بهینه سازی تولید محصولات بیوتکنولوژی با کمک Design of Experiments

امروز محصولات بیوتکنولوژی مانند پروتئین های نوترکیب به طور گسترده در حوزه‌ها و صنایع گوناگون مورد استفاده قرار می‌گیرند و در دسترس بودن مقدار کافی و با کیفیت از آن‌ها یک موضوع بسیار مهم تلقی می‌شود. این محصولات شاخه‌های پزشکی، کشاورزی، دام، طیور و بسیاری از صنایع را متحول کرده و روز به روز اهمیت بیشتری پیدا می‌کنند. شاید یکی از جذاب‌ترین کاربردهای این محصولات در حوزه درمانی باشد. استفاده از داروهای بیوتکنولوژیک و پروتئین‌های نوترکیب با کاربرد درمانی طی سالیان اخیر یک روند صعودی چشم‌گیر داشته و از زمان معرفی انسولین انسانی نوترکیب در سال ۱۹۸۲، تحقیقات در زمینه تولید و استفاده از پروتئین‌های نوترکیب دارویی، به طور قابل توجهی افزایش یافته اند. به طوری که امروزه، داروهای بیوتکنولوژیک برای درمان طیف وسیعی از بیماری‌ها از جمله سرطان، دیابت، اختلالات متابولیکی و موارد دیگر، مورد استفاده قرار می‌گیرند. در کنار اهمیت پروتئین‌های نوترکیب، این مولکول‌های بیولوژیک توانایی خلق ثروت قابل توجهی نیز دارند. اگر شاخه درمانی محصولات بیوتکنولوژی را مورد بررسی قرار دهیم، با نگاه به لیست پر فروش‌ترین دارو‌های دنیا در سال ۲۰۲۲ بر اساس گزارش وبسایت drugdiscoverytrends، مشاهده می‌کنیم که تعداد زیادی از داروهای این لیست با فروش‌های چند میلیارد دلاری، از داروهای بیوتکنولوژیک می‌باشند. این طیف وسیع کاربرد و توانایی خلق ثروت، نظر محققین و سرمایه گذاران را در سراسر دنیا جلب کرده است و در چند دهه اخیر رقابت بر سر تولید محصولات بیوتکنولوژیک، همچنان داغ و جذاب باقی مانده است. البته همه افراد متمرکز بر تولید محصولات جدید نیستند و بسیاری از آن‌ها تمایل به بهینه‌سازی شرایط تولید دارند. اینکه بتوانیم با دستکاری بخشی از شرایط تولید یک محصول بیوتکنولوژیک (مانند یک پروتئین نوترکیب)، میزان بیشتری از آن را با همان کیفیت قبلی تولید کنیم یک موضوع جذاب برای بسیاری از پژوهشگران و حتی شرکت‌های تولید کننده است. یکی از موارد مهم در بهینه سازی تولید محصولات بیوتکنولوژی، Design of Experiments یا به اختصار DOE است که در این مقاله قصد داریم آن را مورد بررسی قرار دهیم. با توجه به وسیع بودن طیف محصولات بیوتکنولوژی و به منظور سهولت بیشتر، از پروتئین نوترکیب به عنوان مثال انتخابی جهت توضیح مفاهیم پیش‌رو استفاده خواهد شد. اما لازم است توجه داشته باشید نکات ارائه شده در این مقاله جهت بهینه سازی محصولات بیوتکنولوژی، قابل تعمیم به سایر محصولات نیز می‌باشند.

