Flexible Design Strategies and Position Modeling for Order-of-Addition Screening Experiments

In den Laboratorien, in denen neue Medikamente gemischt, Aromen kombiniert und komplexe chemische Reaktionen ausgelöst werden, kommt es oft ebenso sehr auf die Reihenfolge der Zugabe der Inhaltsstoffe an wie auf die Inhaltsstoffe selbst. Ein Wissenschaftler könnte feststellen, dass das Hinzufügen eines Katalysators vor einem Lösungsmittels ein brillantes Ergebnis liefert, während die Umkehrung dieser Sequenz nichts als Abfall produziert. Dies ist die Welt der Experimente zur Reihenfolge der Zugabe (Order-of-Addition-Experimente), in denen die Sequenz die Variable ist. Wenn ein Forscher jedoch ein Dutzend potenzieller Inhaltsstoffe hat, aber nur einige wenige gleichzeitig hinzufügen kann, explodiert die Zahl der möglichen Sequenzen in die Millionen. Jede einzelne Kombination zu testen, ist unmöglich; der Zeit- und Ressourcenaufwand würde jedes realistische Budget bei weitem übersteigen. Die Herausforderung besteht also darin, herauszufinden, welche wenigen Sequenzen getestet werden sollen, damit der Wissenschaftler am meisten über den Prozess lernen kann, ohne jeden möglichen Versuch durchzuführen.

Seit Jahren versuchen Statistiker, mathematische Karten zu erstellen, um diese Komplexität zu navigieren. Einige Karten konzentrierten sich auf die relative Ordnung der Inhaltsstoffe und fragten schlicht, ob ein Gegenstand vor einem anderen kam. Andere betrachteten die absolute Position und fragten, ob ein Inhaltsstoff als Erster, Zweiter oder Dritter hinzugefügt wurde. Obwohl diese Methoden in einigen Fällen funktionierten, stießen sie oft an eine Grenze, wenn die Anzahl der Inhaltsstoffe groß wurde oder das Budget für Experimente knapp war. Die bestehenden Karten waren entweder zu detailliert, um sie mit begrenzten Ressourcen zu zeichnen, oder zu einfach, um die subtilen, nicht-linearen Arten zu erfassen, wie die Position das Endergebnis beeinflusst. Sie hatten Schwierigkeiten mit der Realität, dass ein Inhaltsstoff manchmal ganz weggelassen wird – ein Szenario, das ältere Modelle als eine verwirrende Lücke statt als ein klares Signal behandelten.

Bing Wen und Bo Hu haben einen neuen Weg vorgeschlagen, diese Karten zu zeichnen, der flexibel genug ist, um sich an die Größe des verfügbaren Budgets anzupassen. Sie führten einen Satz von Modellen ein, die das Fehlen eines Inhaltsstoffs nicht als fehlendes Datenstück behandeln, sondern als eine spezifische Position in der Sequenz, wodurch ihnen effektiv ein „Nullpunkt“ zugewiesen wird. Diese einfache Verschiebung ermöglicht es den Modellen, schlank und handhabbar zu bleiben. Sie entwickelten drei Versionen dieses Ansatzes: eine grundlegende lineare Version für geradlinige Beziehungen, eine quadratische Version, um gekrümmte oder beschleunigende Effekte zu erfassen, und eine Version zweiter Ordnung, die erkennen kann, wie zwei verschiedene Positionen interagieren, um das Ergebnis zu verändern. Indem sie die Komplexität des Modells an die Anzahl der Experimente anpassten, die ein Forscher tatsächlich sich leisten kann, schufen sie ein System, das die Notwendigkeit übermäßiger Daten oder komplizierter mathematischer Korrekturen vermeidet.

