Design of Experiments (DoE) is de statistische onderzoeksopzet waarbij meerdere factoren gelijktijdig worden gevarieerd om met een minimum aan experimenten een maximum aan informatie te verkrijgen. Response Surface Methodology (RSM) is een specifieke tak van DoE waarmee niet alleen lineaire effecten en interacties, maar ook kromme (kwadratische) responsen worden gemodelleerd, zodat een optimum kwantitatief kan worden bepaald. Waar de robuustheidsstudie DoE toepast op de rand van een gevalideerde methode, richt dit artikel zich op DoE als algemeen framework voor procesoptimalisatie, formulering, monstervoorbereiding, celkweek en methode-ontwikkeling. U leest wat het verschil is tussen screening- en optimalisatiedesigns, hoe Plackett-Burman, central composite en Box-Behnken zich onderling verhouden, welk model achter een responsoppervlak zit en hoe u het aantal experimenten realistisch inschat.
De klassieke aanpak — één factor tegelijk variëren (one factor at a time, OFAT) — is intuïtief maar statistisch inefficient. OFAT mist per definitie alle interacties tussen factoren: de invloed van pH kan afhangen van temperatuur, maar OFAT scheidt beide invloeden nooit. Bovendien groeit het aantal runs bij OFAT lineair met het aantal factoren, terwijl de efficiëntiewinst van een goed opgezet DoE juist zit in het delen van informatie tussen runs. Een DoE-benadering levert vier concrete voordelen. Ze schat hoofdeffecten en interacties zuiver, kwantificeert de statistische significantie via ANOVA, geeft een expliciet responsmodel waarmee een optimum wordt voorspeld, en produceert een audit-trail die past bij methodevalidatie en GLP-omgevingen.
DoE is de overkoepelende discipline: het omvat elk experiment waarin factoren volgens een vooraf ontworpen schema worden gevarieerd. RSM is een deelverzameling van DoE waarbij het doel expliciet is een optimum te vinden en waarbij designs worden gekozen die kwadratische termen kunnen schatten. Een tweeniveau full factorial is dus wel een DoE-design, maar geen RSM-design — het kan geen kromming schatten. Central composite en Box-Behnken zijn beide RSM-designs. In de praktijk wordt DoE gebruikt als paraplubegrip; RSM verwijst specifiek naar de modelleer- en optimalisatiestap.
DoE loont wanneer de respons van meerdere factoren afhangt, wanneer interacties waarschijnlijk zijn en wanneer het aantal experimenten kritisch is (kosten, tijd, monstervolume). Typische toepassingen zijn synthese-optimalisatie, formuleringsontwikkeling, monstervoorbereidingsprotocollen (extractie-condities, digestie), celkweek- en fermentatiecondities, kalibratie-optimalisatie van instrumenten en methode-ontwikkeling in HPLC, GC en UV/Vis. Voor een enkelvoudige lineaire titratie of een puur beschrijvende experimentele opzet is DoE overkill.
Een goed DoE-traject volgt zes stappen. Eerst wordt het doel expliciet geformuleerd (screening, optimalisatie, robuustheid, mengselstudie). Vervolgens worden de responsen (kritische kwaliteitsattributen, CQA) en de factoren met hun realistische bereik vastgesteld. In stap drie wordt het designtype gekozen op basis van doel, aantal factoren en beschikbaar aantal runs. Stap vier is de uitvoering in een gerandomiseerde volgorde met minimaal één replicate en enkele centrumpunten. Stap vijf is de modelfit met ANOVA, residuenanalyse en lack-of-fit-toets. Stap zes is de vertaling naar het proces: aanbeveling van optimale instellingen, voorspelling met betrouwbaarheidsintervallen en bij voorkeur een confirmatorische run.
