سير عمل لتحسين صياغة الجسيمات النانوية الدهنية (LNP) باستخدام تجارب عملية الخليط المصممة ونماذج المجموعة التي تم التحقق من صحتها ذاتيا (SVEM)

توفر هذه المقالة سير عمل للعلماء لبناء جدول تصميم تجريبي وتحليل النتائج التجريبية على مجموعة متنوعة من عوامل الخليط والعملية ، دون الحاجة إلى قرارات إحصائية مملة وربما متقلبة. يمكن تحسين النماذج الناتجة بشكل مشترك على استجابات متعددة واستخدامها لإنتاج رسومات إعلامية لتلخيص كل من سطح الاستجابة المشتركة وتنبؤات الاستجابات الفردية. هذه الرسومات أسهل في التفسير من تقديرات المعلمات من النماذج الإحصائية الأساسية ، وهي مفيدة في تمثيل إعدادات العوامل التي تنتج أكثر الاستجابات المرغوبة.

يحتاج علماء صياغة الدهون والجسيمات النانوية في كثير من الأحيان إلى بناء وصفات جديدة لحمولات مختلفة أو عند تغيير الدهون أو إعدادات العملية. نحن نقدم نهجا قويا لتحسين الصياغة يقلل من احتمالية الخطأ في بناء التصميم ، ويتجنب الحاجة إلى معرفة إحصائية ومعرفة واسعة أثناء التحليل. لخص الغرض من التجربة في مستند مختوم بالتاريخ.

ضع قائمة بالاستجابات التي سيتم قياسها أثناء التجربة. حدد العوامل التي ستكون متنوعة وتلك التي ستبقى ثابتة أثناء الدراسة. حدد نطاقات العوامل المتغيرة والدقة العشرية ذات الصلة لكل منها.

حدد حجم تصميم الدراسة باستخدام الحد الأدنى والحد الأقصى للاستدلال. افتح القفز وانتقل إلى شريط القائمة إلى DOI ، الغرض الخاص ، تصميم ملء الفضاء. أدخل إجابات الدراسة.

أدخل عوامل الدراسة والنطاقات. أدخل العدد المحدد مسبقا من عمليات التشغيل للتصميم. قم بإنشاء جدول تصميم ملء المساحة للعوامل المختارة وحجم التشغيل.

أضف عمود ملاحظات إلى الجدول لإضافة تعليقات توضيحية إلى أي عمليات تشغيل تم إنشاؤها يدويا. إذا كان ذلك ممكنا ، فقم بدمج عمليات التحكم المعياري يدويا في جدول التصميم. قم بتضمين نسخة متماثلة لأحد المعايير الخاضعة للرقابة.

ضع علامة على اسم المعيار في عمود الملاحظات وقم بترميز اللون لصفوف النسخ المتماثل المعياري لسهولة التعرف الصحيح. قم بتقريب خليط مستويات العوامل إلى الدقة المناسبة. انسخ القيم المقربة والصقها في الأعمدة الأصلية.

احذف النسخ الزائدة عن الحاجة من الأعمدة المستديرة. بعد تقريب عوامل الدهون ، تحقق من مجموعها يساوي 100٪ إذا كان أي مجموع صفوف لا يساوي واحدا يدويا ، فاضبط أحد عوامل الخليط ، مما يضمن بقائه ضمن نطاق العوامل. احذف عمود المجموع بعد إجراء التعديلات.

اتبع نفس الإجراء المستخدم لتقريب عوامل الخليط لتقريب عوامل العملية إلى دقتها. قم بتنسيق أعمدة الليبيدات لتظهر كنسب مئوية مع العدد المطلوب من الكسور العشرية. إذا أضفت عمليات تشغيل يدوية مثل المعايير، فأعد ترتيب صفوف الجدول عشوائيا، وأضف عمودا جديدا بقيم مستديرة.

قم بفرز هذا العمود بترتيب تصاعدي بالنقر بزر الماوس الأيمن فوق رأس العمود الخاص به ، ثم احذف العمود. قم بإنشاء مخططات ثلاثية لتصور نقاط التصميم على عوامل الدهون. افحص أيضا توزيع التشغيل على عوامل العملية.