مروری بر فرآیند تولید پروتئین نوترکیب

پروتئین های نوترکیب را می توان در هر دو سیستم پروکاریوتی و یوکاریوتی بیان کرد، اما در اکثر موارد اشریشیا کلی اولین انتخاب برای تولید پروتئین های نوترکیب غیر گلیکوزیله در مقیاس صنعتی است. آن هم به دلیل توانایی آن در تکثیر آسان، سادگی فرآیند، هزینه کم و مورد تایید بودن سازمان غذا و دارو (FDA) برای کاربردهای انسانی. علاوه بر این، کلونینگ مبتنی بر PCR یا همان PCR-based cloning یکی از ضروری‌ترین ابزارها در فناوری تولید پروتئین نوترکیب است. از نظر تئوری، با استفاده از E. coli به عنوان میزبان و PCR جهت تکثیر توالی مدنظر، در دنیای امروز تولید یک پروتئین نوترکیب فرآیندی ساده به نظر می رسد. در این فرآیند ژن مورد نظر (Gene of Interest یا GOI) که در یک سورس سلولی خاص وجود دارد، با کمک PCR تکثیر و به یک پلاسمید بیانی وارد می‌گردد. این پلاسمید که تحت عنوان DNA نوترکیب نیز شناخته می‌شود، وارد میزبان خواهد شد (Transformation). سپس عملیات تولید پروتئین در میزبان به دنبال القای بیان پروتئین (مثلا استفاده از IPTG) صورت می‌پذیرد. نهایتا پروتئین نوترکیب، خالص‌سازی شده و خواص و فعالیت آن تعیین می‌گردد. علاوه بر این، تکنیک‌ها و فن آوری‌های سنتز DNA به پژوهشگران این امکان را می‌دهد که به جای جداسازی ژن مدنظر از یک سلول به خصوص، آن را سنتز کنند. در این شرایط مراحل کاری بسیار کم‌تر و نتیجه با کیفیت‌تر خواهد شد.

طبیعتا روش‌هایی که در بیوتکنولوژی و به منظور تولید پروتئین نوترکیب استفاده می‌شوند، یک شبه تولید نشده و نتیجه تلاش‌های بسیار زیاد پژوهشگران طی سالیان گذشته می‌باشند. اگر امروز طی چند روز و با استفاده از کیت‌های آماده و پروتکل‌های از پیش تعیین شده، یک پروتئین تولید می‌گردد، سال‌ها تحقیق و پژوهش در پشت پرده نقش خود را ایفا کرده‌اند. اما هنوز کافی نیست و جای پیشرفت جهت تولید کارآمد‌تر محصولات بیوتکنولوژی، به خصوص پروتئین‌های نوترکیب وجود دارد.

مفهوم بهینه‌ سازی یک فرآیند

یک گام ضروری قبل از ورود به مفاهیم تخصصی، آشنایی با مفهوم بهینه سازی است. بهینه‌سازی به فرآیندی اشاره دارد که در آن متغیرها یا پارامترها، به گونه‌ای تغییر می‌کنند که سبب عملکرد سیستم با بیشترین کارآیی یا اثربخشی خواهند شد (معمولاً در چارچوب محدودیت‌های خاص). به بیان فنی‌تر، به فرآیند ایجاد تغییرات در حالت‌های ورودی، رویه‌های عملیاتی و یا پارامترهای فیزیکی موثر بر سیستم به منظور بهبود خروجی، کارایی یا نتایج، بهینه سازی می‌گویند.

فرهنگ لغت کسب و کار آنلاین (The online business dictionary) بهینه سازی را به عنوان «یافتن جایگزینی با مقرون به صرفه ترین یا بالاترین عملکرد قابل دستیابی تحت محدودیت های اعمال شده، با به حداکثر رساندن عوامل مورد نظر و به حداقل رساندن عوامل نامطلوب»، تعریف می کند. بنابراین، با توجه به این تعاریف، به منظور بهینه سازی یک فرآیند در بیوتکنولوژی و تولید پروتئین نوترکیب، پژوهشگر به منظور حذف موارد بی اهمیت، لازم است تأثیر عوامل متعدد (متغیرها) را بر پاسخ (به عنوان مثال، بیان پروتئین به شکل محلول، خلوص، فعالیت) بررسی کند. همچنین لازم است جهت یافتن ترکیب بهینه از عوامل مهمی که پاسخ را به حداکثر می رسانند، نیز تلاش کند.

