Está en la página 1de 14

Diseo Estadstico de Experimentos en fabricacin de almidn Las nanopartculas - Un estudio de caso para la aplicacin de Superficie de Respuesta Mtodos (RSM)

Nadeem Irfan Bukhari,1* Simran Kaur,1 Saringat H. Bai,2 Yuen Kah Hay,2 Abu Bakar Abdul Majeed,3 Yeow Beng Kang,1 and Mark J. Anderson4 1School of Pharmacy International Medical University, Kuala Lumpur, Malaysia 2School of Pharmaceutical Science, University Sains Malaysia, Penang, Malaysia 3Faculty of Pharmacy, University Technology Mara, Kuala Lumpur, Malaysia 4Stat-Ease, Inc., Minneapolis, Minnesota, United States of America

Abstracto Diseo estadstico de experimentos (DoE), una optimizacin asistida por ordenador tcnico, ofrece muchas ventajas: identifica los factores crticos, revela sus interacciones - sinrgico o antagnico, encuentra las condiciones ideales de procesos que realizan la respuesta especfica (s). El enfoque DoE facilita la proyeccin de las variables de proceso, buscando condiciones robustas y probar la configuracin recomendada para mayor solidez. Optimizacin de una respuesta de proceso no lineal, por ejemplo, uno que sigue una cresta creciente en relacin con los factores clave, se requiere una ms avanzada estadstico, tcnica conocida como "mtodos de superficie de respuesta", o RSM. DoE en todas sus formas ha sido ampliamente utilizado en la formulacin farmacutica e investigacin. Se requiere una seleccin adecuada del diseo del experimento y un buen anlisis estadstico para producir un modelo til y predictivo. Revisin de la literatura disponible revela una serie de peligros potenciales para novicios en esta metodologa: Seleccin inadecuada de modelo, La inclusin de trminos no significativos en el modelo, El uso de los datos de respuesta primas cuando un modelo ms simple y ms precisa sera Obtenido en una escala transforman matemticamente, como logartmica. Esto conduce a sobre-o sub-prediccin y, por tanto, reduccin de la fiabilidad de la Enfoque DoE.

Teniendo todos estos puntos en mente, este informe proporciona educacin ejemplo - el modelado emprico de un proceso de fabricacin para producir nanopartculas a partir de un polmero natural. Introduccin El enfoque tradicional para la experimentacin con las drogas de diseo requiere que slo un factor a la hora (OFAT) puede cambiar, manteniendo todas las otras variables constantes. Este enfoque tiene muchas OFAT defectos importantes, pero son los dos ms notorios: (1) No se puede evaluar las interacciones de los factores, que en los procesos farmacuticos deben se prev, (2) Se cubre una pequea fraccin del espacio factorial viable total (Anderson, 2005). Diseo estadstico de experimentos (DoE), un mtodo multifactorial matricial, no miden los efectos de interaccin y que abarca toda la multidimensional regin experimental (Anderson y Whitcomb, 2007). Con la ayuda de software programado para este fin, DoE se ha reconocido como una herramienta importante para ms rpido proceso de desarrollo de productos farmacuticos y (Bolton y Bon, 2004). La Figura 1 ilustra una estrategia generalmente aceptada para DoE dirigido a rpida pero integral, proceso de mejora. Comienza con un "Discovery" fase que llama para estudios de intercambio de ideas y el piloto que incluyen la bsqueda de rango de los ensayos. Muchos experimentadores saltar demasiado rpido en una matriz de prueba y terminan perdiendo el tiempo en la factores equivocadas con rangos que son demasiado estrechas, lo que genera nada significativa, o demasiado amplio va ms all de los lmites de operacin. Luego se debe realizar copias de seguridad y empezar de nuevo, tratando de volver a descubrir un punto de partida adecuado para su proceso de y desarrollo de productos. Los "Breakthrough" diseos aparecen en la Figura 1 varan simultneamente todos los factores a travs de matrices inteligentemente diseadas que calculan los efectos con la mxima potencia para modelado predictivo. De hecho, para un nivel dado de potencia estadstica, moderno DoE mtodos requieren menos corridas experimentales que el enfoque OFAT (Anderson, 2005; Lewis, et al, 1999). Diseos enumerados en la "optimizacin" seccin de la figura 1 se conocen como mtodos de superficie de respuesta (RSM), la base de modelos polinomiales que es encajar por de los mnimos cuadrados de regresin y confirmada estadsticamente mediante un anlisis de varianza (ANOVA) (Anderson y Whitcomb, 2005). Mediante la derivacin emprica, pero til, funcional,

