Studier i försöksplanering (DoE)

Design of Experiments (DoE) är en statistisk metod för reaktions- och processoptimering som tillåter variation av olika faktorer samtidigt med målet att screena reaktionsutrymmet för optimala värden.

Inom kemisk utveckling används DoE-studier för att påskynda reaktionsoptimering, eftersom de möjliggör bedömning av ett stort antal reaktionsparametrar i ett litet antal experiment. Under de senaste åren har DoE använts för implementeringen av Quality by Design (QbD) inom FoU och tillverkning. Inom farmaceutisk QbD är produkt- och processförståelse avgörande för att säkerställa kvaliteten i den tillverkade produkten. 

Fördelen med att använda Design of Experiments (DoE) i kemisk utveckling är att flera ingångsparametrar, eller "faktorer", såsom temperatur, råmaterial och koncentration, kan bedömas samtidigt för att belysa de förhållanden vid vilka produktegenskaperna, eller "responserna", såsom avkastning, selektivitet och föroreningsnivå, når ett optimalt värde. 

Eftersom DoE-studier vanligtvis kräver färre experimentella upprepningar kan DoE resultera i:

• Bättre processförståelse på kortare tid
• Kortare utvecklingscykler inom tillverkning

I en Design of Experiments-studie (DoE) varieras de faktorer som är av intresse systematiskt från deras lägsta till högsta värde och alla möjliga faktorkombinationer exekveras i samma uppsättning experiment.

I en trefaktors DoE med två nivåer (se graf till höger) kan värdena representeras i en kub där hörnen visar de åtta testförhållandena. I en fullständig faktoriell design beräknas de resulterande testförhållandena enligt 2^3 = 8  testförhållanden som framkallar åtta distinkta resultat.

Exemplet till höger visar ett schematiskt exempel på en fullständig faktoriell design DoE som leder till åtta distinkta testresultat med ett optimalt värde (dvs. data markerade i rött).

De data som är resultatet av en DoE-studie används för att bygga matematiska funktioner som bäst beskriver förhållandet mellan faktorerna och de uppmätta svaren. Dessa ekvationer kan vara första, andra eller högre ordningen, beroende på hur reaktionerna reagerar på förändringar i faktorerna.

Matematisk modell med y = respons (t.ex. avkastning) och xn = ingångsfaktorer och βn = funktionskoefficienter.

Responsen (y) kan plottas mot en eller två indatavariabler (x) för att bygga upp den så kallade Response Surface i två eller tre dimensioner. 

Målet med att optimera en syntetisk reaktion är att hitta det maximala värdet av en funktion (optimum), som ger det bästa önskade resultatet. Responsytemetodiken (RSM) utnyttjar data som genereras av DoE och visar visuellt hur responsen (utbytet) är beroende av de tre faktorerna (temperatur, utgångsmaterial och katalysatordosering, se exempeldiagrammet). RSM är fördelaktigt för att mer exakt modellera krökningen runt reaktionsoptimum. Processkemister kan få en djupare förståelse för en process och identifiera den region där processförhållandena uppfyller ett eller flera mål, såsom avkastningsökning eller kostnadsoptimering.

Med RSM kan en stor mängd information skapas från ett litet antal experiment, och reaktions- och processoptimering kan göras på kortare tid.

Ett viktigt krav i experimentell design för DoE är att fastställa systemets tillförlitlighet och reproducerbarhet. Detta åstadkoms genom att minimera risken för mätfel och exakt kontrollera alla parametrar för att säkerställa reproducerbara förhållanden. Inom kemisk syntes måste den experimentella uppställningen säkerställa att parametermätningar och kontroll såsom temperatur, omrörning, provtagning och substansdosering är korrekta och att reproducerbarheten från experiment till experiment är hög.

Dessutom bör de valda faktorerna för försöksplanering (Design of Experiments, DoE) representera de parametrar som har störst inflytande på de experimentella resultaten. Parameterintervallet från lägsta till högsta värde bör vara realistiskt och måste täcka ett så brett intervall som möjligt eftersom extrapolering utanför konstruktionsutrymmet inte är tillåten i DoE.

I den här figuren följer EasyMax-reaktorn för kemisk syntes den inställda temperaturen exakt, medan den svårkontrollerade rundbottnade kolven visar en kontrollvariation på cirka 27 °K mellan dess minimum och maximum.

Automatiserade kemiska syntesreaktorer ger bättre resultat, vilket leder till mer precisa studier av försöksplanering.

Vid upplägget av DoE-studier av hög kvalitet kan manuell syntesutrustning, inklusive rundbottnade kolvar, ha potentiella begränsningar:

• Det är svårt att exakt kontrollera nyckelparametrar som temperatur, omrörning och dosering inom snäva begränsningar under reaktionen
• Experimentets repeterbarhet komprometteras
• Registreringen av alla variationer i reaktionsparametrar och analysresultat under experimentet är besvärlig och felbenägen
• Manuell reaktionsprovtagning för att få reaktionsdata är inte reproducerbar och kräver mycket operatörstid

Bilden återges med tillstånd från Caron, Stéphane och Nicholas M. Thomson. "Farmaceutisk processkemi: Utveckling av en samtida datarik laboratoriemiljö." Journal of Organic Chemistry 80.6 (2015): 2943-2958. Upphovsrätt 2015 American Chemical Society."

Peptider är komplexa molekyler som syntetiseras i många steg med många möjliga biverkningar. För att kunna driva sådana processer ekonomiskt måste varje steg optimeras och resultera i ett utbyte på minst 98%.