OFAT یک فرآیند زمان‌بر است

اکثر پروتکل‌هایی که امروزه جهت تولید محصولات بیوتکنولوژی مورد استفاده قرار می‌گیرند، با استفاده از رویکرد زمان‌بر و ناکارآمد One-factor-at-a-time یا OFAT توسعه یافته و متعاقباً بهینه‌سازی شده‌اند. روش One-factor-at-a-time یا به فارسی «روش یک عامل در هر زمان» یکی از روش‌های پرکاربرد در بهینه‌سازی فرآیندها و تحلیل آزمایش‌ها است. در این روش، یک پارامتر در هر زمان به عنوان متغیر در نظر گرفته می‌شود و سایر پارامترها در حالت ثابت، باقی خواهند ماند. این روش، علی‌رغم سادگی اجرای آن، مشکلات و محدودیت‌هایی نیز دارد. از جمله اینکه تنها به تحلیل اثرات تک متغیر (یک پارامتر در هر زمان) می‌پردازد و تعاملات بین پارامترها (که در بسیاری از فرآیندهای واقعی وجود دارند) را نادیده می‌گیرد. با این حال، روش OFAT به دلیل سادگی اجرای آن همچنان در بسیاری از آزمایش‌ها و تحقیقات مورد استفاده قرار می‌گیرد، بخصوص زمانی که تعداد پارامترها کم باشد.

DoE به عنوان رقیت OFAT

نقطه ضعف اصلی رویکرد OFAT این است که اثرات متقابل بین عوامل مختلف را بر روی یک فرآیند بررسی نمی کند. مطالعات بهینه‌سازی را می‌توان با تغییر چندین عامل به طور همزمان و بررسی اثرات آن‌ها و اثرات متقابل آنها بر روی یک فرآیند (پاسخ) پیش برد. در چنین شرایطی، نتیجه بهینه‌سازی با احتمال زیاد بسیار بهتر از روش OFAT خواهد بود. رویکرد Design of Experiments یا DoE با این هدف ایجاد شده است. DoE یک رویکرد آماری پیشرفته برای بهینه‌سازی فرآیندها است که از آن برای بررسی اثرات متقابل چندین عامل یا پارامتر در یک فرآیند استفاده می‌شود. در حقیقت، DoE امکان مطالعه همزمان تعداد زیادی از پارامترها و تعاملات بین آن‌ها را می‌دهد. DoE یک روش استراتژیک است که برای تعیین رابطه بین عوامل مختلف (ورودی) مؤثر بر یک فرآیند و خروجی آن، استفاده می شود. از ویژگی‌های مهم این روش می‌توان به کاهش تعداد آزمایش‌های لازم برای رسیدن به نتایج قابل اعتماد، ارزیابی اثرات متقابل بین پارامترها و امکان بررسی تغییرات پاسخ با تغییر همزمان چندین پارامتر اشاره کرد. بنابراین، استفاده از روش DoE می‌تواند به حصول نتایج دقیق‌تر و موثرتر در فرآیندهای پیچیده کمک کند. لازم به ذکر است، DoE نه تنها ارزان‌تر، بلکه سریعتر از OFAT نیز است. زیرا با استفاده از تعداد کمی آزمایش، محتوای اطلاعاتی بهینه را ارائه می دهد.

درک عمیق‌تر Design of Experiments

DoE از روش‌های آماری استفاده می‌کند و عواملی را که بر یک فرآیند به طور همزمان اثر می‌گذارند، در مجموعه خاصی از آزمایش‌ها تغییر می‌دهد. نتایج متعاقباً با استفاده از یک مدل ریاضی مورد تجزیه و تحلیل قرار گرفته و اطلاعات قابل توجهی در مورد تأثیر هر عامل و تأثیر برهمکنش بین عوامل بر فرآیند (پاسخ) فراهم می کند که این موضوع بهینه سازی فرآیند را تسهیل خواهد کرد. بگذارید با یک مثال ملموس این موضوع را بررسی کنیم. تصور کنید در حال پختن شیرینی هستید و می خواهید شیرینی شما، خوشمزه ترین باشد. در ابتدا شما مواد مختلفی دارید که برای پخت از آن‌ها استفاده می‌کنید: آرد، شکر، شیر، تخم مرغ، شکلات و شاید یک چیز کمی عجیب، مانند ترشی! حال، فرض کنید DoE مانند دستیار بسیار هوشمند شما در پخت شیرینی است. DoE به شما کمک می کند تا بفهمید که چه مقدار از هر ماده را برای تهیه خوشمزه ترین شیرینی‌ها استفاده کنید. اما چگونه؟