Die Forscher bewiesen, dass ihr neuer Rahmen funktioniert, indem sie zeigten, dass der vollständigste Satz an Experimenten, falls man alle durchführen könnte, unter diesen neuen Regeln perfekt effizient wäre.ت Wichtiger noch, sie demonstrierten, dass viele bestehende Versuchsdesigns, die zuvor nur für ältere Modelle als optimal galten, unter diesen neuen, flexibleren Regeln ebenso leistungsfähig bleiben. Sie entwickelten auch neue, hocheffiziente Designs für Situationen, in denen die Anzahl der Inhaltsstoffe und die Anzahl der verfügbaren Plätze nicht den ordentlichen Mustern entsprechen, die ältere Methoden erfordern. Diese neuen Designs ermöglichen es Wissenschaftlern, weit weniger Experimente durchzuführen und dennoch das wesentliche Verhalten des Systems zu erfassen. In einem spezifischen Fall mit sechs Inhaltsstoffen und fünf Plätzen fand ihre Methode ein optimales Design unter Verwendung von nur sechzig Durchläufen – ein Bruchteil der siebenhundertzwanzig Durchläufe, die der vollständigen Menge der Möglichkeiten bedürfte, und deutlich weniger als die zweiundsiebzig Durchläufe, die das beste bisherige Verfahren für ein anderes Modell benötigte.

Um zu sehen, ob diese theoretischen Designs in der realen Welt tatsächlich funktionieren, führten die Autoren Computersimulationen durch, die zwei unterschiedliche wissenschaftliche Herausforderungen nachahmten. Die erste war ein Problem der zeitgesteuerten Aufgabenplanung (Job-Scheduling), bei dem das Ziel darin bestand, die effizienteste Reihenfolge zur Bearbeitung eines Satzes von Aufgaben zu finden. In diesem Test lieferte ihr neues Modell mit einem Budget von dreiunddreißig Experimenten Vorhersagen, die signifikant genauer waren als eine zufällige Auswahl von Experimenten. Es reduzierte den Fehler bei der Vorhersage des besten Zeitplans um fast die Hälfte und senkte das „Regret“ – die Kosten der Wahl einer suboptimalen Sequenz – im Vergleich zu blindem Raten um mehr als vierzig Prozent. Die zweite Simulation beinhaltete ein Multi-Drug-Screening-Szenario, bei dem fünf von acht Medikamentenkandidaten in einer bestimmten Reihenfolge verabreicht werden mussten. Hier war die Beziehung zwischen Position und Effekt nicht-linear und beinhaltete Interaktionen zwischen den Medikamenten. Die Forscher verwendeten ein Modell, das in der Lage war, diese komplexen Kurven und Interaktionen mit achtundvierzig Experimenten zu erkennen. Die Ergebnisse zeigten, dass ihr Design nicht nur das Ergebnis besser vorhersagte als ein zufälliger Ansatz, sondern auch die leistungsstärksten Medikamentensequenzen mit wesentlich höherer Zuverlässigkeit identifizierte.

Die Arbeit legt nahe, dass Wissenschaftler, indem sie die Art und Weise, wie wir das Fehlen eines Inhaltsstoffs modellieren, überdenken und indem sie die Komplexität der Mathematik nur so schnell wachsen lassen wie das experimentelle Budget, mehr Wert aus weniger Versuchen extrahieren können. Die neuen Modelle bieten nicht nur eine theoretische Verbesserung der Effizienz; sie übersetzen sich direkt in bessere Vorhersagen und zuverlässigere Entscheidungen in praktischen Settings, in denen Zeit und Ressourcen begrenzt sind. Ob in der chemischen Synthese, der pharmazeutischen Entwicklung oder der operativen Planung – die Fähigkeit, Sequenzen effektiv zu screenen, ohne jede mögliche Permutation durchlaufen zu müssen, ist ein mächtiges Werkzeug. Die Autoren kommen zu dem Schluss, dass ihre aktuellen Designs ein bedeutender Schritt nach vorne sind, die zukünftige Arbeit sich jedoch darauf konzentrieren wird, diese Modelle weiter zu verfeinern, um noch komplexere Mischungen von Effekten zu handhaben und sicherzustellen, dass sie robust bleiben, wenn die reale Welt nicht den perfekten Mustern einer Simulation folgt.