Randomisatie betekent dat de volgorde van de designpunten willekeurig wordt gemaakt. Zonder randomisatie kan een systematische drift (temperatuurverandering in het lab, kolomdegradatie, kalibratieverloop) volledig samenvallen met een factoreffect en dat effect vertekenen. Randomisatie verspreidt een eventuele drift over alle factoren en maakt het effect als ruis identificeerbaar in de residuenanalyse. Bij enkele designs met praktische beperkingen — bijvoorbeeld temperatuur die moeilijk snel te wisselen is — wordt split-plot-randomisatie toegepast: de moeilijk te wisselen factor krijgt een eigen randomisatieniveau, de rest wordt binnen elk niveau gerandomiseerd.
Voor een screeningdesign is één replicate van alle punten voldoende, mits drie tot vijf centrumpunten worden meegenomen. Voor een RSM-design worden doorgaans drie tot vijf centrumpunten opgenomen; deze leveren een schatting van de pure experimentele fout die de lack-of-fit-toets mogelijk maakt en detecteren drift tijdens de studie. Extra replicaten van de hoekpunten worden zinvol wanneer de variantie sterk factorafhankelijk is (heteroscedasticiteit) of wanneer een hoge power vereist is voor kleine effectgroottes.
Voor de meeste realistische processen is het aantal potentiële factoren te groot voor een direct optimalisatiedesign. Screeningdesigns identificeren welke factoren daadwerkelijk een significante invloed hebben, zodat de vervolgstudie zich beperkt tot een handvol relevante variabelen.
Plackett-Burman is een tweeniveau-screening waarmee met een klein aantal runs de hoofdeffecten van veel factoren tegelijk worden beoordeeld. Het aantal runs is een veelvoud van vier: acht runs voor tot zeven factoren, twaalf runs voor tot elf factoren, zestien voor tot vijftien. Interacties worden bewust gealiast met hoofdeffecten — dat is de prijs voor de compactheid. Plackett-Burman is daarom uitsluitend een screeningdesign: het wijst aan welke factoren mogelijk significant zijn, niet welke interacties belangrijk zijn. Wie in dezelfde studie ook interacties wil schatten, kiest een fractional factorial van resolutie IV of V of doet Plackett-Burman gevolgd door een gerichte optimalisatiestap.
Een fractional factorial 2n−p-design is een systematische deelverzameling van een volledig 2n-design. Voor vijf factoren heeft een volledig design 32 runs; een 25−1-fractie heeft er zestien. De prijs is aliasing: sommige effecten kunnen niet meer los worden geschat. De resolutie van het design geeft aan welke aliassen optreden. Resolutie III aliast hoofdeffecten met tweefactorinteracties; resolutie IV scheidt hoofdeffecten maar aliast tweefactorinteracties met elkaar; resolutie V scheidt ook alle tweefactorinteracties. Voor screening volstaat resolutie III of IV; voor karakterisatie is resolutie V wenselijk.
Plackett-Burman wordt gekozen wanneer het aantal factoren groot is (zes tot elf), de interacties niet interessant zijn en het aantal runs kritiek is. Fractional factorial wordt gekozen wanneer het aantal factoren beperkter is (vier tot zes), tweefactorinteracties potentieel relevant zijn en resolutie IV of V haalbaar is binnen het runbudget. In de farmaceutische en analytische praktijk begint een DoE-traject vaak met Plackett-Burman en gaat door met een fractional factorial op de overgebleven twee tot vier significante factoren.
Definitive screening design is een moderne variant (Jones en Nachtsheim, 2011) die met drie niveaus per factor tegelijk hoofdeffecten, tweefactorinteracties (deels) en kwadratische termen (deels) kan schatten — in ongeveer 2n+1 runs voor n factoren. Voor zes factoren zijn dat dertien runs. DSD is aantrekkelijk wanneer het aantal factoren zes tot twaalf is en men wil vermijden dat na screening opnieuw een RSM-design moet worden opgezet. De prijs is dat de statistische analyse iets complexer is en dat het model bij zeer sterke kwadratische effecten kan worden onderbepaald.
