DE102004010808A1 - Verfahren zur Durchführung von Hochdurchsatzexperimenten - Google Patents

Verfahren zur Durchführung von Hochdurchsatzexperimenten Download PDF

Info

Publication number
DE102004010808A1
DE102004010808A1 DE200410010808 DE102004010808A DE102004010808A1 DE 102004010808 A1 DE102004010808 A1 DE 102004010808A1 DE 200410010808 DE200410010808 DE 200410010808 DE 102004010808 A DE102004010808 A DE 102004010808A DE 102004010808 A1 DE102004010808 A1 DE 102004010808A1
Authority
DE
Germany
Prior art keywords
der
die
ranking
experiments
evaluation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE200410010808
Other languages
English (en)
Inventor
Arne Dr. Ohrenberg
Bernhard Dr. Knab
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayer AG
Original Assignee
Bayer Technology Services GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayer Technology Services GmbH filed Critical Bayer Technology Services GmbH
Priority to DE200410010808 priority Critical patent/DE102004010808A1/de
Priority to PCT/EP2005/001746 priority patent/WO2005087363A1/de
Priority to EP05715414A priority patent/EP1725326A1/de
Publication of DE102004010808A1 publication Critical patent/DE102004010808A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0046—Sequential or parallel reactions, e.g. for the synthesis of polypeptides or polynucleotides; Apparatus and devices for combinatorial chemistry or for making molecular arrays
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00274—Sequential or parallel reactions; Apparatus and devices for combinatorial chemistry or for making arrays; Chemical library technology
    • B01J2219/0068—Means for controlling the apparatus of the process
    • B01J2219/00686—Automatic
    • B01J2219/00689—Automatic using computers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00274—Sequential or parallel reactions; Apparatus and devices for combinatorial chemistry or for making arrays; Chemical library technology
    • B01J2219/0068—Means for controlling the apparatus of the process
    • B01J2219/007—Simulation or vitual synthesis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00274—Sequential or parallel reactions; Apparatus and devices for combinatorial chemistry or for making arrays; Chemical library technology
    • B01J2219/00718—Type of compounds synthesised
    • B01J2219/00745—Inorganic compounds
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00274—Sequential or parallel reactions; Apparatus and devices for combinatorial chemistry or for making arrays; Chemical library technology
    • B01J2219/00718—Type of compounds synthesised
    • B01J2219/00745—Inorganic compounds
    • B01J2219/00747—Catalysts
    • C—CHEMISTRY; METALLURGY
    • C40—COMBINATORIAL TECHNOLOGY
    • C40B—COMBINATORIAL CHEMISTRY; LIBRARIES, e.g. CHEMICAL LIBRARIES
    • C40B30/00—Methods of screening libraries
    • C40B30/08—Methods of screening libraries by measuring catalytic activity
    • C—CHEMISTRY; METALLURGY
    • C40—COMBINATORIAL TECHNOLOGY
    • C40B—COMBINATORIAL CHEMISTRY; LIBRARIES, e.g. CHEMICAL LIBRARIES
    • C40B40/00—Libraries per se, e.g. arrays, mixtures
    • C40B40/18—Libraries containing only inorganic compounds or inorganic materials

Abstract

Die vorliegende Anmeldung betrifft ein Verfahren zur Durchführung von Hochdurchsatzexperimenten, gekennzeichnet durch die Verwendung eines schnellen und gezielten Auswertungsverfahrens.

