合因子のみを選択し、マクロ、シェフ3次を選択します。デフォルトのインターセプトなしオプションを無効にします。
応答列を指定し、パーソナリティを一般化回帰に変更します。このモデルをデータ テーブルに保存して、簡単に呼び出すことができます。[データ テーブルに保存] を選択します。
[実行] をクリックします。推定方法は、SVEM前方選択を選択します。高度なコントロールの強制用語メニューを展開し、混合主効果に対応するボックスのチェックを外します。
切片項のみがオンのままになります。[実行]をクリックします。SVEMモデルからの予測応答によって実際の応答をプロットし、妥当な予測可能性を検証します。[SVEM 前方選択] の横にある赤い三角形をクリックし、[列を保存]、[予測式を保存] の順に選択します。
これにより、データテーブルに予測式を含む新しい列が作成されます 応答ごとにモデル構築手順を繰り返します。すべての応答の予測列がデータテーブルに保存されたら、プロファイラー関数を使用して、すべての予測応答列の応答トレースをプロットします。[グラフ プロファイラー] を選択し、[Y 予測式] の前の手順で作成したすべての予測列を選択して、[OK] をクリックします。
候補となる最適な製剤を特定します。各応答の望ましさ関数を、最大化、最小化、またはターゲットに一致させるかどうかを設定します。これには、各応答の相対的な重要度の重みを設定する必要もあります。
最初の候補を生成するには、プライマリ応答を重要度の重み 1.0 を使用するように設定し、セカンダリ応答の重要度の重み 0.2 を使用するように設定します。満足度関数を最大化する最適な因子設定を見つけるようにプロファイラーに指示します。[最適化の望ましさ]、[望ましさの最大化] の順に選択します。
最適な因子設定を、各応答に使用される重要度の重み付けに関するメモとともに記録します。イオン化可能な脂質タイプなどのカテゴリカル因子については、各因子水準に対して条件付きで最適な製剤を見つけます。まず、プロファイラーで各因子の目的のレベルを設定します。
次に、Ctrlキーを押しながらその係数のグラフ内を左クリックして、[係数設定のロック]を選択します。この最適化と望ましさの選択は、この係数を現在の設定にロックした条件付き最適値を見つけるための望ましさを最大化します。終了したら、続行する前に因子設定のロックを解除します。
応答の重要度の重みを変更した後、最適化プロセスを繰り返し、おそらく一次応答のみを最適化するか、二次応答の一部を多かれ少なかれ重要度の重みを持つように設定して、目標をゼロに設定します。新しい最適な候補を記録します。因子空間の最適領域のグラフ要約を生成します。
許容因子空間内でランダムに生成された因子設定が入力された50, 000行を含むデータテーブルと、各応答の縮小モデルからの対応する予測値、および共同望ましさ関数を作成します。ランダムテーブルを出力を選択します。シミュレートする実行回数の値を 50, 000 に変更し、[OK] をクリックします。
新しく作成したテーブルに、望ましさ列のパーセンタイルを計算する新しい列を追加します。この百分位数列を三角プロットで、生の望ましさ列の代わりに使用します。望ましさ列ヘッダーを右クリックし、新しい式列、分布、累積確率を選択します。
次のグラフィックを生成します。グラフィックスの配色を繰り返し変更して、各応答と累積確率列の予測を表示します。4つの脂質因子の三元プロットを作成します。
テーブルで、グラフ三角プロットに移動します。Xプロットの混合因子を選択し、OKをクリックします。結果のグラフの1つを右クリックし、[行の凡例]を選択してから、予測応答列を選択します。
色のドロップダウンを [Jet] に変更します。これは、脂質因子に関して最良および最低のパフォーマンス領域を示します。現在の図は、重要な続編を1で効力を最大化し、重要な続編を0.2でサイズを最小化することを検討した場合の共同望ましさのパーセンタイルを示しています。
三角プロット軸に示されていない因子を平均しながら。各応答の予測を表示するために、グラフィックの配色を繰り返し変更します。同様に、非混合プロセス因子に対して一意の定式化を表す50, 000色分けされた点を単数または共同でプロットし、応答と因子の間の関係を探します。
最高の望ましさでポイントを生成する係数設定を探します。この図は、3つのイオン化脂質タイプのそれぞれで形成することができたすべての製剤の共同望ましさを示しています。最も望ましい製剤はH102を使用し、H101はいくつかの潜在的に競争力のある代替品を提供します。
さまざまな応答につながる可能性のある要因のさまざまな組み合わせを調べます。予測プロファイラーとその記憶された設定をデータ テーブルに保存します。以前に特定した最適な候補をリストした表を準備します。
ベンチマーク コントロールを、定式化および測定される候補の実行のセットに含めます。実験からの製剤のいずれかが望ましい結果をもたらすことがわかった場合、おそらくベンチマークを上回ることによって、候補表に追加する最良のものを選択し、新しい製剤とともに再テストします。プロファイラーで記憶された設定テーブルを右クリックし、[データ テーブルに作成] を選択します。
確認実行を実行し、定式化を構築し、読み出しを収集します。候補の最適製剤の性能を比較します。このワークフローは、多くのアプリケーションで使用されています。
ほとんどの場合、一度に1つの因子最適化を使用して設定されたベンチマーク定式化と比較すると、効力の少なくとも4〜5倍の改善が観察されました。改善は、二次的な対応が共同で対象とされている場合に特に顕著です。シミュレーションを使用して、この手順によって生成された最適な候補の期待される品質を示すこともできます。
論文で説明した実験例の既知のデータ生成関数を使用して、このワークフローで使用される空間充填設計およびSVEMベースの分析から得られた候補最適製剤の品質を、従来の混合物分析技術から得られたものと比較することができます。縦軸に最適な定式化の質、横軸に計画の実行回数を示すと、青い点は、150回のシミュレーションで縮小されていない完全統計モデルのパフォーマンスを表します。琥珀色の点は、AICC目的関数に基づく従来のシングルショットフォワード選択のパフォーマンスを表します。
緑色の点は、このワークフローで使用されるSVEMベースの前方選択アプローチのパフォーマンスを表します。SVEM分析により、より良い最適な候補とより少ない実行結果を得ることができます。設計と分析のために統計学者の助けを必要とする追加の複雑さを伴う研究が時折あります。
優先度が非常に高い研究、実行サイズが通常よりも制限されている研究、カテゴリ因子の数が多い研究、または水準数が多い単一のカテゴリ因子の研究は、統計学者によって異なるアプローチをとられる可能性があります。ワークフローで指定された空間充填設計の代わりに、最適設計またはハイブリッド設計を使用する。
