如何高效提升原物料建模效率、降低實驗成本？定量構效關係 (QSAR) 性能優化 4 步驟

[#1]

在材料研發與製造領域，實驗設計是評估原物料特性與製程條件的關鍵步驟。然而，傳統的實驗方法會隨著原物料種類的增加而大幅提升實驗次數，導致時間與成本的上升。此外，當新材料加入時，往往需要重新進行實驗設計，增加了研發的不確定性。為了解決這個問題，可以在實驗過程引進 QSAR (Quantitative Structure Activity Relationship) 方法，透過數據建模的方式，提高原物料篩選與分析的效率，從而降低實驗成本並提升決策準確性。

什麼是QSAR方法？QSAR 方法在原物料篩選中的應用

QSAR (定量構效關係) 是一種基於化合物的分子結構與活性之間的關聯性來建立數學模型的方法。這一概念早在 18 世紀便被提出，現已廣泛應用於藥物開發、化學與材料科學領域。傳統 QSAR 主要用於化學結構與生物活性的關聯研究，而本案例將其應用範圍擴展至物理化學性質，利用分子結構數據來提升原物料篩選與建模效率。

案例：從 45 種原料篩選至 12 種的實驗設計

某企業希望對不同原物料進行配方實驗，但由於成本考量，需要將 45 種原料縮減至 12 種。為此，團隊採用 QSAR 方法，透過 19 種分子結構特性及 2 個關鍵 Y 變量進行篩選，並設計最佳實驗方案。以下是具體的實驗步驟說明：

步驟 1：將類別型因子轉換為連續因子

由於原物料的化學特性是類別型變數，因此需要透過專業知識與數據分析經驗，將其轉換為可量化的連續變數，如(圖1)。例如，根據分子結構特性，提取關鍵的預測變量，使其能夠進行後續建模。

(圖1: 各材料具有相對應的分子結構數據)

步驟 2：使用主成分分析 (PCA) 降維與去相關

在多變數分析中，許多變數之間可能存在高度相關性 (圖2)，影響建模準確性。因此，研究團隊利用主成分分析 (PCA) 來轉換變數，使其轉換成獨立變數，如(圖3)，降低維度並避免共線性問題。這一過程有助於後續的建模與變數選擇。

(圖2 )相關性分析

(圖3) 主成分分析

步驟 3：透過 Custom Design 進行實驗設計

在 JMP 中，使用 Custom Design (如圖4) 功能，將經過 PCA 轉換的主成分作為共變量，設計最優化的實驗方案。透過這種方式，研究團隊成功將實驗次數控制在 12 次內，顯著降低成本與時間需求。

(圖4-1)

 (圖4-2)

(圖4-3)

步驟 4：應用 PLS 或機器學習進行建模

完成實驗設計後，使用PLS法， 根據Prob > van der Voet T²選擇6因子模型 (如圖5)，或是使用Model Screening平台 (如圖6)，篩選出適合的預測建模方法，另存公式到資料表上並搭配Graph下的Profiler (如圖7) 去了解X變量與Y變量間的關係。

圖5 PLS平台

圖6 Model screening平台

圖7 Profiler

小結

本案例證明，將數據建模技術應用於原物料篩選，能夠顯著提升研發效率，並且為未來的製程優化提供更多可能性。

透過該案例，研究人員可以將變量擴展到與製程變量一同進行實驗設計，此外，篩選材料種類時使用QSAR方法，不僅減少了實驗次數也能夠反向尋找材料，能顯著提升原物料篩選的效率，也可避免實驗成本浪費，為未來的製程優化提供更多可能性。隨著材料科學與數據分析技術的不斷進步，這種方法將成為企業提升研發決策能力的重要工具及未來產業升級的關鍵。

參考資料

1. https://community.jmp.com/t5/Discovery-Summit-Europe-2017/Increase-Efficiency-and-Model-Applicabilit... 2017 演講
2. https://community.jmp.com/t5/Learn-JMP-Events/JMP-Academic-Webinar-Teaching-Analytics-in-Chemistry-a... JMP Academic Webinar - Teaching Analytics in Chemistry and Chemical Engineering with JMP: A Hands-On Introduction Case2

更多學習資源

• 機器學習在化工產業與製造業的應用
• JMP 在化工化學產業上的應用：兩大案例解析
• DOE經典案例實戰：產品研發與製程優化的3種實驗設計方法
• 免費下載 JMP 試用 30 天