Description

  • Die vorliegende Anmeldung betrifft ein Verfahren zur Durchführung von Hochdurchsatzexperimenten, gekennzeichnet durch die Verwendung eines schnellen und gezielten Auswerteverfahrens.
  • In den letzten Jahren sind weltweit hohe Investitionen in High Throughput Experimentation (HTE) getätigt worden, um die Arbeitsabläufe zu beschleunigen und zu verbessern. Allein im Bereich Katalyse sind 2001 weltweit 13 Mrd. EUR investiert worden, von denen ca. die Hälfte auf den Hochdurchsatzbereich entfallen sein dürfte. Vorrangige Anwendungsfelder sind: Wirkstoffforschung, (heterogene und homogene) Katalyse, Materialforschung und Identifizierung von optimalen Reaktionsbedingungen bei chemischen, biochemischen oder biotechnologischen Systemen.
  • Bisher wurden zur Unterstützung der gezielten Versuchsplanung und Datenanalyse bei Hochdurchsatzexperimenten Methoden der statistischen Versuchsplanung gemäß
    • E. Scheffler: Statistische Versuchsplanung und -auswertung, 3. Aufl. Deutscher Verlag für Grundstoffindustrie, Stuttgart 1997. verwendet oder im Bereich der heterogenen Katalyse auch evolutionäre Techniken, wie sie unter
    • D. Wolf et al.: An evolutionary approach in the combinatorial selection and optimization of catalytic materials. Applied Catalysis A: General, 200 (2000), 63–77 beschrieben sind, eingesetzt.
  • Weitere Ausführungen über den Einsatz mathematischer Methoden in der Hochdurchsatzforschung werden beschrieben bei
    • Holzwarth et al.: Combinatorial approaches to heterogeneous catalysis: strategies and perspectives for academic research. Catalysis Today, 67 (2001) 309–318,
    • J.N. Cawse: Information Based Strategies for Combinatorial and High Throughput Materials Development. Technical Report, GE Research & Development Center. 99CRD166, Feb. 2000,
    • K. Huang et al.: Artificial neural network-aided design of a multi-component catalyst for methane oxidativ coupling. Applied catalysis A: General 219 (2001) 61–68,
    • S. Rose: Statistical design and application to combinatorial chemistry. Combinatorial chemistry, reviews, Vol. 7 (2), 2002, 133–138.
  • Eine Übersicht zu geeigneten mathematischen Verfahren befindet sich bei:
    • M. Berthold, D. J. Hand: Intelligent Data Analysis. Springer, Heidelberg 1999.
  • Darüber hinaus gibt es Software-Systeme wie die „Lead Discovery"-Erweiterung der Software Spotfire, die mathematische Methoden bereitstellt.
  • Bei den meisten Hochdurchsatzexperimenten fallen jedoch zunehmend größere Datenmengen pro Durchlauf an (mehr als 5 Datensätze pro Durchlauf). Je größer die generierte Datenmenge ist, desto weniger lassen sich diese Datenmengen in einer adäquaten Zeit (weniger als 0,5 Tag) angemessen auswerten und sich die Ergebnisse in eine geeignete Versuchsstrategie einbinden. Ziel ist es deshalb Methoden zu entwickeln, die eine zügige Datenauswertung soweit ermöglichen, dass dem Experimentator wichtige Aussagen für eine weitere Planung von Versuchen schnell zugänglich gemacht werden.
  • Die bekannten mathematischen Verfahren, die bei Hochdurchsatzexperimenten eingesetzt werden, lassen sich zwar auf die in der Einleitung beschriebenen Problemstellungen anwenden, doch setzen sie häufig ein höheres Maß an Einarbeitung des Anwenders voraus, sind langwieriger in ihrer Anwendung oder können den Versuchsraum hinsichtlich seiner Dimensionen (d.h. der Anzahl der betrachteten Einflussgrößen) nicht ausreichend reduzieren.
  • Darüber hinaus beschränken sich die meisten Verfahren für die Optimierung auf eine Zielgröße (Ausgangsgröße) wie Ausbeute, Selektivität sowie bestimmte physikalische Eigenschaften oder aus ihnen abgeleitete Größen. Mehrzieloptimierungen sind kaum möglich.
    •
  • Ausgehend vom Stand der Technik stellte sich somit die Aufgabe ein Verfahren zur Durchführung von Hochdurchsatzexperimenten zu Verfügung zu stellen, welches durch Auswertung der Daten und darauf fußender Optimierung der Versuchsplanung, bei geringem Einarbeitungs- und Anwendungsaufwand zu einer effizienteren Durchführung der Experimente, insbesondere zu einer möglichst starken Reduktion des Versuchsraumes, führt. Diese Aufgabe wird überraschenderweise durch die vorliegend beschriebene Erfindung gelöst.
  • Die nachfolgend beschriebene Erfindung beschränkt sich dabei nicht nur auf den Einsatz bei „echten" Hochdurchsatzbedingungen, sondern ist generell einsetzbar, wenn ein kombinatorisches Vorgehen im Bereich Forschung und Entwicklung erkennbar ist. „Hochdurchsatzexperiment" oder „Hochdurchsatzverfahren" ist daher im Kontext dieser Anmeldung als „kombinatorische Vorgehensweise bei Durchführung von Experimenten" zu verstehen.