relaciones - generalmente de segundo orden - entre las respuestas de procesos crticos y la variables de entrada, RSM facilita el descubrimiento de los "puntos dulces", donde todos los requisitos se puede lograr con el menor coste. El objetivo final del DoE es construir un modelo predictivo til de todos medidas de respuesta de los crticos de la eficiencia del proceso y la eficacia del producto. Armado con estas ecuaciones polinmicas, software especializado puede proceder al registro numrico algoritmos que encuentran las condiciones ms deseables (Vaughn, et al, 2007). Sin embargo, esta recomendacin debe ser validado a travs de pruebas de confirmacin que se detallan en el etapa final de la estrategia para la experimentacin descrita en la figura 1. Idealmente, la porcentaje relativo de error entre la salida predicha y cae dentro de validacin 15% (Wayne, 1991). Adems, los protocolos estndar ofrecen plantillas para el establecimiento de la robustez de un sistema dado contra variaciones - tanto internos como, por ejemplo variaciones en los puntos de ajuste y externos, tales como la humedad ambiente (ASTM, 2007)

Figura 1: Estrategia de la experimentacin (Adaptado y modifed de Anderson y Whitcomb, 2005) La literatura actual sobre la forma de dosificacin farmacutica diseo y la investigacin es repleto con el uso de DOE. Por desgracia, la deteccin de la literatura disponible revela frecuente uso apropiado de este enfoque, tales como: a) Los modelos no apropiados para su finalidad, por ejemplo, utilizando los orientada para variables de proceso cuando la aplicacin es para la formulacin b) Neutralizacin de la jerarqua del modelo de eliminacin imprudente de aparentemente trminos insignificantes, c) Montaje de los datos de respuesta primas que sera modelada con mayor precisin y exactamente despus de la transformacin por el logaritmo natural o de otro funciones matemticas, d) prediccin de las respuestas fuera de la regin experimental real, en otro palabras, la extrapolacin del modelo. Sin embargo, el enfoque de que el papel no es identificar estas deficiencias de la estudios previos, sino que ms bien muestran por ejemplo bueno (la fabricacin de nanopartculas) un enfoque ms riguroso en estadsticas para el diseo y anlisis de productos farmacuticos experimentos. Experimental Las nanopartculas polimricas fueron fabricados con fosfolpidos utilizando sonda sonicacin. Despus de completar los pasos iniciales de descubrimiento y completar el avance de fase en la estrategia de experimentacin, dos variables, la cantidad de fosfolpidos (A) y el tiempo de sonicacin (B) sobrevivieron como los mejores candidatos para optimizacin. El tamao de partcula se midi como la variable de respuesta primaria. Para modelar potencialmente efectos no lineales por mtodos de superficie de respuesta (RSM), al menos tres niveles de cada factor debe ser probado. El objetivo de RSM es instalar un segundo ecuacin de orden llamado "modelo cuadrtico", que desde hace dos factores que toma la forma:

donde la ordenada bajo el sombrero (^) representa la respuesta pronosticada y el griego betas carta () son los coeficientes determinados experimentalmente.