يجب على علماء الصياغة تأكيد جدوى جميع الأشواط. في حالة وجود عمليات تشغيل غير مجدية ، أعد تشغيل التصميم مع مراعاة القيود المكتشفة حديثا. قم بتشغيل التجربة بالترتيب الذي يوفره جدول التصميم.

سجل القراءات في العمود المضمن في الجدول التجريبي. رسم القراءات وفحص توزيعات الردود. افحص المسافة النسبية بين عمليات تشغيل النسخ المتماثل المشفرة بالألوان إذا تم تضمينها ، وهذا يسمح بفهم العملية الكلية والتباين التحليلي في المعيار ، مقارنة بالتباين بسبب التغييرات في إعدادات العامل عبر مساحة العامل بأكملها.

صياغة يدير على المؤامرات الثلاثية. قم بتلوين النقاط وفقا للإجابات للحصول على عرض مستقل للنموذج للسلوك على عوامل الخليط. انقر بزر الماوس الأيمن على أي من الرسوم البيانية الناتجة ، وحدد Row Legend ثم حدد عمود الاستجابة.

كرر هذا لكل رد. بناء نموذج مستقل لكل استجابة كدالة لعوامل الدراسة. احذف البرامج النصية النموذجية التي تم إنشاؤها بواسطة تصميم تعبئة المساحة.

حدد تحليل، ملاءمة النموذج. بناء نموذج كامل يضم جميع التأثيرات المرشحة. يجب أن يتضمن هذا النموذج التأثيرات الرئيسية لكل عامل ، والتفاعلات ثنائية وثلاثية الاتجاهات ، والمصطلحات التربيعية والجزئية التكعيبية في عوامل العملية وشروط Scheffe التكعيبية لعوامل الخليط.

حدد جميع عوامل الدراسة. قم بتغيير إدخال الدرجة إلى ثلاثة من الإعداد الافتراضي لاثنين. ثم حدد مضروب إلى درجة.

حدد العوامل غير المخلوطة فقط ثم حدد وحدات ماكرو ، مكعب جزئي. حدد عوامل الخليط فقط ثم حدد وحدات ماكرو ، Scheffe Cubic. قم بتعطيل خيار عدم الاعتراض الافتراضي.

حدد عمود الاستجابة ، وقم بتغيير الشخصية إلى الانحدار المعمم. احفظ هذا النموذج الذي تم إعداده في جدول البيانات لسهولة تذكره. حدد حفظ في جدول البيانات.

انقر فوق تشغيل. لطريقة التقدير، حدد تحديد SVEM للأمام. قم بتوسيع قوائم شروط فرض عناصر التحكم المتقدمة وقم بإلغاء تحديد المربعات المقابلة لتأثيرات الخليط الرئيسية.

سيبقى مصطلح الاعتراض فقط محددا. انقر فوق Go.Plot الاستجابات الفعلية من خلال استجاباتها المتوقعة من نموذج SVEM للتحقق من إمكانية التنبؤ المعقولة. انقر فوق المثلث الأحمر بجوار تحديد SVEM إلى الأمام وحدد حفظ الأعمدة، حفظ صيغة التنبؤ.

يؤدي هذا إلى إنشاء عمود جديد يحتوي على صيغة التنبؤ في جدول البيانات كرر خطوات بناء النموذج لكل استجابة. بعد حفظ أعمدة التنبؤ في جدول البيانات في جميع الاستجابات، ارسم تتبعات الاستجابة لجميع أعمدة الاستجابة المتوقعة باستخدام دالة منشئ التعريف. حدد منشئ ملفات تعريف الرسم البياني وحدد كافة أعمدة التنبؤ التي تم إنشاؤها في الخطوة السابقة لصيغة التنبؤ Y، وانقر فوق موافق.