  • Die Erfindung betrifft daher ein Verfahren zur Durchführung von Hochdurchsatzexperimenten, gekennzeichnet durch die Verwendung eines schnellen und gezielten Auswerteverfahrens hinsichtlich bestimmter Größen in den Ergebnissen, wodurch die Effizienz beim Experimentieren gesteigert wird.
  • Bei den Experimenten handelt es sich unabhängig voneinander bevorzugt, aber nicht einschränkend um:
    • • das Screening/Suche/Optimierung von heterogenen Katalysatoren
    • • das Screening/Suche/Optimierung von homogenen Katalysatoren
    • • das Screening/Suche/Optimierung von Wirkstoffen
    • • das Screening/Suche/Optimierung neuer Materialien/Materialeigenschaften
  • Schwerpunkt ist der Bereich Hochdurchsatzexperimente. Ein Auswertungsryklus des erfindungsgemäßen Verfahrens sollte mind. 5, bevorzugt mind. 10, besonders bevorzugt mind. 100, ganz besonders bevorzugt mind. 500 und insbesondere mindestens 1000 Experimente umfassen. Idealerweise liegen dem Auswertungszyklus mindestens 5000 Experimente zu Grunde. Es ist daher insbesondere sinnvoll technische Anlagen zu verwenden, die z. B. min. 5, bevorzugt mind. 10, besonders bevorzugt mind. 100, ganz besonders bevorzugt mind. 500 und insbesondere mindestens 1000 Experimente, idealerweise mindestens 5000 Experimente pro Tag umsetzen können. Alternativ kann man mindestens 5, bevorzugt mind. 10, besonders bevorzugt mind. 100, ganz besonders bevorzugt mind. 500 und insbesondere mindestens 1000, idealerweise mindestens 5000 Experimente über mehrere Tage zusammenfassen und als einen Auswertungszyklus behandeln.
  • Die Auswertung der Versuche erfolgt auf der Grundlage einer Zielgröße (Ausgangsgröße) wie beispielsweise Aktivität, Selektivität, Wirksamkeit oder vorgegebene Materialeigenschaften. Voraussetzung für die Anwendung des Verfahrens ist, dass sich für die Zielgrößen Häufigkeitsstatistiken erstellen lassen und sich die Einstellparameter (Einflussgrößen, Eingangsgrößen) der Versuche als binäre Größen formulieren lassen.
  • Vergleichbare Auswerteverfahren sind bisher nicht bekannt.
  • Bei der vorliegenden Erfindung werden hingegen die Einstellungen der Einflussgrößen für einen erfolgreichen Versuch auf der Basis von Häufigkeitsstatistiken der Einflussgrößen in Bezug auf die Zielgrößen verwendet. Das Verfahren ist hinsichtlich seiner Anwendung schnell und robust und ermöglicht bei großen Datenmengen pro Tag einen schnellen Informationsgewinn, auf dessen Grundlage bspw. eine Reduktion der Dimension des Versuchsraums, also der Anzahl der Versuche, durchgeführt werden kann.
  • Das Verfahren ist besonders geeignet für Versuchsreihen, die so angelegt sind, dass die Einflussgrößen nicht stark miteinander korreliert sind.
  • Darüber hinaus ist das Auswerteverfahren in der Lage, mögliche Wechselwirkungseffekte von Einflussgrößen zu identifizieren und mögliche Anomalien in der Reinheit chemischer Substanzen aufzudecken.
  • Dieses Auswerteverfahren ermöglicht es, große Datenmengen, wie sie z.B. im Hochdurchsatzbereich anfallen, schnell auszuwerten und dabei auch Informationen zugänglich zu machen, die mit Standardverfahren nicht ohne weiteres aufgedeckt werden können. Hierfür werden im Gegensatz zu üblichen Methoden als Zielgröße nicht die ursprüngliche Zielgröße (z.B. Ausbeute, Selektivität, Kosten, ...) selbst, sondern zusätzlich oder ausschließlich eine Häufigkeitsstatistik auf der Grundlage der ursprünglichen Zielgröße verwendet.
  • Das erfindungsgemäße Verfahren stellt somit eine Möglichkeit dar, um Komponenten und Zusammensetzungen oder Molekülgruppen, Teilmoleküle etc. für einen optimalen Katalysator, Wirkstoff oder optimales Material (z.B. Polymer, Lack, Kunststoff) zu identifzieren. Das Auswerteverfahren unterstützt dabei durch einen Optimierungsprozess das Gesamtverfahren.
  • Das erfindungsgemäße Verfahren lässt sich wie folgt beschreiben:
    • 1. Experimente werden durchgeführt. Die Ausführung der Experimente kann parallelisiert oder sequentiell erfolgen. Pro Auswertungsryklus sollten jedoch mind. 5, bevorzugt mind. 10, besonders bevorzugt mind. 100, ganz besonders bevorzugt mind. 500 und insbesondere mindestens 1000, idealerweise mindestens 5000 durchgeführte Experimente vorliegen. Die Experimente können aus dem Bereich Katalyse, Wirkstoffforschung, neue Materialien oder Reaktionsoptimierung stammen. Die Experimente sind dadurch gekennzeichnet, dass Einflussgrößen – in der Regel sind dies gleichzeitig bestimmte Eingangsgrößen –, vornehmlich Elemente, Mischungskomponenten, chemische Verbindungen oder Teilmoleküle (funktionelle Gruppen) sind. Diese Einflussgrößen müssen als diskrete Variablen bzw. binär handhabbar sein.