DoE این کار را با تهیه دسته‌هایی از شیرینی‌ها با مقادیر مختلف از هر ماده به طور همزمان انجام می‌دهد. به عنوان مثال، یک دسته می تواند شکر بیشتری داشته باشد، دسته دیگر می تواند شکلات اضافی داشته باشد و دسته دیگر می تواند آن ترشی عجیب و غریب را داشته باشد! پس از پخت، DoE بررسی می کند که کدام دسته از شیرینی‌ها طعم بهتری دارند. به این ترتیب، می آموزد که چه مقدار از هر یک از مواد، شیرینی‌ها را خوشمزه می کند و حتی چگونه مواد مختلف با هم کار می کنند. شاید شکر و شکلات فوق العاده لذیذ باشند، اما شکر و ترشی، نه چندان! پس در این مثال، DoE به ما کمک می کند تا بهترین دستور غذا را برای خوشمزه ترین شیرینی پیدا کنیم. همین اتفاق در موارد دیگر نیز رخ می‌دهد، مانند بهبود ماشین‌ها، بازی‌های ویدیویی و مثال اصلی مورد بررسی در این مقاله، پروتئین‌های نوترکیب.

نرم افزارهای محبوب جهت انجام Design of Experiments

همان‌طور که اشاره شد، DoE از روش‌های آماری استفاده می‌کند و اگر بخواهیم این مسیر را به صورت دستی انجام دهیم، امری طاقت فرسا خواهد بود. نرم‌افزارهای متعددی طی سالیان اخیر جهت انجام DoE توسعه داده شده‌اند که افراد در حوزه های گوناگون مهندسی و علوم زیستی از آن بهره می‌برند. از معروف‌ترین نرم‌افزارهای این حوزه (که جهت بهینه سازی محصولات بیوتکنولوژی نیز مورد استفاده قرار می‌گیرند)، می‌توان به موارد زیر اشاره کرد:

• Design-Expert
• JMP
• Minitab
• ECHIP

لازم به ذکر است که این نرم‌افزارها تنها به دانش اولیه آمار، آگاهی از اصول DoE، روش‌های بهینه‌سازی ابتدایی و تکنیک‌های مدل‌سازی رگرسیونی نیاز دارند. علاوه بر این، نرم‌افزارهای اشاره شده قادر به توسعه مدل‌های ریاضی نیز هستند که روابط بین عوامل و پاسخ (ها) را نشان می‌دهند.

از بین نرم‌افزارهای فوق، می‌توان گفت Design-Expert محبوب‌ترین مورد جهت انجام DoE است. Design-Expert به طور خاص برای انجام DoE توسعه داده شده است و شامل انواع Experimental designs از جمله:

• فاکتوریل کامل
• فاکتوریل کسری
• طرح Plackett-Burman
• Taguchi Orthogonal Array
• چندین نوع Response surface methodology
• طرح‌های مخلوط
• طرح‌های ترکیبی

و غیره است. این نرم افزار شامل Test matrices برای آزمایش حداکثر ۵۰ عامل است. اهمیت آماری عوامل آزمون بر روی پاسخ، با استفاده از تحلیل واریانس (ANOVA) ارزیابی می‌شود. داده‌ها بر روی یک مدل ریاضی Fit می‌شوند و ابزارهای گرافیکی برای شناسایی تأثیر هر عامل بر پاسخ و آشکارسازی ناهنجاری‌ها در داده‌ها، مورد استفاده می‌گیرند.