تحديد التركيبات المثلى المرشحة. قم بتعيين وظيفة الرغبة لكل استجابة سواء كان ينبغي تعظيمها أو تقليلها أو مطابقتها مع الهدف. ويستلزم ذلك أيضا تحديد أوزان الأهمية النسبية لكل استجابة.

لإنشاء المرشح الأول، قم بتعيين أي استجابات أولية لاستخدام وزن الأهمية 1.0 وأي استجابات ثانوية لاستخدام وزن الأهمية 0.2. قم بتوجيه منشئ ملفات التعريف للعثور على إعدادات العامل المثلى التي تزيد من وظيفة الرغبة إلى أقصى حد. حدد الرغبة في التحسين ، وزيادة الرغبة إلى أقصى حد.

سجل إعدادات العامل المثلى مع ملاحظة حول أوزان الأهمية المستخدمة لكل استجابة. بالنسبة للعوامل الفئوية مثل نوع الدهون المؤينة ، ابحث عن التركيبات المثلى المشروطة لكل مستوى عامل. أولا ، قم بتعيين المستوى المطلوب لكل عامل في ملف التعريف.

ثم اضغط مع الاستمرار على مفتاح التحكم وانقر بزر الماوس الأيسر داخل الرسم البياني لهذا العامل وحدد Lock Factor Setting. هذا التحديد الأمثل والرغبة ، يزيد من الرغبة في العثور على الأمثل الشرطي مع هذا العامل مغلق في إعداده الحالي. عند الانتهاء ، قم بإلغاء قفل إعدادات العامل قبل المتابعة.

كرر عملية التحسين بعد تعديل أوزان أهمية الاستجابة ، وربما فقط تحسين الاستجابات الأولية أو تعيين بعض الاستجابات الثانوية ليكون لها وزن أهمية أكثر أو أقل ، حيث تحدد هدفها إلى لا شيء. سجل المرشح الأمثل الجديد. إنتاج ملخصات رسومية للمناطق المثلى لمساحة العامل.

قم بإنشاء جدول بيانات يحتوي على 50،000 صف يتم ملؤها بإعدادات عامل تم إنشاؤها عشوائيا ضمن مساحة العامل المسموح بها، جنبا إلى جنب مع القيم المتوقعة المقابلة من النماذج المخفضة لكل من الاستجابات، بالإضافة إلى وظيفة الرغبة المشتركة. حدد جدول عشوائي للإخراج. قم بتغيير قيمة عدد عمليات التشغيل للمحاكاة إلى 50 ، 000 وانقر فوق موافق.

في الجدول الذي تم إنشاؤه حديثا، أضف عمودا جديدا يحسب النسبة المئوية لعمود الرغبة. استخدم هذا العمود المئوي في المخططات الثلاثية بدلا من عمود الرغبة الخام. انقر بزر الماوس الأيمن فوق رأس عمود الرغبة وحدد عمود صيغة جديد ، توزيعي ، احتمال تراكمي.

قم بإنشاء الرسومات التالية. قم بتغيير نظام ألوان الرسومات بشكل متكرر لعرض التنبؤات لكل استجابة ولعمود الاحتمال التراكمي. بناء مخططات ثلاثية لعوامل الدهون الأربعة.

في الجدول ، انتقل إلى الرسم البياني الثلاثي المخطط. حدد عوامل الخليط لرسم X وانقر فوق موافق. انقر بزر الماوس الأيمن في أحد الرسوم البيانية الناتجة ، وحدد Row Legend ثم حدد عمود الاستجابة المتوقعة.

قم بتغيير القائمة المنسدلة للألوان إلى Jet. سيظهر هذا أفضل وأسوأ المناطق أداء فيما يتعلق بعوامل الدهون. يوضح الشكل الحالي النسب المئوية لاستصواب المفصل عند التفكير في تعظيم الفاعلية مع تكملة مهمة ل 1 ، وتقليل الحجم مع تكملة مهمة إلى 0.2.

