Een workflow voor lipide nanodeeltjes (LNP) formuleringsoptimalisatie met behulp van ontworpen mengselprocesexperimenten en zelfgevalideerde ensemblemodellen (SVEM)

Dit artikel biedt een workflow voor wetenschappers om een experimentele ontwerptabel te construeren en experimentele resultaten te analyseren over een verscheidenheid aan mengsel- en procesfactoren, zonder dat vervelende en potentieel vluchtige statistische beslissingen nodig zijn. De resulterende modellen kunnen gezamenlijk worden geoptimaliseerd over meerdere reacties en worden gebruikt om informatieve afbeeldingen te produceren om zowel het gezamenlijke responsoppervlak als de voorspellingen van de individuele reacties samen te vatten. Deze afbeeldingen zijn gemakkelijker te interpreteren dan de parameterschattingen uit de onderliggende statistische modellen en zijn nuttig bij het weergeven van de factorinstellingen die de meest wenselijke reacties produceren.

Lipide- en nanodeeltjesformuleringswetenschappers moeten vaak nieuwe recepten maken voor verschillende payloads of bij het wijzigen van lipiden of procesinstellingen. We bieden een robuuste benadering van formuleringsoptimalisatie die de kans op fouten in de ontwerpconstructie minimaliseert en de noodzaak van uitgebreide statistische en kennis tijdens de analyse vermijdt. Vat het doel van het experiment samen in een document met datumstempel.

Maak een lijst van de reacties die tijdens het experiment worden gemeten. Selecteer de factoren die gevarieerd zullen zijn en die constant zullen worden gehouden tijdens het onderzoek. Stel de bereiken vast voor de verschillende factoren en de relevante decimale precisie voor elk.

Bepaal de grootte van het onderzoeksontwerp met behulp van de minimale en maximale heuristieken. Open sprong en navigeer door de menubalk naar DOI, Special Purpose, Space Filling Design. Voer de onderzoeksreacties in.

Voer de studiefactoren en de bereiken in. Voer het vooraf bepaalde aantal runs voor het ontwerp in. Genereer de ontwerptabel voor het vullen van de ruimte voor de gekozen factoren en de rungrootte.

Voeg een notitiekolom toe aan de tabel voor het annoteren van handmatig gemaakte uitvoeringen. Neem, indien van toepassing, handmatig benchmarkbesturingsruns op in de ontwerptabel. Voeg een replicatie toe voor een van de gecontroleerde benchmarks.

Markeer de benchmarknaam in de kolom notities en kleur de markering van de rijen voor het repliceren van de benchmark voor eenvoudige correcte identificatie. Rond het mengsel van factorniveaus af tot de juiste granulariteit. Kopieer de afgeronde waarden en plak ze in de oorspronkelijke kolommen.

Verwijder de overbodige kopieën van de afgeronde kolommen. Controleer na het afronden van de lipidenfactoren of hun som gelijk is aan 100%Als een rijsom niet gelijk is aan één, pas dan handmatig een van de mengselfactoren aan, zodat deze binnen het factorbereik blijft. Verwijder de somkolom nadat de aanpassingen zijn voltooid.

Volg dezelfde procedure die wordt gebruikt voor het afronden van de mengselfactoren om de procesfactoren af te ronden op hun respectieve granulariteit. Maak de lipidekolommen zo op dat ze worden weergegeven als percentages met een gewenst aantal decimalen. Als u handmatige uitvoeringen zoals benchmarks hebt toegevoegd, wijzigt u de volgorde van de tabelrijen en voegt u een nieuwe kolom met afgeronde waarden toe.

Sorteer deze kolom in oplopende volgorde door met de rechtermuisknop op de kolomkop te klikken en verwijder de kolom. Genereer ternaire plots om de ontwerppunten over de lipidefactoren te visualiseren. Onderzoek ook de run-verdeling over de procesfactoren.

De formuleringswetenschappers moeten de haalbaarheid van alle runs bevestigen. Als er onhaalbare uitvoeringen bestaan, start u het ontwerp opnieuw op, rekening houdend met de nieuw ontdekte beperkingen. Voer het experiment uit in de volgorde die wordt opgegeven door de ontwerptabel.

Noteer de uitlezingen in de kolom die in de experimentele tabel is ingebouwd. Plot de metingen en onderzoek de verdelingen van de antwoorden. Onderzoek de relatieve afstand tussen de kleurgecodeerde replicatieruns als er een is opgenomen, dit zorgt voor het begrip van het totale proces en de analytische variatie op de benchmark, vergeleken met de variabiliteit als gevolg van de veranderingen in de factorinstellingen over de hele factorruimte.

Maak de pistes op een ternaire percelen. Kleur de punten volgens de antwoorden om een modelonafhankelijk beeld te krijgen van het gedrag over de mengselfactoren. Klik met de rechtermuisknop op een van de resulterende grafieken, selecteer Rijlegenda en selecteer vervolgens de antwoordkolom.

