SVEM(Designed Mixture-Process Experiments and Self-Validated Ensemble Model)을 사용한 지질 나노입자(LNP) 제형 최적화를 위한 워크플로우

이 기사에서는 과학자들이 지루하고 잠재적으로 휘발성 있는 통계적 결정을 내릴 필요 없이 실험 설계 테이블을 구성하고 다양한 혼합물 및 공정 요인에 대한 실험 결과를 분석할 수 있는 워크플로를 제공합니다. 결과 모델은 여러 반응에 대해 공동으로 최적화할 수 있으며 결합 반응 표면과 개별 반응의 예측을 모두 요약하는 정보 그래픽을 생성하는 데 사용할 수 있습니다. 이러한 그래픽은 기본 통계 모델의 모수 추정치보다 해석하기 쉬우며 가장 바람직한 반응을 생성하는 요인 설정을 나타내는 데 도움이 됩니다.

지질 및 나노 입자 제형 과학자들은 다양한 페이로드에 대해 또는 지질 또는 공정 설정을 변경할 때 새로운 레시피를 구성해야 하는 경우가 많습니다. 우리는 설계 구성의 오류 가능성을 최소화하고 분석 중에 광범위한 통계 및 지식의 필요성을 피하는 제형 최적화에 대한 강력한 접근 방식을 제공합니다. 날짜가 찍힌 문서에 실험의 목적을 요약합니다.

실험 중에 측정할 반응을 나열합니다. 연구 중에 변할 요인과 일정하게 유지될 요인을 선택하십시오. 다양한 요인의 범위와 각각에 대한 관련 소수 정밀도를 설정합니다.

최소 및 최대 휴리스틱을 사용하여 연구 설계 크기를 결정합니다. 점프를 열고 메뉴 모음에서 DOI, 특수 목적, 공간 채우기 설계로 이동합니다. 연구 응답을 입력합니다.

연구 요인과 범위를 입력합니다. 설계에 대해 미리 결정된 런 수를 입력합니다. 선택한 요인과 런 크기에 대한 공간 채우기 설계 변수 테이블을 생성합니다.

수동으로 만든 실행에 주석을 달기 위해 테이블에 메모 열을 추가합니다. 해당되는 경우, 벤치마크 관리 실행을 설계 변수 테이블에 수동으로 통합합니다. 제어된 벤치마크 중 하나에 대한 반복을 포함합니다.

메모 열에 벤치마크 이름을 표시하고 쉽게 정확하게 식별할 수 있도록 벤치마크 복제 행에 색상 코드를 지정합니다. 요인 수준의 혼합물을 적절한 세분성으로 반올림합니다. 반올림된 값을 복사하여 원래 열에 붙여넣습니다.

둥근 열의 중복 복사본을 삭제합니다. 지질 인자를 반올림한 후 합계가 100%인지 확인합니다행 합계가 1과 같지 않은 경우 혼합 계수 중 하나를 수동으로 조정하여 요인 범위 내에 유지되도록 합니다. 조정이 완료된 후 합계 열을 삭제합니다.

혼합물 계수를 반올림하는 데 사용된 것과 동일한 절차에 따라 공정 계수를 각각의 입도로 반올림합니다. 원하는 소수점 이하 자릿수를 사용하여 백분율로 표시되도록 lipid 열의 형식을 지정합니다. 벤치마크와 같은 수동 실행을 추가한 경우 테이블 행 순서를 다시 임의화하고 반올림된 값이 있는 새 열을 추가합니다.

이 열을 오름차순으로 정렬하려면 열 머리글을 마우스 오른쪽 단추로 클릭한 다음 열을 삭제합니다. 삼항 플롯을 생성하여 지질 요인에 대한 설계점을 시각화합니다. 또한 공정 요인에 대한 런 분포를 조사합니다.

제형 과학자는 모든 실행의 타당성을 확인해야 합니다. 실행 불가능한 실행이 있는 경우 새로 발견된 제약 조건을 고려하여 설계를 다시 시작합니다. 설계 변수 테이블에 제공된 순서대로 실험을 실행합니다.

실험 테이블에 내장된 열에 판독값을 기록합니다. 판독값을 플로팅하고 반응의 분포를 조사합니다. 색상으로 구분된 반복 실행 간의 상대적 거리를 조사합니다(포함된 경우). 이를 통해 전체 요인 공간에서 요인 설정의 변경으로 인한 변동성과 비교하여 벤치마크에서 전체 공정 및 분석 변동을 이해할 수 있습니다.

삼항 플롯에서 런을 만듭니다. 반응에 따라 점을 색칠하여 혼합 요인에 대한 행동의 모델 독립적 보기를 얻습니다. 결과 그래프 중 하나를 마우스 오른쪽 버튼으로 클릭하고 Row Legend를 선택한 다음 응답 열을 선택합니다.