Na screening blijven twee tot vier significante factoren over. De vraag verschuift van "welke factoren doen ertoe?" naar "wat is de optimale instelling?" en "binnen welk gebied is het proces stabiel?". RSM levert het antwoord door een kwadratisch responsmodel te fitten en het optimum daarvan analytisch of numeriek te bepalen.
RSM fit een tweede-orde-polynoom aan de responsdata: y = β0 + Σ βi xi + Σ βii xi2 + Σ βij xi xj + ε. De lineaire termen βi xi beschrijven het hoofdeffect, de kwadratische termen βii xi2 de kromming en de kruistermen βij xi xj de tweefactorinteracties. Uit dit model volgen contourplots, overlay-plots (voor meerdere responsen tegelijk) en het stationaire punt (analytisch berekend als −½ B−1 b, waarbij B de matrix van kwadratische coëfficiënten en b de vector van lineaire coëfficiënten is).
Central composite design is de meest gebruikte RSM-opzet en bestaat uit drie delen: een tweeniveau factorieel deel (of een fractie ervan) voor lineaire en interactietermen, axiale punten op een afstand α van het centrum voor de kwadratische termen, en centrumpunten voor foutschatting en drift-detectie. Voor drie factoren telt een volledige CCD acht factoriële runs, zes axiale runs en drie tot vijf centrumpunten — in totaal ongeveer zeventien tot negentien experimenten. De keuze van α bepaalt het design-karakter. Bij α = 1 vallen de axiale punten samen met de zijvlakken (face-centered CCD, drie niveaus per factor). Bij α = (2n)¼ (voor drie factoren circa 1,68) is het design roteerbaar: de voorspellingsvariantie is gelijk in alle richtingen op gelijke afstand van het centrum — de klassieke keuze. Bij α = √n is het orthogonaal.
Box-Behnken is een RSM-design met drie niveaus per factor waarbij de designpunten op de middens van de ribben van de factorruimte liggen. Er zijn geen hoekpunten en dus geen combinaties van extreme instellingen. Voor drie factoren zijn twaalf ribmiddens plus drie centrumpunten nodig — vijftien runs. Voordelen: geen extreme combinaties (praktisch relevant als deze technisch onhaalbaar of gevaarlijk zijn), roteerbaarheid, efficiëntie voor drie tot vijf factoren. Nadelen: geen data aan de rand van de factorruimte en dus zwakke voorspellingskracht buiten het middelste bereik, en het is niet geschikt voor twee factoren.
De keuze wordt gedreven door drie overwegingen. Ten eerste de haalbaarheid van extreme combinaties: als een run met drie factoren tegelijk op +α risico geeft (bijv. hoge pH, hoge temperatuur en hoge organische fractie), dan kiest u Box-Behnken. Ten tweede het aantal factoren: CCD schaalt beter naar vijf en meer factoren omdat een fractional factorial deel kan worden gebruikt. Ten derde het runbudget: face-centered CCD (α = 1) en Box-Behnken hebben beide drie niveaus per factor en ongeveer vergelijkbare omvang; roteerbare CCD is groter maar heeft betere voorspellingseigenschappen. Voor drie tot vier factoren zonder haalbaarheidsproblemen is roteerbare CCD de klassieke keuze; met haalbaarheidsproblemen kiest u Box-Behnken.
Wanneer de factorruimte onregelmatig is (categorische factoren, ontbrekende hoekpunten, mengselvereisten) leveren de klassieke designs niet meer de optimale spreiding. Computer-generated designs volgens een optimalityscriterium bieden dan uitkomst. Een D-optimal design minimaliseert de determinant van (XTX)−1 en levert de meest precieze coëfficiëntschattingen. Een I-optimal design minimaliseert de gemiddelde voorspellingsvariantie in de factorruimte en is voordeliger voor optimalisatie- en voorspellingsdoelen. D-optimal en I-optimal designs worden numeriek gegenereerd door DoE-software en zijn de standaardkeuze bij mengselstudies (Scheffé-designs) en beperkte factorruimtes.