Herhaal dit voor elke reactie. Bouw een onafhankelijk model voor elke respons als functie van de onderzoeksfactoren. Verwijder de modelscripts die zijn gemaakt door het ontwerp voor het vullen van de ruimte.

Selecteer Analyseren, Model aanpassen. Construeer een volledig model met alle kandidaat-effecten. Dit model moet de belangrijkste effecten van elke factor omvatten, twee- en drieweginteracties, kwadratische en partiële kubische termen in de procesfactoren en Scheffe-kubieke termen voor de mengselfactoren.

Selecteer alle studiefactoren. Wijzig de vermelding voor graad in drie van de standaardwaarde van twee. Selecteer vervolgens een Factorial to Degree.

Selecteer alleen de niet-mengselfactoren en selecteer vervolgens Macro's, Partiële kubus. Selecteer alleen de mengselfactoren en selecteer vervolgens Macro's, Scheffe Cubic. Schakel de standaardoptie geen onderschepping uit.

Geef de antwoordkolom op, wijzig de persoonlijkheid in gegeneraliseerde regressie. Sla dit model op in de gegevenstabel zodat u het eenvoudig kunt terugroepen. Selecteer Opslaan in gegevenstabel.

Klik op Uitvoeren. Selecteer voor de schattingsmethode de optie SVEM Forward Selection. Vouw de menu's Geavanceerde besturingselementen forceren uit en schakel de selectievakjes uit die overeenkomen met de belangrijkste effecten van het mengsel.

Alleen de Intercept-term blijft aangevinkt. Klik op Go.Plot de werkelijke reacties op basis van hun voorspelde reacties uit het SVEM-model om een redelijke voorspelbaarheid te verifiëren. Klik op het rode driehoekje naast SVEM Forward Selection en selecteer Kolommen opslaan, Voorspellingsformule opslaan.

Hiermee wordt een nieuwe kolom gemaakt met de voorspellingsformule in de gegevenstabel Herhaal de modelbouwstappen voor elke reactie. Nadat alle reacties voorspellingskolommen hebben opgeslagen in de gegevenstabel, plot u de responstraceringen voor alle voorspelde responskolommen met behulp van een profilerfunctie. Selecteer Graph Profiler en selecteer alle voorspellingskolommen die in de vorige stap zijn gemaakt voor Y-voorspellingsformule, klik op OK.

Identificeer de optimale formuleringen van kandidaten. Stel de wenselijkheidsfunctie voor elke reactie in, of deze moet worden gemaximaliseerd, geminimaliseerd of gekoppeld aan een doel. Dit houdt ook in dat de relatieve belangrijkheidsgewichten voor elke respons moeten worden ingesteld.

Als u de eerste kandidaat wilt genereren, stelt u alle primaire antwoorden in op belangrijkheidsgewicht 1,0 en eventuele secundaire antwoorden op belangrijkheidsgewicht 0,2. Instrueer de profiler om de optimale factorinstellingen te vinden die de wenselijkheidsfunctie maximaliseren. Selecteer Optimalisatie wenselijkheid, Maximaliseer wenselijkheid.

Noteer de optimale factorinstellingen samen met een opmerking over de belangrijkheidswegingen die voor elke respons worden gebruikt. Voor categorische factoren zoals het ioniseerbare lipidetype, vindt u de voorwaardelijk optimale formuleringen voor elk factorniveau. Stel eerst het gewenste niveau van elke factor in de profiler in.

Houd vervolgens de control-toets ingedrukt en klik met de linkermuisknop in de grafiek van die factor en selecteer Lock Factor Setting. Deze selecte optimalisatie en wenselijkheid, maximaliseren de wenselijkheid om het voorwaardelijke optimum te vinden met deze factor opgesloten in de huidige instelling. Wanneer u klaar bent, ontgrendelt u de factorinstellingen voordat u doorgaat.

Herhaal het optimalisatieproces na het wijzigen van de belangrijkheidsgewichten van de respons, misschien alleen het optimaliseren van de primaire reacties of het instellen van sommige van de secundaire reacties om meer of minder belangrijkheidsgewicht te hebben, waarbij hun doel op geen enkele wordt ingesteld. Leg de nieuwe optimale kandidaat vast. Maak grafische samenvattingen van de optimale gebieden van de factorruimte.

Maak een gegevenstabel die 50.000 rijen bevat die zijn gevuld met willekeurig gegenereerde factorinstellingen binnen de toegestane factorruimte, samen met de bijbehorende voorspelde waarden uit de gereduceerde modellen voor elk van de antwoorden, evenals de gezamenlijke wenselijkheidsfunctie. Selecteer Willekeurige uitvoertabel. Wijzig de waarde van het aantal te simuleren runs in 50.000 en klik op OK.

Voeg in de nieuw gemaakte tabel een nieuwe kolom toe die het percentiel van de gewenste kolom berekent. Gebruik deze percentielkolom in de ternaire plots in plaats van de onbewerkte wenselijkheidskolom. Klik met de rechtermuisknop op de kolomkop Wenselijkheid en selecteer Nieuwe formulekolom, Verdeling, Cumulatieve kans.