각 응답에 대해 이 작업을 반복합니다. 연구 요인의 함수로 각 반응에 대한 독립적인 모형을 구축합니다. 공간 채우기 설계에서 작성된 모델 스크립트를 삭제합니다.

분석, 모형 적합을 선택합니다. 모든 후보 효과로 구성된 전체 모형을 구성합니다. 이 모형에는 각 요인의 주효과, 2차 및 3차 교호작용, 공정 요인의 2차 및 편 3차 항, 혼합 요인에 대한 Scheffe 3차 항이 포함되어야 합니다.

모든 연구 요인을 선택합니다. degree에 대한 항목을 기본값인 2에서 3으로 변경합니다. 그런 다음 Factorial to Degree를 선택합니다.

비혼합 계수만 선택한 다음 매크로(Macros), 부분 입방체(Partial Cubic)를 선택합니다. 혼합 계수만 선택한 다음 매크로, Scheffe Cubic을 선택합니다. 기본 가로채기 없음 옵션을 비활성화합니다.

반응 열을 지정하고 성격을 일반화 회귀 분석으로 변경합니다. 이 모델 설정을 데이터 테이블에 저장하여 쉽게 불러올 수 있습니다. 데이터 테이블에 저장을 선택합니다.

실행을 클릭합니다. 추정 방법으로 SVEM 전진 선택을 선택합니다. Advanced Controls Force Terms 메뉴를 확장하고 혼합물 주효과에 해당하는 박스를 선택 취소합니다.

인터셉트 용어만 선택된 상태로 유지됩니다. Go.SVEM 모형의 예측 반응으로 실제 반응을 도표화하여 적절한 예측 가능성을 확인합니다. SVEM 정방향 선택 옆에 있는 빨간색 삼각형을 클릭하고 열 저장, 예측 수식 저장을 선택합니다.

이렇게 하면 데이터 테이블에 예측 수식이 포함된 새 열이 만들어집니다 각 반응에 대해 모델 작성 단계를 반복합니다. 모든 응답 변수의 예측 열이 데이터 테이블에 저장되면 프로파일러 함수를 사용하여 예측된 모든 응답 변수에 대한 응답 추적을 플로팅합니다. Graph Profiler를 선택하고 Y 예측 수식에 대해 이전 단계에서 만든 모든 예측 열을 선택한 다음 확인을 클릭합니다.

후보 최적 제형을 식별합니다. 각 반응에 대해 만족도 함수를 최대화할지, 최소화할지, 목표값과 일치시킬지 여부를 설정합니다. 여기에는 각 반응에 대한 상대적 중요도 가중치 설정도 포함됩니다.

첫 번째 후보를 생성하려면 중요도 가중치 1.0을 사용하도록 1차 응답을 설정하고 중요도 가중치 0.2를 사용하도록 2차 응답을 설정합니다. 프로파일러가 만족도 함수를 최대화하는 최적의 요인 설정을 찾도록 지시합니다. 최적화 만족도(Optimization Sensirability), 만족도 최대화(Maximize Sensirability)를 선택합니다.

각 반응에 사용된 중요도 가중치에 대한 메모와 함께 최적 요인 설정을 기록합니다. 이온화 가능한 지질 유형과 같은 범주형 인자의 경우, 각 인자 수준에 대해 조건부로 최적의 제형을 찾으십시오. 먼저 프로파일러에서 각 요소의 원하는 수준을 설정합니다.

그런 다음 Ctrl 키를 누른 상태에서 해당 요소의 그래프 내부를 마우스 왼쪽 버튼으로 클릭하고 Lock Factor Setting을 선택합니다. 이 선택 최적화 및 바람직 함은 현재 설정에서 잠겨있는 이 요인으로 조건부 최적을 찾는 바람직 함을 최대화합니다. 완료되면 계속하기 전에 요인 설정의 잠금을 해제합니다.

응답의 중요도 가중치를 수정한 후 최적화 프로세스를 반복하여 1차 반응만 최적화하거나 일부 2차 응답이 중요도 가중치를 더 많거나 적게 갖도록 설정하여 목표를 없음으로 설정할 수 있습니다. 새 최적 후보를 기록합니다. 요인 공간의 최적 영역에 대한 그래픽 요약을 생성합니다.

허용된 요인 공간 내에서 임의로 생성된 요인 설정으로 채워진 50, 000개의 행과 각 반응에 대한 축소 모형의 해당 예측 값 및 결합 만족도 함수가 포함된 데이터 테이블을 만듭니다. 출력 랜덤 테이블을 선택합니다. 시뮬레이션할 실행 횟수 값을 50, 000으로 변경하고 확인을 클릭합니다.