Målet med DoE-studien var att optimera produktutbytet genom systematisk variation av fyra processparametrar: temperatur, tillsats av lösningsmedel, vatten- och peptidkoncentration. 

Studien visar vikten av reproducerbar förändring och kontroll av DoE-faktorerna, såsom uppvärmning, kylning och reaktanttillsats, samt kontroll av experimentella förhållanden (t.ex. genom konsekvent blandning av reaktionsmassan). 

Försöksplanering används för en mängd olika tillämpningar, bland annat:

• Kemisk syntes
• Kristallisationsprocesser 
• Syntes Reaktioner
• Identifiering av polymorfism
• Polymerisationsreaktioner
• Hydrogenerande reaktioner
• Biokatalys och enzymatisk katalys
• Flödeskemi
• Bearbetning nedströms
• Viral inaktivering i bioprocesser

För att mäta och kontrollera flera uppsättningar av reaktionsparametrar i DoE med en hög nivå av tillförlitlighet och repeterbarhet har kemiska syntesreaktorer avgörande fördelar.

Manuella DoE-studier med fler än två faktorer kräver en hög experimentell ansträngning eftersom alla parametrar måste övervakas samtidigt under en lång reaktionstid. Kemiska syntesreaktorer hjälper till att kontrollera alla parametrar exakt, samtidigt, vilket resulterar i DoE-resultat av hög kvalitet som registreras och enkelt kan hämtas för vidare databehandling. Dessutom säkerställer iControl-programvaran snabba justeringar av enskilda faktorer i enlighet med DoE-protokollet, med protokoll som enkelt kan återanvändas i efterföljande experiment.

Med hjälp av EasyMax kemiska syntesreaktorer kan varje forskare njuta av obevakade experiment med ett bredare användningsområde som lämpar sig för DoE-studier för snabb upptäckt av nya syntetiska vägar.

Kemiska reaktorer hjälper forskare att snabbt utforska flera processparametrar samtidigt, vilket gör det till ett perfekt verktyg för DoE-studier. En unik funktionalitet och applikationsuppsättning tillhandahålls:

• Temperaturmätningar från -80 °C till 180 °C
• Vätskedosering med doseringshastigheter mellan 1 och 50 ml/min vid hög noggrannhet
• Automatiserad reaktionsprovtagning från suspensioner och flerfasreaktioner med EasySampler
• Effektiv omrörning av alla typer av reaktioner för att utföra blandningsstudier
• Reaktionskärlets form täcker ett volymområde från 0,5 ml till 1000 ml
• Integrering av PAT-prober, inklusive ReactIR, ReactRaman, ParticleTrack och EasyViewer för att utföra datarika DoE-studier

Design of Experiment (DoE) är ett statistiskt användbart sätt att minimera antalet experiment som behövs för att utforska effekten av variabler på reaktionsprestanda i laboratoriet, men att skala upp DoE-resultat till produktion är fyllt av problem. Till exempel tar DoE-studier  vanligtvis inte hänsyn till effekten av blandning och värmeöverföring, kritiska parametrar vid uppskalning. Dynochem-modellering gör det möjligt att ta hänsyn till viktiga fysikaliska och termiska egenskaper i uppskalning. När kinetisk information används med Dynochem-modellering kan lämpliga provtagningsslutpunkter bestämmas för DoE, vilket sparar tid och resurser. Således förbättrar Dynochem-modellering utvecklingen av kritiska processparametrar och ett effektivt processdesignutrymme.  

Innovation är en utmaning när utrustningen begränsar de experimentella möjligheterna. Komplexiteten i syntetisk kemi ökar för varje dag. Detta white paper diskuterar hur kemister svarar med innovativa tekniker som inkluderar:

• Automatiserad planering och genomförande av reaktioner
• Fullständig datainsamling för varje experiment
• Syntesverktyg som löser vanliga experimentella problem

Om du vill veta mer om hur smarta syntesverktyg i kombination med digitalisering av laboratorier kan förändra den kemiska utvecklingen kan du ladda ner vitboken "The Modern Synthesis Lab: A New Workplace for Chemists". 

• Lucks, Sandra och Heiko Brunner. "In situ genererat palladium på aluminiumfosfat som katalytiskt system för framställning av β, β-diarylererade olefiner genom Matsuda-Heck-reaktion." Organisk processforskning och utveckling 21.11 (2017): 1835-1842.
• Monnaie, Didier, Lonza Peptide, Braine, "Snabb och effektiv kemisk syntes och optimering med stöd av försöksdesign (DoE)" webbseminarium METTLER TOLEDO, 2017.
  
• Van der Eycken Francis, METTLER TOLEDO, "Innovativa tekniker för att syntetisera genombrottsmolekyler", Whitepaper (2015).
  
• Georgakis, C. (2013). "Design of Dynamic Experiments: A Data-Driven Methodology for the Optimization of Time-Changing Processes." Industrial & Engineering Chemistry Research 52: 12369-12382.
  
• P. M. Murray et al., "Tillämpningen av design av experiment (DoE) reaktionsoptimering och val av lösningsmedel i utvecklingen av ny syntetisk kemi", Org. Biomol. Chem., 2016, 14 sidor, 2373-2384.
  
• Försöksplanering (DoE) och processoptimering. En genomgång av de senaste publikationerna. Org. Process Res. Dev., 2015, 19 (11), pp 1605–1633.