  • Beispiel:
    • a) Ein Katalysator besteht maximal aus 5 Komponenten. Als Komponenten kommen die Elemente A, B, C, D, E, F, G, H, I, J in Frage. Dann gibt es für jedes Element die Möglichkeit, dass es im Katalysator „vorhanden" oder „nicht vorhanden" ist.
    • b) Ein Katalysator besteht maximal aus 5 Komponenten. Als Komponenten kommen die Elemente A, B, C, D, E in Frage, wobei sie in den Konzentrationen hoch, mittel, niedrig vorliegen können. Dann sind die diskreten Einflussgrößen des Systems: Ahoch, Amittel, Aniedrig, Bhoch, Bmittel, Bniedrig, Choch, Cmittel... Jede dieser Größen, z.B. Ahoch, kann dann „vorhanden" oder „nicht vorhanden" sein.
  • Zur Verarbeitung der Daten wird z. B. einer der binären Zustände als „0" und der andere als „1" codiert.
    • 2. Die Experimentdaten und Ergebnisse (Ergebnisse = Zielgrößen), werden, bevorzugt tabellarisch, erfasst und entsprechend einer diskreten Handhabung der Ausgangsgrößen aufbereitet.
    • 3. Für eine oder mehrere Ausgangsgrößen werden Häufigstatistiken in Form von „Wahrscheinlichkeitsverläufen" erstellt. Die diskrete Einflussgröße soll allgemein als EG und die kontinuierliche Ausgangsgröße als AG bezeichnet werden, dann gilt für die EG-AG-Funktion:
      Figure 00050001
      Dies bedeutet: Es wird für jede Einflussgröße die Anzahl der Versuche gezählt, in denen diese Einflussgröße vorhanden ist (z.B. Wert größer als Null) und die Ausgangsgröße einen Wert > x annimmt. Dabei ist es sinnvoll, dass gilt x ∊ [0;xmax] mit xmax ≥ (gemessener Maximalwert der Ausgangsgröße)Gl. (1) stellt eine umgekehrte empirische Verteilungsfunktion dar. Bei geeigneten mathematischen Nebenbedingungen ist die durch Gl. (1) beschriebene Häufigkeit eine gute Näherung der Wahrscheinlichkeit.
    • 4. Für jedes Element lässt sich damit eine EG-AG-Funktion in Abhängigkeit von x graphisch erstellen. Aufgrund der Kurvenverläufe kann ein Ranking der Einflussgrößen vorgenommen werden. Dieses Ranking ermöglicht Aussagen über die Bedeutung der Einflussgrößen für die Optimierung der Ausgangsgröße. Für das Ranking können verschiedene Ansätze gewählt werden: a) Betrachtung der Anfangswerte: Dies ermöglicht Aussagen mit welcher Wahrscheinlichkeit die Verwendung bzw. Einstellung einer bestimmten Einflussgröße überhaupt ein Ergebnis in der Ausgangsgröße liefert. Bei einem Katalysator liefert der Anfangswert bspw. Anhaltspunkte über die Wahrscheinlichkeit, mit welcher der Katalysator bei Berücksichtigung der betrachteten Einflussgröße überhaupt aktiv ist. Das Ranking erfolgt hierbei über die Anfangswerte: Je höher der Anfangswert, desto bedeutender wird die Einflussgrößen aufgefasst, oder b) Betrachtung der Maximalwerte: Hierbei werden die Einflussgrößen gemäß ihrer maximalen x-Werte bewertet, d.h. bezogen auf einen Katalysator erfolgt das Ranking z.B. auf der Basis maximaler Ausbeutewerte, die bei Verwendung der einzelnen Einflussgrößen erzielt werden. In diesem Fall heißt maximaler x-Wert, der größte x-Wert bei dem die zugehörige EG-AG-Funktion nicht Null ist. Einflussgrößen mit einem hohen maximalen x-Wert werden dann höher bewertet, oder c) Betrachtung einer Kombination aus a) und b), oder d) Betrachtung der Kurvenform: Verschiedene Einflussgrößen können verschiedene Kurvenverläufe aufweisen, die sich in der Gestalt oder den Absolutwerten unterscheiden. Ein Ranking könnte dabei so erfolgen, dass die Einflussgrößen, deren Kurven weitgehend oberhalb der Kurve einer anderen Einflussgröße verlaufen, besser gerankt werden als die untere Kurve. Mit anderen Worten: Eine Einflussgröße wird umso besser gerankt, je mehr Kurven ganz oder teilweise unterhalb der dazugehörigen Kurve liegen, oder e) Betrachtung einer Kombination aus a) und d), b) und d), e) und d).
    • 5. Das Ranking wird bei der Planung neuer Experimente berücksichtigt, indem neue Versuche weitgehend unter Verwendung von Einflussgrößen durchgeführt werden, die eine gute Rankingposition haben. Folgende Unterscheidungen sind dabei denkbar: a) Verwendung fast ausschließlich von Einflussgrößen die eine gute Rankingposition haben, wodurch sich eine Reduktion der Dimension im Versuchsraum ergibt, und/oder b) Bei der Durchführung von Experimenten werden Versuche mit Einflussgrößen, die eine gute Rankingposition haben, besonders berücksichtigt, z. B. durch häufige Verwendung oder gezielten Einsatz.