مراحل انجام Design of Experiments

معمولاً یک فرآیند زیستی تحت تأثیر عوامل متعددی قرار می گیرد. DoE در این پروژه‌ها طی دو مرحله صورت می‌پذیرد. در مرحله اول (آزمایش‌های غربالگری یا Screening experiments)، عواملی که از نظر آماری تأثیر معنی‌داری بر فرآیند دارند، با استفاده از factorial design شناسایی می‌شوند تا تعداد عوامل را به یک عامل قابل مدیریت کاهش دهند. هنگامی که پارامترهای مهم شناسایی شدند، در مرحله بعد بهینه‌سازی با استفاده از Response Surface Methodology (RSM) به منظور شناسایی ترکیب بهینه عواملی که پاسخ را به حداکثر می‌رسانند، انجام می‌شود. حذف عوامل بی‌اهمیت در مرحله اول، تعداد آزمایش‌ها را کاهش می‌دهد و به کاهش تلاش آزمایشی مورد نیاز در مرحله دوم کمک می‌کند.

چند مفهوم تخصصی و مهم

• Experimental design: طرح آزمایشی واقعی متشکل از ترکیبات مختلف متغیرها (عوامل) مورد آزمایش
• Variable (or factor): یک عامل مستقل که ممکن است بر یک فرآیند (پاسخ) تأثیر بگذارد و می‌تواند مقادیر متفاوتی را در آزمایشات مختلف بگیرد.
• Categorical variable: یک متغیر کیفی که غیر عددی است. متغیرهای طبقه‌ای دارای ترتیب منطقی نیستند، به عنوان مثال، محیط رشد یا LB Broth یا LB Agar است.
• Continuous variable: یک متغیر عددی است. به عنوان مثال، pH یک بافر ۷٫۰ یا ۷٫۵
• Level: مقدار عددی یک عامل پیوسته یا نوع یک عامل طبقه‌ای
• Response: پاسخ یا متغیر وابسته، کمیتی است که در یک آزمایش اندازه گیری می شود (به عنوان مثال، فعالیت آنزیم) و به متغیرهای مستقل بستگی دارد.
• Run: آزمایشی متشکل از ترکیب خاصی از متغیرها و سطوحی که باید آزمایش شوند.
• Full factorial design: یک طرح فاکتوریل کامل تمام ترکیبات ممکن از عوامل و سطوح را بررسی می کند.
• Fractional factorial design:‌ یک فاکتوریل کسری فقط یک کسر را بررسی می کند، به عنوان مثال، ۱/۲، ۱/۴ از طرح فاکتوریل کامل

مرحله ۱: آزمایش های غربالگری – شناسایی عوامل مهم

یک سوال اساسی که باید به آن پاسخ داده شود، این است که مناسب‌ترین Experimental design برای مطالعات بهینه سازی کدام است؟ پاسخ این است که انتخاب Experimental design به تعداد و نوع (Categorical یا Continous) عواملی که باید ارزیابی شوند و همچنین به دانش قبلی در مورد پروتئین مورد نظر بستگی دارد. سوال مهم دیگری که باید به آن پاسخ داده شود، این است که چه عواملی را باید آزمایش کرد؟ به طور کلی، انتخاب فاکتورهای اولیه و دامنه مقادیر آن‌ها یا باید بر اساس نمونه های موجود در مطالعات قبلی با پروتئین های یکسان و مشابه، یا تجربه قبلی در بیان پروتئین های نوترکیب، باشد.

فرض کنید برای پروژه تولید پروتئین نوترکیب خود به دنبال عواملی هستید که بر تولید پروتئین در E. coli تأثیرگذارند. احتمالا به عواملی مانند دما، PH و ساعات رشد فکر کنید. حال به این عوامل به شکلی نگاه کنید که هر یک دو حالت یا سطح دارند. مثلا دمای بالا و پایین، PH بالا و پایین. به این روش آزمایش فاکتوریل دو سطحی (Two-level factorial) گفته می‌شود. معمولاً برای شناسایی متغیرها (عوامل) که به طور قابل‌توجهی بر یک فرآیند (پاسخ) تأثیر می‌گذارند، از Two-level factorial استفاده می‌شود. به طور کلی، Two-level factorial آن‌هایی هستند که همه عوامل فقط دو مقدار دارند (یک مقدار زیاد و یک مقدار کم). این رویکردها اغلب به عنوان «آزمایش‌های غربالگری یا مقدماتی» نامیده می شوند.

