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

Nos laboratórios onde novos medicamentos são misturados, onde sabores são combinados e onde reações químicas complexas são desencadeadas, a ordem em que os ingredientes são adicionados muitas vezes importa tanto quanto os próprios ingredientes. Um cientista pode descobrir que adicionar um catalisador antes de um solvente produz um resultado brilhante, enquanto inverter essa sequência não produz nada além de desperdício. Este é o mundo dos experimentos de ordem de adição, onde a sequência é a variável. No entanto, quando um pesquisador tem uma dúzia de potenciais ingredientes, mas só pode adicionar alguns de cada vez, o número de sequências possíveis explode para os milhões. Testar cada combinação individual é impossível; o tempo e os recursos necessários excederiam qualquer orçamento realista. O desafio, então, é descobrir quais poucas sequências testar para que o cientista possa aprender o máximo possível sobre o processo sem realizar todos os experimentos possíveis.

Durante anos, estatísticos tentaram construir mapas matemáticos para navegar nesta complexidade. Alguns mapas focavam na ordem relativa dos ingredientes, perguntando simplesmente se um item vinha antes de outro. Outros olhavam para a posição absoluta, perguntando se um ingrediente era adicionado primeiro, segundo ou terceiro. Embora esses métodos funcionassem em alguns casos, eles frequentemente batiam de frente com uma barreira quando o número de ingredientes crescia muito ou quando o orçamento para experimentos era apertado. Os mapas existentes eram ou detalhados demais para serem desenhados com recursos limitados ou simples demais para capturar as formas sutis e não lineares pelas quais a posição afeta o resultado final. Eles tinham dificuldade em lidar com a realidade de que, às vezes, um ingrediente é totalmente deixado de fora, um cenário que modelos mais antigos tratavam como uma lacuna confusa em vez de um sinal claro.

Bing Wen e Bo Hu propuseram uma nova maneira de desenhar esses mapas, uma que seja flexível o suficiente para se ajustar ao tamanho do orçamento disponível. Eles introduziram um conjunto de modelos que tratam a ausência de um ingrediente não como uma peça de dado faltante, mas como uma posição específica na sequência, efetivamente atribuindo a ela um lugar "zero". Essa mudança simples permite que os modelos permaneçam enxutos e gerenciáveis. Eles desenvolveram três versões desta abordagem: uma versão linear básica para relações diretas, uma versão quadrática para capturar efeitos curvos ou acelerados, e uma versão de segunda ordem que pode detectar como duas posições diferentes podem interagir para mudar o resultado. Ao combinar a complexidade do modelo com o número de experimentos que um pesquisador pode realmente pagar, eles criaram um sistema que evita a necessidade de dados excessivos ou correções matemáticas complicadas.

Os pesquisadores provaram que seu novo framework funciona ao mostrar que o conjunto mais completo de experimentos, se um pudesse realizar todos eles, seria perfeitamente eficiente sob estas novas regras. Mais importante ainda, eles demonstraram que muitos designs experimentais existentes, que anteriormente eram considerados ótimos apenas para modelos antigos, permanecem tão poderosos sob estas novas e mais flexíveis regras. Eles também construíram novos designs altamente eficientes para situações onde o número de ingredientes e o número de slots disponíveis não se encaixam nos padrões organizados exigidos pelos métodos antigos. Esses novos designs permitem que cientistas realizem muito menos experimentos, mantendo a capacidade de capturar o comportamento essencial do sistema. Em um caso específico envolvendo seis ingredientes e cinco slots, o método deles encontrou um design ótimo usando apenas sessenta execuções, uma fração das setecentas e vinte execuções exigidas pelo conjunto total de possibilidades, e muito menos do que as setenta e duas execuções necessárias pelo melhor método anterior para um modelo diferente.

Para ver se esses designs teóricos realmente funcionam no mundo real, os autores realizaram simulações computacionais que mimetizavam dois desafios científicos distintos. O primeiro foi um cenário de escalonamento de tarefas com restrições, onde o objetivo era encontrar a ordem mais eficiente para processar um conjunto de tarefas. Neste teste, seu novo modelo, usando um orçamento de trinta e três experimentos, produziu previsões significativamente mais precisas do que uma seleção aleatória de experimentos. Ele reduziu o erro na previsão do melhor cronograma em quase metade e cortou o "regret" — o custo de escolher uma sequência suboptimal — em mais de quarenta por cento em comparação com o acaso. A segunda simulação envolveu um cenário de triagem de múltiplos fármacos, onde cinco drogas entre oito candidatas tinham que ser administradas em uma ordem específica. Aqui, a relação entre posição e efeito era não linear e envolvia interações entre as drogas. Os pesquisadores usaram um modelo capaz de detectar essas curvas complexas e interações com quarenta e oito experimentos. Os resultados mostraram que seu design não apenas previu o resultado melhor do que uma abordagem aleatória, mas também identificou as sequências de drogas de melhor desempenho com muito mais confiabilidade.

O trabalho sugere que, ao repensar como modelamos a ausência de um ingrediente e ao permitir que a complexidade da matemática cresça apenas conforme o orçamento experimental permite, os cientistas podem extrair mais valor de menos tentativas. Os novos modelos não oferecem apenas uma melhoria teórica de eficiência; eles se traduzem diretamente em melhores previsões e decisões mais confiáveis em configurações práticas onde o tempo e os recursos são limitados. Seja na síntese química, no desenvolvimento farmacêutico ou no planejamento operacional, a habilidade de rastrear sequências efetivamente sem executar todas as permutações possíveis é uma ferramenta poderosa. Os autores concluem que, embora seus designs atuais sejam um grande passo à frente, o trabalho futuro focará em refinar esses modelos ainda mais para lidar com misturas de efeitos ainda mais complexas e para garantir que permaneçam robustos quando o mundo real não seguir os padrões perfeitos de uma simulação.