Genereer de volgende afbeeldingen. Wijzig herhaaldelijk het kleurenschema van de afbeeldingen om de voorspellingen voor elke reactie en voor de kolom met cumulatieve waarschijnlijkheid weer te geven. Bouw ternaire percelen voor de vier lipidefactoren.

Navigeer in de tabel naar de grafiek ternaire plot. Selecteer de mengselfactoren voor X-plotting en klik op OK. Klik met de rechtermuisknop in een van de resulterende grafieken, selecteer Rijlegende en selecteer vervolgens de kolom met voorspelde reacties.

Wijzig de vervolgkeuzelijst kleuren in Jet. Dit toont de best en slechtst presterende regio's met betrekking tot de lipidefactoren. De huidige figuur toont de percentielen van de gezamenlijke wenselijkheid bij het overwegen van het maximaliseren van de potentie met een belangrijk vervolg op 1, en het minimaliseren van de grootte met een belangrijk vervolg op de 0,2.

Terwijl het gemiddelde wordt genomen over alle factoren die niet op de ternaire plotas worden weergegeven. Wijzig herhaaldelijk het kleurenschema van de afbeeldingen om de voorspellingen voor elke reactie weer te geven. Plot op dezelfde manier de 50.000 kleurgecodeerde punten die unieke formuleringen vertegenwoordigen tegen de niet-mengselprocesfactoren, enkelvoud of gezamenlijk, en zoek naar relaties tussen de reacties en de factoren.

Zoek naar de factorinstellingen die de puntenopbrengst in de hoogste wenselijkheid produceren. Deze figuur toont de gezamenlijke wenselijkheid van alle formuleringen die kunnen worden gevormd met elk van de drie geïoniseerde lipidetypen. De meest wenselijke formuleringen gebruiken H102, waarbij H101 enkele potentieel concurrerende alternatieven biedt.

Onderzoek verschillende combinaties van factoren die tot verschillende reacties kunnen leiden. Sla de voorspellingsprofiler en de onthouden instellingen weer op in de gegevenstabel. Maak een tabel met de optimale kandidaten die eerder zijn geïdentificeerd.

Voeg de benchmarkcontrole toe aan de set kandidaatruns die worden geformuleerd en gemeten. Als een van de formuleringen uit het experiment wenselijke resultaten bleek op te leveren, misschien door beter te presteren dan de benchmark, selecteert u de beste om toe te voegen aan de kandidaattabel en test u opnieuw samen met nieuwe formuleringen. Klik met de rechtermuisknop op de tabel met onthouden instellingen in de profiler en selecteer Maken in gegevenstabel.

Voer de bevestigingsruns uit, construeer de formuleringen en verzamel de uitlezingen. Vergelijk de prestaties van de kandidaat optimale formuleringen. De workflow is in veel toepassingen gebruikt.

In de meeste gevallen hebben we ten minste een vier tot vijf keer verbeterde potentie waargenomen wanneer we vergelijken met benchmarkformuleringen die zijn ingesteld met behulp van één factor tegelijk optimalisatie. Verbeteringen zijn vooral merkbaar wanneer secundaire reacties gezamenlijk worden gericht. Het is ook mogelijk om simulatie te gebruiken om de verwachte kwaliteit van de optimale kandidaten die door deze procedure worden geproduceerd, te laten zien.

Met behulp van een bekende gegevensgenererende functie voor het voorbeeldexperiment dat in het artikel wordt beschreven, kunnen we de kwaliteit van de kandidaat-optimale formuleringen die zijn verkregen uit de ruimtevulontwerpen en op SVEM gebaseerde analyse die in deze workflow worden gebruikt, vergelijken met die verkregen uit de traditionele mengselanalysetechnieken. Met de kwaliteit van de optimale formulering weergegeven op de verticale as en het aantal runs in het ontwerp weergegeven op de horizontale as, vertegenwoordigen de blauwe punten de prestaties van het niet-gereduceerde volledige statistische model over 150 simulaties. De oranje punten vertegenwoordigen de prestaties van de traditionele single shot forward-selectie op basis van de AICC-doelfunctie.

De groene punten vertegenwoordigen de prestaties van de op SVEM gebaseerde forward selectiebenadering die in deze workflow wordt gebruikt. De SVEM-analyse stelt ons in staat om betere optimale kandidaten en minder runs te verkrijgen. Er zullen af en toe studies zijn met extra complexiteit die de hulp van een statisticus vereisen voor ontwerp en analyse.

Studies met een extreem hoge prioriteit, waarbij de run size beperkter is dan normaal, of er zijn een groot aantal categorische factoren, of een enkele categorische factor met een groot aantal niveaus, kan anders worden benaderd door een statisticus. Met behulp van optimale of hybride ontwerpen in plaats van het ruimtevullende ontwerp dat in de workflow is opgegeven.