یک Two-level factorial بسته به اینکه همه یا کسری از ترکیبات ممکن از عوامل مورد آزمایش قرار گرفته باشند، می تواند کامل یا کسری باشد. یک فاکتوریل کامل دو سطحی، همه ترکیبات ممکن از عوامل را بررسی می‌کند. برای مثال، اگر سه عامل داریم که هر کدام دو سطح دارند، ما ۲ به توان ۳ یا ۸ آزمایش مختلف برای بررسی همه ترکیبات ممکن نیاز داریم. از طرف دیگر، یک فاکتوریل کسری دو سطحی، فقط کسری از ترکیبات ممکن را بررسی می‌کند. به عنوان مثال، فرض کنید که ما چهار عامل داریم، اما به دلیل محدودیت‌های زمانی یا هزینه، تنها نیمی از ترکیبات ممکن را آزمایش می‌کنیم. این روش فاکتوریل کسری نام دارد. در هر دو حالت، هدف آزمایش‌ها شناسایی عواملی است که بر پروتئین تولید شده تأثیرگذار هستند. این اطلاعات سپس می‌توانند برای بهینه‌سازی فرآیند تولید پروتئین استفاده شوند.

الگوریتم‌های مختلفی مانند Plackett-Burman و Taguchi orthogonal array جهت انتخاب کسری که باید آزمایش شود، در دسترس هستند. Plackett–Burman design (PBD) یک Two-level factorial با اندازه کوچک است که به طور گسترده برای شناسایی اثرات اصلی بزرگ استفاده می شود. PBD عوامل مهم را از N متغیر در N + ۱ آزمایش (که در آن N مضرب ۴ است)، بدون توسل به اثرات متقابل بین متغیرها شناسایی می‌کند. بنابراین، PBD فقط فضای طراحی را برای تشخیص اثرات اصلی بزرگ نمایش می دهد. با افزایش تعداد فاکتورها، روش های فاکتوریل کامل و کسری غیرعملی و گران می شوند، زیرا تعداد زیادی آزمایش باید انجام شود.

برای غلبه بر این مشکل، Taguchi آرایه متعامد یا orthogonal array را معرفی کرد. یک روش طراحی شده ویژه، برای مطالعه کل فضای متغیرها با استفاده از تعداد کمتری آزمایش. Taguchi پیشنهاد کرد که از نسبت سیگنال به نویز (signal-to-noise یا S/N) به عنوان یک مقدار قابل اندازه گیری به جای انحراف استاندارد استفاده شود، زیرا با کاهش میانگین، انحراف استاندارد نیز کاهش می یابد و بالعکس. با این حال، طرح‌های Taguchi پیچیده‌تر هستند و باید توسط کسانی که با مفاهیم پیچیده در این زمینه آشنا هستند، استفاده شوند.

مرحله ۲: آزمایش‌های بهینه‌سازی با استفاده از Response Surface Methodology

پس از شناسایی عواملی که از نظر آماری تأثیر معنی‌داری بر فرآیند دارند، معمولاً از RSM برای شناسایی بهترین ترکیب از این عوامل که پاسخ را به حداکثر می‌رسانند، استفاده می‌شود. اهداف RSM عبارتند از:

• توسعه یک مدل ریاضی که توصیف می کند چگونه متغیرها (عوامل) و تعاملات بین متغیرها بر پاسخ تأثیر می گذارند.
• تعیین مقادیر همه متغیرهایی که پاسخ را بهینه می کنند.

