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

In de laboratoria waar nieuwe medicijnen worden gemengd, waar smaken worden samengesteld en waar complexe chemische reacties worden getriggerd, is de volgorde waarin ingrediënten worden toegevoegd vaak even belangrijk als de ingrediënten zelf. Een wetenschapper kan ontdekken dat het toevoegen van een katalysator vóór een oplosmiddel een briljant resultaat oplevert, terwijl het omdraaien van die sequentie niets anders dan verspilling oplevert. Dit is de wereld van volgorde-van-toevoeging-experimenten, waarbij de sequentie de variabele is. Echter, wanneer een onderzoeker een dozijn potentiële ingrediënten heeft maar er slechts enkele tegelijk kan toevoegen, explodeert het aantal mogelijke sequenties naar miljoenen. Het testen van elke mogelijke combinatie is onmogelijk; de tijd en middelen die hiervoor nodig zijn, zouden elk realistisch budget ver overschrijden. De uitdaging is dan om te bepalen welke paar sequenties getest moeten worden, zodat de wetenschapper het meeste kan leren over het proces zonder elk mogelijk experiment uit te voeren.

Jarenlang hebben statistici geprobeerd om wiskundige kaarten te bouwen om deze complexiteit te navigeren. Sommige kaarten richtten zich op de relatieve volgorde van ingrediënten, door simpelweg te vragen of één item vóór een ander kwam. Anderen keken naar de absolute positie, door te vragen of een ingrediënt als eerste, tweede of derde werd toegevoegd. Hoewel deze methoden in sommige gevallen werkten, liepen ze vaak tegen een muur aan wanneer het aantal ingrediënten groot werd of wanneer het budget voor experimenten krap was. De bestaande kaarten waren ofwel te gedetailleerd om met beperkte middelen te tekenen, ofwel te simpel om de subtiele, niet-lineaire manieren te vangen waarop positie het eindresultaat beïnvloedt. Ze hadden moeite met het omgaan met de realiteit dat een ingrediënt soms geheel wordt weggelaten, een scenario dat oudere modellen als een verwarrende kloof behandelden in plaats van als een duidelijk signaal.

Bing Wen en Bo Hu hebben een nieuwe manier voorgesteld om deze kaarten te tekenen, een manier die flexibel genoeg is om aan te passen aan de omvang van het beschikbare budget. Ze introduceerden een reeks modellen die de afwezigheid van een ingrediënt niet behandelen als een ontbrekend datapunt, maar als een specifieke positie in de sequentie, waardoor het effectief een "nul"-plek krijgt toegewezen. Deze eenvoudige verschuiving zorgt ervoor dat de modellen slank en beheersbaar blijven. Ze ontwikkelden drie versies van deze aanpak: een basisversie met lineaire relaties voor eenvoudige verbanden, een kwadratische versie om gebogen of versnellende effecten te vangen, en een versie van de tweede orde die kan detecteren hoe twee verschillende posities kunnen interageren om de uitkomst te veranderen. Door de complexiteit van het model af te stemmen op het aantal experimenten dat een onderzoeker daadwerkelijk kan betalen, creëerden ze een systeem dat het voorkomen van excessieve data of ingewikkelde wiskundige correcties vermijdt.

De onderzoekers bewezen dat hun nieuwe raamwerk werkt door aan te tonen dat de meest complete set experimenten, indien men ze allemaal zou kunnen uitvoeren, perfect efficiënt zou zijn onder deze nieuwe regels. Belangrijker nog, ze demonstreerden dat veel bestaande experimentele ontwerpen, die voorheen alleen als optimaal werden beschouwd voor oudere modellen, even krachtig blijven onder deze nieuwe, flexibelere regels. Ze bouwden ook nieuwe, zeer efficiënte ontwerpen voor situaties waarin het aantal ingrediënten en het aantal beschikbare slots niet voldoen aan de strakke patronen die vereist zijn door oudere methoden. Deze nieuwe ontwerpen stellen wetenschappers in staat om veel minder experimenten uit te voeren en toch het essentiële gedrag van het systeem te vangen. In één specifiek geval met zes ingrediënten en vijf slots, vond hun methode een optimaal ontwerp met slechts zestig runs, een fractie van de zevenhonderdtwintig runs die vereist zijn door de volledige set mogelijkheden, en aanzienlijk minder dan de tweeënzeventig runs die nodig waren door de beste voorgaande methode voor een ander model.

Om te zien of deze theoretische ontwerpen daadwerkelijk werken in de echte wereld, voerden de auteurs computersimulaties uit die twee verschillende wetenschappelijke uitdagingen nabootsten. De eerste was een scenario voor gecontroleerde taakplanning (job-scheduling), waarbij het doel is om de meest efficiënte volgorde te vinden om een reeks taken te verwerken. In deze test produceerde hun nieuwe model, met een budget van drieendertig experimenten, voorspellingen die significant nauwkeuriger waren dan een willekeurige selectie van experimenten. Het verminderde de fout in het voorspellen van de beste planning met bijna de helft en verlaagde de "regret"—de kosten van het kiezen van een suboptimale sequentie—met meer dan veertig procent vergeleken met willekeurig gokken. De tweede simulatie betrof een scenario voor multi-drug screening, waarbij vijf medicijnen uit acht kandidaten in een specifieke volgorde moesten worden toegediend. Hier was de relatie tussen positie en effect niet-lineair en betrokken het interacties tussen medicijnen. De onderzoekers gebruikten een model dat in staat is om deze complexe curves en interacties te detecteren met achtenveertig experimenten. De resultaten toonden aan dat hun ontwerp niet alleen de uitkomst beter voorspelde dan een willekeurige aanpak, maar ook de best presterende medicijnsequenties met veel hogere betrouwbaarheid identificeerde.

Het werk suggereert dat door opnieuw na te denken over hoe we de afwezigheid van een ingrediënt modelleren en door de complexiteit van de wiskunde alleen zo snel te laten groeien als het experimentele budget toestaat, wetenschappers meer waarde kunnen extraheren uit minder proeven. De nieuwe modellen bieden niet alleen een theoretische verbetering in efficiëntie; ze vertalen zich direct naar betere voorspellingen en meer betrouwbare beslissingen in praktische omgevingen waar tijd en middelen beperkt zijn. Of het nu gaat om chemische synthese, farmaceutische ontwikkeling of operationele planning, het vermogen om sequenties effectief te screenen zonder elke mogelijke permutatie uit te voeren, is een krachtig instrument. De auteurs concluderen dat hoewel hun huidige ontwerpen een grote stap voorwaarts zijn, toekomstig werk zich zal richten op het verder verfijnen van deze modellen om zelfs complexere mengsels van effecten aan te kunnen en om te garanderen dat ze robuust blijven wanneer de echte wereld niet de perfecte patronen van een simulatie volgt.