Design av eksperimenter (DoE) studier

Design of Experiments (DoE) er en statistisk tilnærming til reaksjons- og prosessoptimalisering som tillater variasjon av ulike faktorer samtidig med målet om å screene reaksjonsrommet for optimale verdier.

I kjemisk utvikling brukes DoE-studier for å fremskynde reaksjonsoptimalisering, siden de tillater vurdering av et stort antall reaksjonsparametere i et lite antall eksperimenter. I løpet av de siste årene har DoE blitt brukt til implementering av Quality by Design (QbD) i FoU og produksjon. I farmasøytisk QbD er produkt- og prosessforståelse avgjørende for å sikre kvalitet i det produserte produktet. 

Fordelen med å bruke Design of Experiments (DoE) i kjemisk utvikling er at flere inngangsparametere, eller "faktorer", som temperatur, råmateriale og konsentrasjon, kan vurderes samtidig for å belyse forholdene der produktets attributter, eller "responser", som utbytte, selektivitet og urenhetsnivå, når en optimal verdi. 

Siden DoE-studier vanligvis krever færre eksperimentelle repetisjoner, kan DoE resultere i:

• Bedre prosessforståelse på kortere tid
• Kortere utviklingssykluser i industrien

I en Design of Experiments (DoE)-studie varieres interessefaktorene systematisk fra laveste til høyeste verdi, og alle mulige faktorkombinasjoner utføres i samme sett med eksperimenter.

I en trefaktor-DoE med to nivåer (se grafen til høyre) kan verdiene representeres i en kube der hjørnene viser de åtte testbetingelsene. I en full faktoriell design beregnes de resulterende testbetingelsene i henhold til 2^3 = 8  testforhold som fremkaller åtte forskjellige resultater.

Eksemplet til høyre viser et skjematisk eksempel på en fullstendig faktoriell design-DoE som fører til åtte distinkte testresultater med én optimal verdi (dvs. data uthevet i rødt).

Dataene som er resultatet av en DoE-studie brukes til å bygge matematiske funksjoner som best beskriver forholdet mellom faktorene og de målte responsene. Disse ligningene kan være første, andre eller høyere orden, avhengig av hvordan svarene reagerer på endringer i faktorene.

Matematisk modell med y=respons (f.eks. utbytte), og xn=inngangsfaktorer, og βn=funksjonskoeffisienter.

Responsen (y) kan plottes mot en eller to inngangsvariabler (x) for å bygge den såkalte responsflaten i to eller tre dimensjoner. 

Målet med å optimalisere en syntetisk reaksjon er å finne den maksimale verdien av en funksjon (det optimale), som gir de beste ønskede resultatene. Response Surface Methodology (RSM) utnytter data generert av DoE og viser visuelt avhengigheten av responsen (utbyttet) mot de tre faktorene (temperatur, utgangsmateriale og katalysatordosering; se eksempelgraf). RSM er fordelaktig for mer presist å modellere krumningen rundt reaksjonsoptimumet. Prosesskjemikere er i stand til å få en dypere forståelse av en prosess og identifisere regionen der prosessforholdene oppfyller ett eller flere mål, for eksempel avkastningsøkning eller kostnadsoptimalisering.

Med RSM kan en stor mengde informasjon skapes fra et lite antall eksperimenter, og reaksjons- og prosessoptimalisering kan gjøres på kortere tid.

Et sentralt krav i eksperimentell design for DoE er å etablere systempålitelighet og reproduserbarhet. Dette oppnås ved å minimere risikoen for målefeil og nøyaktig kontrollere alle parametere for å sikre reproduserbare forhold. I kjemisk syntese må det eksperimentelle oppsettet sikre at parametermålinger og kontroll som temperatur, omrøring, prøvetaking og stoffdosering er nøyaktige og eksperiment for eksperiment reproduserbarhet er høy.

I tillegg bør de valgte Design of Experiments (DoE)-faktorene representere parametrene som har sterkest innflytelse på de eksperimentelle resultatene. Parameterområdet fra laveste til høyeste verdi bør være realistisk og må dekke et bredest mulig område siden ekstrapolering utenfor designområdet ikke er tillatt i DoE.

I denne figuren følger EasyMax kjemisk syntesereaktor den innstilte temperaturen nøyaktig, mens den vanskelig å kontrollere rundbunnede kolben viser en kontrollvariasjon på rundt 27 °K mellom minimum og maksimum.

Automatiserte kjemiske syntesereaktorer gir bedre resultater, noe som fører til mer presise Design of Experiments-studier.

I oppsettet av DoE-studier av høy kvalitet kan manuelt synteseutstyr, inkludert rundbunnede kolber, ha potensielle begrensninger:

• Den nøyaktige kontrollen av nøkkelparametere som temperatur, omrøring og dosering innenfor stramme begrensninger er vanskelig under reaksjonen
• Eksperimentets repeterbarhet er kompromittert
• Registreringen av alle reaksjonsparametervariasjoner og analyseresultater under eksperimentet er tungvint og utsatt for feil
• Manuell reaksjonsprøvetaking for å få reaksjonsdata er ikke reproduserbar og krever mye operatørtid

Bildet er gjengitt med tillatelse fra Caron, Stéphane og Nicholas M. Thomson. "Farmasøytisk prosesskjemi: Utvikling av et moderne datarikt laboratoriemiljø." Tidsskrift for organisk kjemi 80.6 (2015): 2943-2958. Opphavsrett 2015 American Chemical Society."

Peptider er komplekse molekyler syntetisert i mange trinn med mange mulige bivirkninger. For å kunne drive slike prosesser økonomisk, må hvert trinn optimaliseres og resultere i et utbytte på minst 98 %.