سطوح واکنش یا همان Response surfaces معمولاً second-order polynomial models هستند و اکثرا از central composite design (CCD) استفاده می‌شود. یک CCD شامل:

• یک Fractional factorial یا Full factorial
• یک طراحی اضافی (Additional design)
• و یک نقطه مرکزی (Central point) است.

برای درک بهتر سه بخش CCD بیاید یک مثال را بررسی کنیم. ما یک مجموعه لگو داریم که قطعات آن در سه رنگ هستند: قرمز، آبی و زرد. قصد داریم با این قطعات یک قلعه بسازیم و برای ساختن یک قلعه با لگو، می‌توانیم از هر سه رنگ استفاده کنیم. اما اینکه چه ترکیبی از رنگ‌ها بهترین قلعه را می‌سازد؟ برایمان سوال است. در اینجا CCD به کمک ما می‌ آید.

فاکتوریل کامل یا فاکتوریل کسری: در این مرحله، همه ترکیب‌های ممکن از رنگ‌ها را امتحان می‌کنیم. مثلاً ابتدا تمام قلعه را فقط با قطعات قرمز می‌سازیم، سپس تمام قلعه را فقط با قطعات آبی، و در نهایت فقط با قطعات زرد. در مرحله بعد، ترکیبات دو رنگی را امتحان می‌کنیم، مثل قرمز و آبی، قرمز و زرد و آبی و زرد. در انتها، یک قلعه با استفاده از تمام سه رنگ را می‌سازیم.

طراحی اضافی: در این مرحله، به ترکیب‌هایی نگاه می‌کنیم که در آن‌ها تعادل بین رنگ‌ها کمی متفاوت است. مثلاً بیشتر قطعات قلعه زرد رنگ هستند و تعدادی قطعه قرمز و آبی نیز در ساخت آن به کار رفته‌اند. این ترکیب‌های متفاوت را در حالت‌های مختلف امتحان می‌کنیم.

نقطه مرکزی: در این مرحله، قلعه‌ای می‌سازیم که دقیقاً یک سوم از هر رنگ را دارد، یعنی همه رنگ‌ها به یک اندازه استفاده شده‌اند.

در این سه گام، با توجه به نوع قلعه‌ای که دوست داریم (مثلاً بزرگترین یا رنگین‌ترین یا قوی‌ترین)، می‌توانیم بفهمیم که چه ترکیبی از رنگ‌ها برای ساخت بهترین قلعه مناسب است. CCD یک طراحی کارآمد است که برای آزمایش‌های متوالی ایده‌آل می‌باشد. CCD به مقدار معقولی از اطلاعات اجازه می‌دهد تا «عدم تناسب یا lack of fit» را با استفاده از تعداد کمی از نقاط طراحی (Design points) آزمایش کند. علاوه بر CCD، Experimental design های متعددی جهت RSM وجود دارند، مانند Box–Behnken design (BBD) و Small composite design (SCD).

آموزش Design-Expert در دایا زیست فناوران

اگر به مبحث بهینه سازی محصولات بیوتکنولوژی علاقمند شدید، این مبحث در دوره تخصصی مهندسی پروتئین به صورت کامل آموزش داده می‌شود. در این دوره از ابتدا تمامی مباحث پیرامون طراحی و تولید پروتئین در شرایط گوناگون آموزش داده شده است و در فصل اختصاصی بهینه سازی، کار با نرم افزار Design-Expert و شیوه بهینه سازی پروتئین به طور کامل پوشش داده شده است.

جمع بندی

بهینه‌سازی یکی از مهم‌ترین مراحل در کارهای تولیدی به شمار می‌رود. بهینه‌ سازی تولید محصولات بیوتکنولوژی در کنار تلاش برای توسعه محصولات کارآمدتر، یک امر ضروری است. اگر در هر یک از رشته های مرتبط با تولید چنین محصولاتی مشغول به تحصیل می‌باشید، تسلط به این مسئله و درک آن امری ضروری به شمار‌ می‌آید، چرا که بهترین طراحی، بدون شرایط بهینه تولید دستاورد چشم‌گیری نخواهد داشت.