Como se observa en la Figura 1, la parte superior eleccin RSM diseo es el compuesto central diseo (CCD), ya que ofrece la mayor flexibilidad. Por ejemplo, si una previa de dos niveles experimento factorial abarca una regin de operacin ideal, tambin puede ser construido en una CCD con slo aadir ms puntos a lo largo de los ejes factoriales. La Figura 2 ilustra la estructura central de diseo compuesto para este estudio de caso. Se dispone de cinco niveles para cada factor. La geometra de la CCD es un cuadrado (o cbica en tres dimensiones) de "Factoriales" niveles, que en este caso son: A. Tiempo (minutos): 0 a 5 Fosfolpido B. (porcentaje) 0 TO5. Estos rangos estn codificadas con fines matemticos como menos uno (-1) frente ms uno (+1), con cuatro puntos axiales que sobresalen fuera de esta regin del ncleo de inters. La distancia es dictado por rotabilidad diseo, es decir, igualmente capacidad de prediccin precisa a la misma distancia del centro. Segn este criterio, un de dos factores CCD requiere sus puntos mximos de ser colocado en 1,414 unidades codificadas, ms o menos. Sin embargo, investigaciones ms recientes sugieren una ms prctica, menos extrema, colocacin calcula a partir de la raz cuarta del nmero de factores (Anderson y Whitcomb, 2005). Tomando el ms prctico (y moderna) ruta en este caso pone los puntos de aproximadamente 1,2 unidades codificadas desde el centro de la regin experimental

Figura 2: Diseo diseo de nanopartculas RSM experimento El punto central en este CCD se repiti cinco veces - una no slo volver a tomar muestras o de nuevo a prueba, pero completamente re-correr, lo que proporciona una medida real de error debido a variaciones naturales de principio a fin. El nmero de repeticiones se elige para proporcionar una amplia regin donde el error estndar de prediccin se mantiene relativamente estable. Sin embargo, como se indica por el sombreado de fondo en la Figura 2 las regiones exteriores, particularmente en las esquinas, donde el modelo de respuesta debe ser extrapolados, no puede puede predecir la manera ms precisa. Si una de estas reas resulta ser deseable, otra experimento, quiz con intervalos ms estrictas, sera conveniente proporcionar una adecuada enfocar. Los resultados del diseo 13-de ejecucin se muestra en la Tabla 1 tallo de una verdadera experimento, que proporciona entonces la base para demostrar la eficacia de este RSM moderna para la produccin de tiles modelos predictivos. Los valores del factor de corchetes provienen de la plantilla codificada CCD descrito anteriormente. Los niveles de los factores reales fueron ligeramente redondeado en algunos casos por razones de conveniencia, pero no lo suficiente para materialmente afectar a las propiedades de diseo de una vista estadstico

Anlisis Seleccin del modelo Con la ayuda de un software diseado para RSM (Vaughn et al, 2007), un modelo cuadrtico fue ajustado a los resultados experimentales. Sin embargo, el diagnstico de los residuos, los las diferencias entre los tamaos de partculas reales y predichos, se indica un significativo mejora sera adquirida por primera tomando el inverso de las respuestas (1 / y). Transformaciones de este tipo, ms a menudo el logaritmo, se aplican comnmente a proporcionar mejores propiedades estadsticas, validando un modelo en el factorial regin del experimento RSM. La principal herramienta estadstica para determinar la necesidad de transformaciones y para precisar cul funciona mejor, es la trama de Box-Cox, que Anderson y Whitcomb (2005) detalle en el captulo 5 de su anexo. Sin embargo, en este caso el impacto beneficioso de la inversa se hace evidente por la comparacin entre las Figuras 3a (a la izquierda) y 3b (a la derecha), que ilustran el modelado de

tamao de partculas con o sin transformacin respuesta; respectivamente. Observe cmo mucho mejor la curva continua en la izquierda se ajusta el tamao de partcula mximo en el tiempo ms bajo (con el segundo factor fosfolpido fijado en su nivel de centro de 2,5 por ciento). Adems, el punteado banda de confianza refleja la mayor variacin en los niveles ms altos de respuesta. Un defecto obvio de no transformar por el contrario es evidente en la Figura 3b (parcela en la derecha) por la banda inferior de confianza que cae por debajo de cero al mximo el tiempo. Que No puede ser! Figura 3a, b: tamao de partcula modelado como inverso (izquierda) y como es-(derecha) respecto al tiempo con fosfolpido fijado en 2,5% La imagen completa del tamao de partcula prevista es proporcionada por la Figura 4 la de superficie de respuesta como una funcin de ambos factores (tiempo y nivel de fosfolpido)