Målet med DoE-studien var å optimalisere produktutbyttet ved systematisk variasjon av fire prosessparametere: temperatur, løsemiddeltilsetning, vann- og peptidkonsentrasjon. 

Studien viser viktigheten av den reproduserbare endringen og kontrollen av DoE-faktorene som oppvarming, kjøling og reaktanttilsetning, samt kontroll av eksperimentelle forhold (f.eks. gjennom konsekvent blanding av reaksjonsmassen). 

Design of Experiments brukes til en rekke applikasjoner, inkludert:

• Kjemisk syntese
• Krystalliseringsprosesser 
• Syntese reaksjoner
• Identifikasjon av polymorfisme
• Polymerisasjonsreaksjoner
• Hydrogeneringsreaksjoner
• Biokatalyse og enzymatisk katalyse
• Strømningskjemi
• Nedstrøms prosessering
• Viral inaktivering i bioprosessering

For å måle og kontrollere flere sett med reaksjonsparametere i DoE med høy pålitelighet og repeterbarhet, har kjemiske syntesereaktorer avgjørende fordeler.

Manuelle DoE-studier med mer enn to faktorer krever høy eksperimentell innsats da alle parametere må overvåkes samtidig over lang reaksjonstid. Kjemiske syntesereaktorer hjelper til med å kontrollere alle parametere nøyaktig, samtidig, noe som resulterer i DoE-resultater av høy kvalitet som registreres og enkelt kan hentes for videre databehandling. iControl-programvaren sikrer også rettidig justering av individuelle faktorer i henhold til DoE-protokollen, med protokoller som er enkle å gjenbruke i påfølgende eksperimenter.

Ved å bruke EasyMax kjemiske syntesereaktorer kan enhver forsker glede seg over uovervåkede eksperimenter med et bredere bruksområde egnet for DoE-studier for rask oppdagelse av nye syntetiske veier.

Kjemiske reaktorer hjelper forskere raskt å utforske flere prosessparametere samtidig, noe som gjør det til et perfekt verktøy for DoE-studier. Et unikt funksjonalitets- og applikasjonssett er gitt:

• Temperaturmålinger fra -80 °C til 180 °C
• Væskedosering med doseringshastigheter mellom 1 og 50 ml/min ved høy nøyaktighet
• Automatisert reaksjonsprøvetaking fra suspensjoner og flerfasereaksjoner med EasySampler
• Effektiv omrøring av alle typer reaksjoner for å utføre blandingsstudier
• Reaksjonsbeholderens form dekker et volumområde fra 0,5 ml til 1000 ml
• Integrasjon av PAT-prober, inkludert ReactIR, ReactRaman, ParticleTrack og EasyViewer for å utføre datarike DoE-studier

Design of Experiment (DoE) er et statistisk nyttig middel for å minimere antall eksperimenter som trengs for å utforske effekten av variabler på reaksjonsytelsen i laboratoriet, men oppskalering av DoE-resultater til produksjon er full av problemer. For eksempel tar DoE-studier  vanligvis ikke hensyn til effekten av blanding og varmeoverføring, kritiske parametere i oppskalering. Dynochem-modellering gjør det mulig å ta hensyn til viktige fysiske og termiske egenskaper i oppskalering. Når kinetisk informasjon brukes med Dynochem-modellering, kan egnede prøvetakingsendepunkter bestemmes for DoE, noe som sparer tid og ressurser. Dermed forbedrer Dynochem-modellering utviklingen av kritiske prosessparametere og effektivt prosessdesignrom.  

Innovasjon er utfordrende når utstyr begrenser eksperimentelle muligheter. Kompleksiteten i syntetisk kjemi øker hver dag. Dette white paperet diskuterer hvordan kjemikere reagerer med innovative teknikker som inkluderer:

• Automatisert reaksjonsplanlegging og -utførelse
• Komplett datafangst for hvert eksperiment
• Synteseverktøy som løser vanlige eksperimentelle problemer

For å lære hvordan smarte synteseverktøy kombinert med laboratoriedigitaliseringsevner kan transformere kjemisk utvikling, last ned white paper "The Modern Synthesis Lab: A New Workplace for Chemists". 

• Lucks, Sandra og Heiko Brunner. "In situ generert palladium på aluminiumfosfat som katalytisk system for fremstilling av β, β-diarylerte olefiner ved Matsuda-pokker-reaksjon." Organic Process Research & Development 21.11 (2017): 1835-1842.
• Monnaie, Didier, Lonza Peptide, Braine, «Rask og effektiv kjemisk syntese og optimalisering støttet av design av eksperimenter (DoE)» webinar METTLER TOLEDO, 2017.
  
• Van der Eycken Francis, METTLER TOLEDO, «Innovative teknikker for å syntetisere banebrytende molekyler», Whitepaper (2015).
  
• Georgakis, C. (2013). "Design av dynamiske eksperimenter: En datadrevet metodikk for optimalisering av tidsvarierende prosesser." Industrial & Engineering Chemistry Research 52: 12369-12382.
  
• P. M. Murray et al., "Anvendelsen av design av eksperimenter (DoE) reaksjonsoptimalisering og løsningsmiddelvalg i utviklingen av ny syntetisk kjemi", Org. Biomol. Chem., 2016, 14 sider, 2373-2384.
  
• Design av eksperimenter (DoE) og prosessoptimalisering. En gjennomgang av nyere publikasjoner. Org. Prosess Res. Dev., 2015, 19 (11), s. 1605–1633.