    • 6. Planung und Durchführung neuer Versuche unter Berücksichtigung des Rankings
    • 7. Falls das Versuchsziel oder Optimierungsziel nicht ausreichend erreicht worden ist, wird das Verfahren ab Schritt 2. auf der Basis neuer Experimente wiederholt, indem a) das Auswerteverfahren nur auf die neuen Experimente angewendet wird, oder b) das Auswerteverfahren auf alle durchgeführten Experimente angewendet wird, oder c) das Auswerteverfahren auf alle Experimente (auch vorhergehende) angewendet wird, die in Zusammenhang mit Einflussgrößen stehen, die in den letzten Durchläufen berücksichtigt worden sind.
  • Besonders bevorzugte Ausführungsformen des erfindungsgemäßen Hochdurchsatzverfahrens ergeben sich durch Berücksichtigung der folgenden Merkmale:
    • (1) Das Ranking der Einflussgrößen, dass sich aus dem Auswertungsverfahren ergibt, wird direkt oder in Kombination mit anderen Versuchsplanungsverfahren zur Planung neuer Versuche herangezogen werden.
    • (2) Die Erstellung des Rankings unter 4. erfolgt unter Verwendung von Klassifizierungsalgorithmen, z.B. Clusterverfahren. Bei der erfindungsgemäß bevorzugten Verwendung von Clusterverfahren können besonders bevorzugt Gruppen von EG-AG-Funktionen zusammengefasst werden, die sich ähnlich verhalten und ähnliche Merkmale aufweisen. Die Clusterung kann auch beispielsweise bezüglich der Form oder der Absolutwerte der Kurvenverläufe oder in einer Kombination dieser Kriterien erfolgen. Geeignete Clusterverfahren sind: kmeans, knn (next neighbour), Fuzzy Cmeans oder allgemein hierarchische Verfahren. Weitere Verfahren werden beschrieben in H.-J. Mucha, Clusteranalyse mit Mikrocomputern, Akademie-Verlag, Berlin 1992 B. S Everitt, S. Landau, M. Leese, Cluster Analysis, Edward Arnold, 4th Ed., 2001. Die Clusterung kann beispielsweise erfolgen, indem die Kurven in Stützstellen zerlegt werden. Die Dimension des Clusterraums sind dann die x-Werte der Stützstellen; auf diese Weise kann die Clusterung z. B. in einem 100 dimensionalen Raum erfolgen, wenn jede Kurve in 100 Stützstellen jeweils zu den gleichen x-Werten zerlegt wird.
    • (3) Es erfolgt eine Gruppierung der Einflussgrößen auf der Grundlage der EG-AG-Funktion gemäß (2) die zur Auswertung und Verfeinerung des Rankings eine mehrdimensionale Matrix berücksichtigt. D. h. die Einflussgrößen werden bzgl. ihres Einflusses auf die Ausgangsgrößen bewertet, indem z.B. jeweils die mittlere Zielgröße aller Versuche, die eine bestimmte Einflussgröße berücksichtigen bzw. enthalten, ermittelt wird. Auf diese Weise ist auch ein Ranking der Einflussgrößen auf Basis der Ausgangsgrößen möglich. Diese verschiedenen Rankings der Einflussgrößen können miteinander verglichen werden. Bei der Planung neuer Versuche können dann Versuche mit Einflussgrößen, die in mehr als einem Ranking gut bewertet worden sind, besonders berücksichtigt werden. Dies kann noch eine zusätzliche Reduktion des Versuchsraums ermöglichen.
    • (4) Die EG-AG-Funktion aus 3. wird in folgender abgewandelter Form betrachtet:
      Figure 00080001
    • (5) Die EG-AG-Funktion wird in 3. in folgender abgewandelter Form betrachtet:
      Figure 00080002
      dabei gibt N die Anzahl der Einflussgrößen an, die von Null verschieden sind, d.h. die EG-AG-Funktion wird so aufgestellt, dass nur Versuche berücksichtigt werden, die die be trachtete Einflussgröße enthalten und bei denen genau N Einflussgrößen vorhanden bzw. belegt sind. D. h. beispielsweise für einen Katalysator entspricht N der Anzahl der Komponenten in der Katalysatormischung. Diese Abwandlung ermöglicht eine detailliertere Untersuchung der Bedeutung der Einflussgrößen.
    • (6) Das beschriebene Verfahren wird mit weiteren Datenanalyseverfahren vor Schritt 3. kombiniert, z.B. können vor Schritt 3. die Eingangs- und Ausgangsgrößen einer Korrelationsanalyse unterzogen werden und es werden dann in 3. nur die unkorrelierten Größen berücksichtigt.
  • Das erfindungsgemäße Verfahren ermöglicht durch die Verwendung der erfindungsgemäßen Auswerteverfahren eine schnelle Identifizierung wichtiger Einflussgrößen bei der Durchführung von Versuchen und damit eine Steigerung der Effizienz und evtl. Reduktion des experimentellen Aufwands sowie eine Verringerung von „Time to Market". Gleichzeitig ermöglicht dieses Auswerteverfahren über das Ranking einen Vergleich der Einflussgrößen untereinander. Letzteres kann als Grundlage gerade im Katalysesektor oder bei der Wirkstoffforschung für Struktur-Eigenschaftsbeziehungen herangezogen werden, beispielsweise können bei der Katalysatorsuche Komponenten identifiziert werden, die möglicherweise „Garanten" einer Aktivität sind oder die grundsätzlich keine Aktivität erlauben.