مع حساب المتوسط على أي عوامل لا تظهر على محور المخطط الثلاثي. قم بتغيير نظام ألوان الرسومات بشكل متكرر لعرض التوقعات لكل استجابة. وبالمثل ، ارسم 50،000 نقطة مشفرة بالألوان تمثل تركيبات فريدة مقابل عوامل العملية غير المخلوطة إما مفردة أو مشتركة ، وابحث عن العلاقات بين الاستجابات والعوامل.

ابحث عن إعدادات العوامل التي تنتج عائد النقاط بأعلى قدر من الاستحسان. يوضح هذا الشكل الرغبة المشتركة لجميع التركيبات التي يمكن تكوينها مع كل نوع من أنواع الليبيدات المتأينة الثلاثة. تستخدم أكثر التركيبات المرغوبة H102 ، مع توفير H101 بعض البدائل التنافسية المحتملة.

استكشف مجموعات مختلفة من العوامل التي قد تؤدي إلى استجابات مختلفة. احفظ ملف تعريف التنبؤ وإعداداته التي تم تذكرها مرة أخرى إلى جدول البيانات. قم بإعداد جدول يسرد المرشحين الأمثل الذين تم تحديدهم مسبقا.

قم بتضمين عنصر التحكم القياسي مع مجموعة عمليات التشغيل المرشحة التي سيتم صياغتها وقياسها. إذا وجد أن أيا من الصيغ من التجربة تسفر عن نتائج مرغوبة ، ربما من خلال التفوق على المعيار ، فحدد الأفضل لإضافته إلى الجدول المرشح وإعادة الاختبار مع الصيغ الجديدة. انقر بزر الماوس الأيمن على جدول الإعدادات الذي تم تذكره في ملف التعريف وحدد Make in Data Table.

قم بإجراء عمليات التأكيد ، وقم ببناء الصيغ وجمع القراءات. قارن أداء التركيبات المثلى المرشحة. تم استخدام سير العمل في العديد من التطبيقات.

في معظم الحالات ، لاحظنا تحسنا لا يقل عن أربع إلى خمس مرات في الفاعلية عند مقارنتنا بالتركيبات المعيارية التي تم تعيينها باستخدام عامل واحد في كل مرة تحسين. وتكون التحسينات ملحوظة بشكل خاص عندما تكون الاستجابات الثانوية موجهة بشكل مشترك. من الممكن أيضا استخدام المحاكاة لإظهار الجودة المتوقعة للمرشحين الأمثل الذين ينتجهم هذا الإجراء.

باستخدام وظيفة توليد بيانات معروفة لتجربة المثال الموصوفة في الورقة ، يمكننا مقارنة جودة التركيبات المثلى المرشحة التي تم الحصول عليها من تصميمات ملء الفراغ والتحليل القائم على SVEM المستخدم في سير العمل هذا بتلك التي تم الحصول عليها من تقنيات تحليل الخليط التقليدية. مع جودة الصيغة المثلى الموضحة على المحور الرأسي وعدد مرات التشغيل في التصميم الموضح على المحور الأفقي ، تمثل النقاط الزرقاء أداء النموذج الإحصائي الكامل غير المختزل على مدى 150 محاكاة. تمثل النقاط الكهرمانية أداء الاختيار التقليدي للأمام بطلقة واحدة بناء على وظيفة هدف AICC.

تمثل النقاط الخضراء أداء نهج التحديد الأمامي المستند إلى SVEM المستخدم في سير العمل هذا. يسمح لنا تحليل SVEM بالحصول على مرشحين مثاليين أفضل وعدد أقل من الأشواط. ستكون هناك دراسات عرضية ذات تعقيد إضافي تتطلب مساعدة إحصائي للتصميم والتحليل.

الدراسات ذات الأولوية العالية للغاية ، حيث يكون حجم التشغيل محدودا أكثر من المعتاد ، أو هناك عدد كبير من العوامل الفئوية ، أو عامل فئوي واحد مع عدد كبير من المستويات قد يتم التعامل معه بشكل مختلف من قبل الإحصائي. استخدام التصميمات المثلى أو الهجينة بدلا من تصميم ملء الفراغ المحدد في سير العمل.