Een gefitte RSM-model wordt beoordeeld op drie niveaus: significantie, adequaatheid en voorspelkracht.
De ANOVA-tabel toont voor elk modelterm de som van kwadraten, vrijheidsgraden, mean square, F-waarde en p-waarde. Het model als geheel wordt significant beschouwd wanneer p < 0,05; individuele termen met p > 0,05 kunnen worden verwijderd bij model reduction, tenzij ze onderdeel zijn van een significante hiërarchie (kwadratische term zonder lineaire term wordt zelden gehandhaafd). De lack-of-fit-toets vergelijkt de restfout van het model met de pure error uit de centrumpunten; een significante lack-of-fit (p < 0,05) wijst op ontbrekende hogere-orde-termen of niet-lineariteit die het kwadratische model niet vangt.
R2 geeft het aandeel verklaarde variantie; het loopt op naarmate meer termen worden toegevoegd, ook als die niet zinvol zijn. R2adj corrigeert voor het aantal termen en daalt bij overspecificatie. R2pred is gebaseerd op leave-one-out kruisvalidatie en meet hoe goed het model nieuwe waarnemingen voorspelt. Een gezond RSM-model heeft doorgaans R2 > 0,90, R2adj binnen 0,10 van R2, en R2pred binnen 0,20 van R2adj. Grote verschillen wijzen op overfitting of op invloedrijke waarnemingen die door residuenanalyse moeten worden geïdentificeerd.
De ANOVA-resultaten zijn alleen geldig als de residuen voldoen aan de aannames van normale verdeling, constante variantie en onafhankelijkheid. Een normal probability plot van de residuen moet ongeveer een rechte lijn opleveren; systematische afwijkingen wijzen op niet-normaliteit. Een plot van residuen versus voorspelde waarden mag geen trechtervorm tonen (dat zou heteroscedasticiteit betekenen — overweeg een Box-Cox-transformatie). Een plot van residuen versus runvolgorde detecteert ongewenste drift die door randomisatie niet is opgevangen. Ontbreekt deze controle, dan kan een significante p-waarde toch onterecht zijn.
Vrijwel elke praktijkoptimalisatie kent meerdere responsen die tegelijk moeten worden geoptimaliseerd: opbrengst maximaliseren, onzuiverheid minimaliseren, kosten beperken. De desirability function (Derringer en Suich, 1980) transformeert elke respons naar een schaal van 0 (ongewenst) tot 1 (gewenst) en combineert deze scores via een geometrisch gemiddelde tot één overkoepelend criterium D. Maximalisatie van D levert de compromis-oplossing die alle responsen zo goed mogelijk tegelijkertijd bedient. Weegfactoren en gewichten sturen de balans tussen responsen. Deze aanpak is standaard in Design-Expert, Minitab, JMP en Modde.
Bij DoE-experimenten op analytische methoden wordt de respons doorgaans uitgedrukt als piekverhouding ten opzichte van een interne standaard, om ruis in absolute pieksignalen tussen runs uit te middelen.
Klassieke toepassingen in de analytische scheikunde zijn optimalisatie van gradient-elutie HPLC (helling, buffersterkte, kolomtemperatuur) en van headspace-GC (equilibratietemperatuur, -tijd, zoutconcentratie).