Figura 4: Superficie de respuesta para el tamao de partcula Estas predicciones se basan en el siguiente modelo (cuadrtico) en trminos de factores reales:

Estadsticos del modelo general de los factores codificados para evitar el redondeo problemas que se producen cuando se utilizan unidades reales de medida, que son ms prcticos para los experimentadores (por lo tanto, esto es lo que presentamos aqu). El anlisis estadstico de la varianza (ANOVA) revel un modelo global de p menos de 0,01 - muy significativo. La falta de pruebas de ajuste producido un p-valor superior a 0,5 lo cual es muy bueno. El R ajustado fue de 0,74 - muy satisfactorio para modelado emprico. El valor p de B supera 0,9, lo que hizo eliminacin de este trmino muy tentador. Sin embargo, debido B es muy significativa (p = 0,01), la eliminacin de su padre B plazo minara la jerarqua del modelo, lo que produce errnea predicciones cuando se conviertan a trminos reales (Peixoto, 1990). La jerarqua es ancestral vinculacin de los efectos que se derivan de los efectos principales (considerados como los padres) a travs de generaciones sucesivas de interacciones de orden superior (nios). Por lo tanto, si dos factores de interaccin individuales se incluyen en el modelo, tanto de los efectos principales tambin deben ser

incluidos. Experimentadores incautos, que ciegamente se aplican computarizadoherramientas de modelado sin antes educando en RSM, a menudo ignoran la jerarqua, lo que conduce a imprecisiones imprevistos en su modelado predictivo. Un beneficio secundario de mantener la jerarqua del modelo es que esto evita a menudo impresiones engaosas que un determinado factor no es significativo cuando, en realidad, hace una diferencia, aunque slo en un orden superior o en concurrencia con otros factores (Anderson y Whitcomb, 2007). Por ejemplo, en este caso, si B se retira en el plazo la base de su valor p alto, se podra pensar que el nivel de fosfolpidos, poco importa, cuando, de hecho, afecta en gran medida del tamao de partcula, como se ve en la superficie de respuesta (Figura 4). Este modelo se puede reducir ligeramente mediante la eliminacin del insignificante trmino de interaccin AB (p> 0,9). Algunos estadsticos advierten contra la eliminacin de tales. Concretamente, abogando en cambio, que los modeladores de mantener el segundo grado completo polinomio como prctica estndar (Myers y Montgomery, 2002). Sin embargo, en este caso mediante la suscripcin de trmino AB predicho R 2 aumenta 0,47 a 0,62. Esta estadstica de clculo intenso-se basa en la suma de cuadrados residual predicha, llamado PRENSA, que comienza por volver a ajustar el modelo sin la primera carrera. El nuevo modelo entonces predice la respuesta primero, de la que el residual del resultado real se calculado. Este proceso se repite para cada una de las carreras restantes y el cuadrado residuos se suman a la prensa. Debido a que el R predicho se basa en la PRENSA, proporciona una prueba ms severa de la adecuacin del modelo a los R ajustado. Pero si la diferencia entre estos dos tipos de R-squareds supera 0,20, puede haber una problema con el modelo de datos o la (Vaughn, 2007). Despus de retirar el AB plazo, el modelo predictivo para el tamao de partcula produce resultados razonablemente entre los dos R estadsticas - la brecha cae dentro de la directriz 0.2. Optimizacin En ltima instancia, el objetivo de los experimentadores farmacuticas en este caso era minimizar el tamao de partcula. Los resultados por encima de 200 nm eran inaceptables. Idealmente, este tamao meta de reduccin podra ser excedido en el procesamiento de ms bajo posible (sonicacin) tiempo. Dado el modelo predijo detallado anteriormente, que el diagnstico validado estadsticamente, numricos hill-climbing algoritmos pueden buscar ms deseable los resultados (Vaughn, 2007). La Figura 5 muestra las condiciones ptimas para minimizar tamao de partcula con el tiempo de reduccin aadido como un resultado deseable