  • U.a. über die graphische Darstellung der Auswertefunktionen (EG-AG-Funktionen) ist es möglich Anomalien oder fehlerhafte Versuchseinstellungen nachzuweisen, z.B. haben bei einfachen Häufigkeitsstatistiken von Katalysatorkomponenten die EG AG-Funktionen in allen in der Verfahrens- und Ausführungsbeschreibung (1.–7. und (1)–(6)) genannten Varianten oftmals ähnliche Kurvenverläufe. Starke Abweichungen einzelner Komponenten deuten in solchen Fällen beispielsweise auf Verunreinigungen hin.
  • Darüber hinaus ermöglicht die Kombination mit dem Kurvenclustern eine schnelle Identifikation sich ähnlich verhaltener Einflussgrößen, was in Bezug auf Katalysatorkomponenten dazu führen kann, dass teure Komponenten leichter gegen weniger teure ausgetauscht werden.
  • Die Verwendung des Verfahrens nach der Ausführungsbeschreibung (5) kann ferner herangezogen werden, um Wechselwirkungseffekte der Einflussgrößen offen zu legen oder eine Begrenzung in der Anzahl der Einflussgrößen zu entdecken, wenn z.B. Kurvenverläufe hinsichtlich der Absolutwerte für N < Nmax besser sind als für N = Nmax (Nmax: maximale Anzahl von Null verschiedener Einflussgrößen).
  • Neben den oben dargelegten Verfahrens- und Ausführungsbeschreibungen (1.–7. und (1)–(6)) sind folgende Ausführungsformen des Auswerteverfahrens und damit des erfindungsgemäßen Verfahrens besonders geeignet:
    • I. Die Datenerfassung erfolgt im Allgemeinen rechnergestützt. Eine manuelle Erfassung ist auch möglich. Die Berechnung der EG-AG-Funktionen erfolgt im Allgemeinen rechnergestützt. Eine manuelle Berechnung ist auch möglich.
    • II. Die Berechnung der EG-AG-Funktionen erfolgt im Allgemeinen rechnergestützt. Eine manuelle Berechnung ist auch möglich.
    • III. Die Dateneingabe zur Berechnung der EG-AG-Funtionen bzw. Datenaufbereitung kann rechnergestützt erfolgen. Eine manuelle Bearbeitung ist möglich.
    • IV. Das Ranking der Einflussgrößen kann rechnergestützt erfolgen. Eine manuelle Durchführung des Rankings ist auch möglich.
    • V. Die Schritte 2.,3. und 4. der Verfahrensbeschreibung können ganz oder teilweise rechnergestützt ablaufen.
    • VI. Die Schritte 2.,3. und 4. der Verfahrensbeschreibung können ganz oder teilweise in einem Computerprogramm abgebildet sein und hintereinander automatisch ablaufen.
    • VII. Das in der Verfahrensbeschreibung beschriebene Verfahren kann komplett in ein System zur Versuchsplanung implementiert werden, so dass nur eine Rechnereinheit im Verfahren benutzt wird.
    • VIII. Das in der Verfahrensbeschreibung beschriebene Verfahren kann auch als Versuchsplanungsverfahren als Teil eines Hochdurchsatzverfahrens eingesetzt werden.
    • IX. Das in der Verfahrensbeschreibung beschriebene Verfahren kann wie in der Ausführungsform (2) dargestellt mit Clusterverfahren kombiniert werden. Die Clusterung kann rechnergestützt, manuell oder analog zu den technischen Ausführungsformen V. und VI. in Kombination mit Datenaufbereitung, Berechnung der EG-AG-Funktionen und dem Ranking ganz oder teilweise rechnergestützt erfolgen.
  • Besonders hervorzuheben sind die Vorteile, die die Anwendung von einfachen Zählstatistiken auf experimentelle Einflussgrößen bietet.
  • Es zeigen 1: mögliche Ausführungsform nach der Verfahrens- und Ausführungsbeschreibung (Schritt 1.–7.)
  • 2: mögliche Ausführungsformen der Verfahrens- und Ausführungsbeschreibung (Schritt 1.–7.) unter Berücksichtigung einer graphischen Darstellung der EG-AG-Funktionen
  • 3: mögliche Ausführungsformen der Verfahrens- und Ausführungsbeschreibung (Schritt 1.–7.) unter Berücksichtigung von Ausführungsform (2)
  • 4: mögliche Ausführungsform der Verfahrens- und Ausführungsbeschreibung (Schritt 1.–7.), die Versuchsplanung ergibt sich direkt aus dem Ranking evtl. unter Berücksichtigung von (2) oder (3)
  • 5: mögliche Ausführungsform der Verfahrens- und Ausführungsbeschreibung ( Schritt 1.–7.) unter Berücksichtigung von (2), wobei das Verfahren direkt mit einem Versuchsplanungswerkzeug gemäß (1) kombiniert wird. Die erfassten Experimentaldaten können hierbei direkt in das Versuchsplanungssystem eingehen. Im Versuchsplanungswerkzeug können hierbei zusätzlich die Informationen berücksichtigt werden, die sich aus der Anwendung des Verfahrens gemäß den Schritten 1.–7. incl. (2) ergeben.
    •