Een organische synthese wordt geoptimaliseerd voor opbrengst en zuiverheid. Vijf factoren komen initieel in beeld: temperatuur, reactietijd, katalysatormol%, oplosmiddelverhouding en toevoegingssnelheid. Een Plackett-Burman-screening met twaalf runs identificeert temperatuur, tijd en katalysatormol% als significant; de overige twee worden op nominaal gefixeerd. Voor de drie significante factoren wordt een Box-Behnken-design uitgevoerd (vijftien runs). Het gefitte kwadratisch model toont een significant maximum voor opbrengst bij 78 °C, 4,5 uur reactietijd en 1,2 mol% katalysator; de LC-MS-controle bevestigt tegelijk lage onzuiverheidsvorming binnen dat gebied. Een confirmatorische run reproduceert de voorspelde opbrengst binnen 1,5%.
Bij formulering van een tablet moeten drie hulpstoffen (bindmiddel, disintegrant, glijmiddel) in verhouding worden geoptimaliseerd, terwijl proceskarakteristieken (druk, tabletsnelheid) constant blijven. Omdat de hulpstoffractie samen tot 100% moet optellen, is dit een mengselstudie waarvoor een Scheffé-simplex-design geschikt is. Voor drie componenten met beperkte grenzen (bindmiddel 5–15%, disintegrant 3–10%, glijmiddel 0,5–2%) genereert de software een D-optimal deelverzameling van de simplex. Responsen zijn tabletsterkte, uiteenvaltijd en oplostijd. De desirability-optimalisatie identificeert het formuleringsvenster dat aan alle drie de specificaties voldoet.
Bij een extractieprotocol voor pesticiden in matrix worden vier factoren onderzocht: oplosmiddel-samenstelling, extractietijd, temperatuur en verhouding monster:oplosmiddel. De recovery is de primaire respons. Een face-centered CCD met 27 runs (16 factoriëel + 8 axiaal + 3 centrum) modelleert de recovery over de gehele factorruimte. Het optimum ligt bij een langere extractietijd bij lagere temperatuur; boven een kritische temperatuur daalt de recovery door thermische degradatie. Het contourplot maakt de compromis-zone zichtbaar waarbinnen zowel recovery als analysetijd acceptabel zijn.
Bij een bioreactor-proces voor eiwitproductie zijn vier procesparameters kritisch: pH, temperatuur, opgeloste zuurstof (DO) en glucose-feedrate. Omdat extreme combinaties (lage pH en hoge temperatuur) de cellijn stresseren, wordt een Box-Behnken-design gekozen. Twee responsen worden gemeten: cel-densiteit (via OD600) en producttiter (via ELISA). Desirability-optimalisatie identificeert het procesvenster dat beide responsen maximaliseert; het resultaat wordt vertaald naar het kweekprotocol.
RSM veronderstelt dat de responsen normaal verdeeld zijn rond het model, dat de variantie constant is over de factorruimte (homoscedasticiteit), dat waarnemingen onafhankelijk zijn en dat het kwadratische model de responsvorm voldoende beschrijft. Wanneer de respons een percentage of proportie is (bijv. recovery), kan een logit-transformatie de aannames beter laten kloppen; bij een respons met multiplicatieve fout is een log-transformatie geschikt. Een Box-Cox-analyse van de residuen wijst de beste transformatie aan.
Ja. Categorische factoren met twee niveaus (leverancier A of B, kolommerk X of Y) integreren direct in een DoE-design. Voor meer dan twee niveaus (drie kolommerken bijvoorbeeld) wordt de factor uitgedrukt via dummy-variabelen; hierdoor stijgt het aantal termen in het model. Categorische factoren worden bij voorkeur meegenomen in de screeningsfase en, indien significant, in de RSM-fase als vaste niveaus of via een combined array zoals de Taguchi-methodologie.
Het RSM-model is alleen geldig binnen de factorruimte waarin de experimenten zijn uitgevoerd. Voorspellingen buiten die ruimte (extrapolatie) hebben groeiende voorspellingsvariantie en missen empirische onderbouwing. Bovendien kunnen buiten het ontwerpgebied fysisch andere mechanismen optreden (thermische degradatie, faseovergangen), waardoor het model kwalitatief niet meer klopt. Wie het optimum aan de rand van de factorruimte vindt, breidt de ruimte uit met een steepest ascent-stap: enkele bijkomende runs volgens de gradiënt van het model wijzen in de richting waarin verder gezocht moet worden.