Figura 5: condiciones de operacin ms deseable para la sonicacin La figura 6 muestra una representacin 3D de conveniencia

Figura 6: Vista 3D de las condiciones de operacin ms deseables La configuracin recomendada a 2,60 minutos de sonicacin con fosfolpidos a 2,48 por ciento cae muy cerca del punto central del diseo de experimentos, que en repetidas ocasiones partculas producidas por debajo del nivel mximo deseado de 200 nm. El modelo predice un tamao de partcula de 142 nm en el ptimo con un intervalo de prediccin (PI) de 105 a 223.

Si ya veces puede ser permitido y por lo tanto ya no se hace deseable minimizar, la configuracin ptima cambia a 4,2 minutos con fosfolpidos por ciento de 2.48

La sonicacin ya se predice que reducir el tamao de partculas de hasta 130 nm, con un PI de 98 a 196.

Conclusin El estudio de caso sobre soninication farmacutica demostrado la utilidad de diseo estadstico de experimentos (DoE), los mtodos de superficie de respuesta sobre

todo, por proceso de optimizacin. Si los resultados significativos se logran, la prediccin resultante modelos permite bsquedas por computadora para lograr combinaciones de factores que respuestas deseables en condiciones de funcionamiento econmico. Los autores esperan que este ejemplo es fuente de inspiracin para otros cientficos farmacuticos e ingenieros superar las aversiones a los mtodos basados en estadsticas, aprovechando as herramientas poderosas para lograr ms rpidamente los objetivos de la investigacin y el desarrollo.

Agradecimientos:

Los autores agradecen al Dr. Paul Mullenix (SystatS Consulting) por su til la revisin de la primera versin de este documento.

Referencias

Anderson, MJ Recortar la grasa de los mtodos experimentales. OE (Optical Engineering) Magazine, septiembre de 2005, p. 29.

Anderson, MJ y Whitcomb PJ DOE simplificado - Herramientas prcticas para una efectiva experimentacin (2 nd Ed). Productividad Press, New York, NY, EE.UU., 2007.

Anderson, MJ y Whitcomb PJ RSM simplificado - Optimizacin de Procesos de Uso Mtodos de superficie de respuesta para el diseo de experimentos. Productividad Press, New York, De 2005.

ASTM comit E 1169 -. 07 Prctica estndar para la realizacin de robustez Tests. 2007. ASTM International, West Conshohocken, PA, EE.UU.. Bolton, S. y C. Bon Estadsticas Farmacutica - Prctico y Clnica Aplicaciones (4 Ed). Marcel Dekker, Inc. Nueva York. De 2004. Lewis, GA, Mathieu, R. y Phan-Tan Luu. Experimental Farmacutica

Design, Marcel Dekker, New York, 1999.

Myers, RH y Montgomery, DC metodologa de superficie de respuesta: Proceso Optimizacin de productos y uso de los experimentos diseados, 2 Edicin, John Wiley & Sons, New York, 2002.

Peixoto, JL "Establecimiento de bien formulados los modelos de regresin polinomial,"

El Estadstico Americana, V44, No. 1, febrero, 1990. Vaughn, NA, et al. DesignExpert Software, Versin 7.1. Estadstica-Ease, Inc., Minneapolis, MN. 2007. Wayne, WD Bioestadstica: Anlisis en Ciencias de la Salud, 5 Edicin, John Wiley & Sons, New York. 199