Claims (6)

  1. Verfahren zur Durchführung von Hochdurchsatzexperimenten, dadurch gekennzeichnet, dass man ein spezielles Ergebnisauswerteverfahren zur Optimierung der Versuchplanung und Durchführung einsetzt, dadurch gekennzeichnet, dass in diesem Auswerteverfahren Einflussgrößen einer Häufigkeitsstatistik in Abhängigkeit von der Ausgangsgröße unterworfen werden aus welcher sich ein Ranking der Einflussgrößen ergibt, aus welchem sich ein optimierte Versuchsplanung ableiten lässt.
  2. Verfahren nach Anspruch 1, wobei bei der Auswertung Clusterungsverfahren zur Anwendung kommen.
  3. Verfahren nach Anspruch 1, wobei ein Ranking der Einflussgrößen sowohl über die Häufigkeitsverteilung als auch über die Zielgrößen erfolgt.
  4. Verfahren nach Anspruch 2, wobei ein Ranking der Einflussgrößen sowohl über die Clusterung der Häufigkeitsverteilung als auch unter Berücksichtigung der Ergebnisse in den Zielgrößen erfolgt
  5. Verfahren nach einem der Ansprüche 1 bis 4, wobei das Auswerteverfahren rechnergestützt durchgeführt wird.
  6. Verfahren nach einem der Ansprüche 1 bis 5, wobei möglichst viele Verfahrensschritte rechnergestützt durchgeführt werden.
DE200410010808 2004-03-05 2004-03-05 Verfahren zur Durchführung von Hochdurchsatzexperimenten Withdrawn DE102004010808A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE200410010808 DE102004010808A1 (de) 2004-03-05 2004-03-05 Verfahren zur Durchführung von Hochdurchsatzexperimenten
PCT/EP2005/001746 WO2005087363A1 (de) 2004-03-05 2005-02-19 Verfahren zur durchführung von hochdurchsatzexperimenten
EP05715414A EP1725326A1 (de) 2004-03-05 2005-02-19 Verfahren zur durchführung von hochdurchsatzexperimenten