Aliasing betekent dat twee effecten in het gekozen design wiskundig niet te onderscheiden zijn: de designmatrix maakt hun coëfficiënten proportioneel. In een resolutie-III fractional factorial zijn hoofdeffecten en tweefactorinteracties gealiast. In een Plackett-Burman is elk hoofdeffect gealiast met een gedeeltelijke combinatie van tweefactorinteracties. Wie interacties wil kunnen scheiden, kiest een hoger-resolutie-design of vult het screeningsdesign aan met een foldover-run: alle tekens omgekeerd, waardoor hoofdeffecten en tweefactorinteracties worden gescheiden.
Een orde-schatting: twee factoren met kwadratische termen vragen negen tot dertien runs; drie factoren vijftien tot twintig runs; vier factoren met kwadratische termen 25 tot 30 runs; vijf factoren met een CCD op basis van een fractional factorial deel 30 tot 32 runs. Screeningsdesigns voor zeven factoren komen uit op acht tot twaalf runs. Voor bio-experimenten met lange doorlooptijd (bioreactor, stabiliteitsstudie) wordt daarom vaak eerst gescreend met Plackett-Burman en pas na selectie een RSM-design opgezet.
Gangbare pakketten voor DoE zijn Design-Expert (Stat-Ease), Minitab, JMP (SAS Institute) en Modde (Sartorius). Voor open source zijn er R-pakketten (rsm, DoE.base, FrF2) en Python-bibliotheken (pyDOE, dexpy). De keuze wordt vaak bepaald door bestaande gebruikers en door GMP-eisen aan gevalideerde software: voor gereguleerde toepassingen weegt aantoonbare kwalificatie en compliance met 21 CFR Part 11 zwaarder dan het exacte pakket. Data-invoer verloopt idealiter direct vanuit het elektronisch labjournal (ELN) of LIMS, wat handmatige overschrijvingsfouten voorkomt.
De response surface levert bovendien een onderbouwde basis voor de acceptatielimieten van de system suitability test (SST): de grenzen kunnen worden gekoppeld aan het gebied waar de respons statistisch stabiel blijft.
Quality by Design (QbD) is de systematische ontwikkelbenadering waarin kwaliteit vanaf het ontwerp wordt ingebouwd in plaats van achteraf getest. Voor productieprocessen is dit vastgelegd in ICH Q8; voor analytische methoden in ICH Q14 (2023). DoE is de statistische motor onder QbD: screening identificeert kritische procesparameters (CPP's) en kritische materiaalattributen (CMA's), RSM karakteriseert hun relatie met kritische kwaliteitsattributen (CQA's), en de resulterende design space of method operable design region is de wetenschappelijk onderbouwde vrijheid waarbinnen zonder heraanmelding mag worden bewogen.
Voor de uitvoering van een DoE-experiment zijn nauwkeurige dosering, gecontroleerde omstandigheden en reproduceerbare monstervoorbereiding onmisbaar. Bekijk hiervoor het aanbod pipetten, dispensers, laboratoriumglaswerk en mengmaterialen. Neem contact op voor advies over de inrichting van uw DoE-workflow of over apparatuurkeuze bij specifieke procesparameters.
Disclaimer: De informatie in dit artikel is bedoeld als algemene technische toelichting. Canidae Seal B.V. / Labvakhandel.nl aanvaardt geen aansprakelijkheid voor de toepassing van deze informatie in specifieke analytische, klinische of industriële situaties. Raadpleeg voor uw eigen toepassing altijd de geldende normen, vakliteratuur en de documentatie van fabrikant en apparatuur.
Inloggen
Wachtwoord vergeten
Account aanmaken
Uw winkelwagen is leeg.