새로 만든 테이블에서 만족도 열의 백분위수를 계산하는 새 열을 추가합니다. 이 백분위수 열은 삼항 플롯에서 원시 만족도 열 대신 사용합니다. Desirableability 열 머리글을 마우스 오른쪽 단추로 클릭하고 New Formula Column, Distributional, Cumulative Probability를 선택합니다.

다음 그래픽을 생성합니다. 각 반응과 누적 확률 열에 대한 예측을 표시하기 위해 그래픽의 색 구성표를 반복적으로 변경합니다. 4개의 지질 인자에 대한 삼항 플롯을 구성합니다.

표에서 그래프 삼항 플롯으로 이동합니다. X 플로팅에 대한 혼합물 계수를 선택하고 확인(OK)을 클릭합니다. 결과 그래프 중 하나를 마우스 오른쪽 단추로 클릭하고 Row Legend를 선택한 다음, 예측된 반응 열을 선택합니다.

색상 드롭다운을 Jet로 변경합니다. 이것은 지질 인자와 관련하여 최고 및 최악의 성능 영역을 보여줍니다. 현재 그림은 1에 대한 중요한 속편으로 효능을 최대화하고 0.2에 대한 중요한 속편으로 크기를 최소화하는 것을 고려할 때 관절 만족도의 백분위 수를 보여줍니다.

삼항 플롯 축에 표시되지 않은 요인에 대해 평균을 구하는 동안. 각 반응에 대한 예측을 표시하기 위해 그래픽의 색 구성표를 반복적으로 변경합니다. 유사하게, 50, 000 개의 색상으로 구분 된 점을 단일 또는 공동으로 비 혼합 공정 요인에 대해 고유 한 공식을 나타내고 반응과 요인 간의 관계를 찾습니다.

가장 바람직한 점 산출률을 생성하는 요인 설정을 찾습니다. 이 그림은 세 가지 이온화된 지질 유형 각각으로 형성될 수 있는 모든 제형의 공동 바람직함을 보여줍니다. 가장 바람직한 제형은 H102를 사용하며 H101은 잠재적으로 경쟁력 있는 대안을 제공합니다.

다양한 반응을 유발할 수 있는 다양한 요인 조합을 탐색합니다. 예측 프로파일러와 기억된 설정을 데이터 테이블에 다시 저장합니다. 이전에 식별된 최적의 후보를 나열하는 표를 준비합니다.

공식화되고 측정될 후보 실행 집합과 함께 벤치마크 컨트롤을 포함합니다. 실험에서 나온 제형 중 하나라도 벤치마크를 능가하여 바람직한 결과를 산출하는 것으로 밝혀지면 후보 테이블에 추가할 최상의 제형을 선택하고 새 제형과 함께 다시 테스트합니다. 프로파일러에서 기억된 설정 테이블을 마우스 오른쪽 버튼으로 클릭하고 데이터 테이블로 만들기를 선택합니다.

확인 실행을 수행하고, 공식을 구성하고, 판독값을 수집합니다. 후보 최적 제형의 성능을 비교한다. 워크플로는 많은 응용 프로그램에서 사용되었습니다.

대부분의 경우, 우리는 한 번에 하나의 요소를 사용하여 최적화 된 벤치 마크 제형과 비교할 때 효능이 적어도 4-5 배 향상되는 것을 관찰했습니다. 개선은 2차 대응을 공동으로 목표로 삼을 때 특히 두드러집니다. 시뮬레이션을 사용하여 이 절차에 의해 생성된 최적 후보의 예상 품질을 보여줄 수도 있습니다.

논문에 설명된 예제 실험에 대해 알려진 데이터 생성 함수를 사용하여 이 워크플로우에 사용된 공간 충전 설계 및 SVEM 기반 분석에서 얻은 후보 최적 제형의 품질을 기존 혼합물 분석 기술에서 얻은 것과 비교할 수 있습니다. 세로축에 표시된 최적 공식의 품질과 가로축에 표시된 설계의 런 수에서 파란색 점은 150번의 시뮬레이션에 걸쳐 축소되지 않은 전체 통계 모델의 성능을 나타냅니다. 황색 점은 AICC 목적 함수를 기반으로 하는 기존의 단발 전방 선택의 성능을 나타냅니다.

녹색 점은 이 워크플로우에서 사용되는 SVEM 기반 순방향 선택 접근 방식의 성능을 나타냅니다. SVEM 분석을 통해 더 나은 최적 후보를 얻고 더 적은 런을 얻을 수 있습니다. 설계 및 분석을 위해 통계학자의 도움이 필요한 추가 복잡성이 있는 연구가 가끔 있을 것입니다.

실행 크기가 평소보다 더 제한적이거나 범주형 요인이 많거나 수준이 많은 단일 범주형 요인이 있는 매우 높은 우선 순위 연구는 통계학자가 다르게 접근할 수 있습니다. 워크플로우에 지정된 공간 채우기 설계 대신 최적 설계 또는 하이브리드 설계를 사용합니다.