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE200410010808 DE102004010808A1 (de) 2004-03-05 2004-03-05 Verfahren zur Durchführung von Hochdurchsatzexperimenten

Publications (1)

Publication Number Publication Date
DE102004010808A1 true DE102004010808A1 (de) 2005-09-22

Family

ID=34877433

Family Applications (1)

Application Number Title Priority Date Filing Date
DE200410010808 Withdrawn DE102004010808A1 (de) 2004-03-05 2004-03-05 Verfahren zur Durchführung von Hochdurchsatzexperimenten

Country Status (3)

Country Link
EP (1) EP1725326A1 (de)
DE (1) DE102004010808A1 (de)
WO (1) WO2005087363A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018073286A1 (de) * 2016-10-20 2018-04-26 Technische Universität Darmstadt Verfahren zur ermittlung von stützpunkten eines versuchsplans

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050095696A9 (en) * 2000-01-07 2005-05-05 Lemmo Anthony V. Apparatus and method for high-throughput preparation and characterization of compositions
DE10028875A1 (de) * 2000-06-10 2001-12-20 Hte Gmbh Rechnergestützte Optimierung von Substanzbibliotheken
US6758951B2 (en) * 2001-10-11 2004-07-06 Symyx Technologies, Inc. Synthesis and characterization of materials for electrochemical cells
DE10216558A1 (de) * 2002-04-15 2003-10-30 Bayer Ag Verfahren und Computersystem zur Planung von Versuchen

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018073286A1 (de) * 2016-10-20 2018-04-26 Technische Universität Darmstadt Verfahren zur ermittlung von stützpunkten eines versuchsplans
CN110291470A (zh) * 2016-10-20 2019-09-27 达姆施塔特工业大学 用于确定测试计划的支持点的方法
CN110291470B (zh) * 2016-10-20 2020-10-23 达姆施塔特工业大学 用于确定测试计划的支持点的方法
US10935464B2 (en) 2016-10-20 2021-03-02 Technische Universität Darmstadt Method for determining support points of a test plan

Also Published As

Publication number Publication date
EP1725326A1 (de) 2006-11-29
WO2005087363A1 (de) 2005-09-22

Similar Documents

Publication Publication Date Title
WO2010083811A1 (de) Verfahren zur identifizierung insbesondere unbekannter substanzen durch massenspektrometrie
EP2289090B1 (de) Verfahren und anordnung zur steuerung von messsystemen, sowie ein entsprechendes computerprogramm und ein entsprechendes computerlesbares speichermedium
DE102004010808A1 (de) Verfahren zur Durchführung von Hochdurchsatzexperimenten
EP1499930B1 (de) Verfahren und computer zur planung von versuchen
DE60013303T2 (de) Verfahren zum entfernen systematischer fehler und abweichungen und zum abschätzen zufälliger fehler in chemischen und biologischen testverfahren
WO2003012135A2 (de) Verfahren zur konfigurierung paralleler nukleinsäureanalyseverfahren zur sequenzmengenklassifikation
DE10233022B4 (de) Verfahren zur Lösung von Aufgaben der adaptiven Chemie
EP3944158A1 (de) Computer-implementiertes verfahren für maschinelles lernen zum betrieb einer fahrzeugkomponente und verfahren zum betrieb einer fahrzeugkomponente
Kersten Multinomiale, ordinale und stereotype logistische Regression–eine Einführung in die Regressionsanalyse kategorialer Zielvariablen
WO2002017127A2 (de) Verfahren und vorrichtung zur korrelationsanalyse von datenfolgen
EP3824068A1 (de) Verfahren zur einrichtung einer apparatur für biologische prozesse und apparatur für biologische prozesse
EP1451750B1 (de) Verfahren zur identifikation von pharmakophoren
WO2012126451A2 (de) Verfahren zur identifizierung insbesondere unbekannter substanzen durch massenspektrometrie
DE102005030136B4 (de) Verfahren zur rechnergestützten Simulation von biologischen RNA-Interferenz-Experimenten
EP3933049A1 (de) Früherkennung von krankheitserregern bei pflanzen
EP1266027A2 (de) Dynamische sequenzierung durch hybridisierung
EP4150108A1 (de) Früherkennung von krankheitserregern bei pflanzen
DE102020215979A1 (de) Verfahren und Vorrichtung zum Zuordnen eines spezifischen Reagenz zu einem Reaktionsplatz
DE102022111622A1 (de) Computerprogramm und Verfahren zur verbesserten Asbestanalytik mit künstlicher Intelligenz
DE102015206444B3 (de) Verfahren zum Erkennen von Mikroorganismen
DE202022105251U1 (de) Ein System zur Isolierung von Stärke aus Mangroven
EP1094415A2 (de) Verfahren zur Identifizierung von Kandidatenmolekülen
EP3859622A1 (de) Verfahren zum analysieren landwirtschaftlicher daten
WO2010060746A2 (de) Verfahren und vorrichtung zur automatischen analyse von modellen
DE10123698A1 (de) Rechnergestütztes Verfahren zur Auswahl von Wirkstoffen

Legal Events

Date Code Title Description
8139 Disposal/non-payment of the annual fee