Diseño de Experimentos - Instituto de Biotecnología

1. Título del Curso Fundamental
Tópico: DISEÑO EXPERIMENTAL EN BIOTECNOLOGIA
2. Tutores responsables
Nombre completo Dr. Leobardo Serrano Carreón
Adscripción
Instituto de Biotecnología
Teléfono
56227630
Correo electrónico [email protected]
Nombre completo M.C. José Raunel Tinoco Valencia
Adscripción
Instituto de Biotecnología
Teléfono
56227630
Correo electrónico [email protected]
2 a. Estudiantes Coordinadores del Curso o Tópico
Nombre completo
Adscripción
Teléfono
Correo electrónico
Nombre completo
Adscripción
Teléfono
Correo electrónico
3. Profesores invitados
Nombre completo
Adscripción
Teléfono
Correo electrónico
Nombre completo
Adscripción
Teléfono
Correo electrónico
Nombre completo
Adscripción
Teléfono
Correo electrónico
4. Introducción/justificación del Curso/Objetivos
INTRODUCCIÓN
La experimentación juega un papel fundamental en virtualmente todos los campos de la investigación y el
desarrollo. El objetivo de la experimentación es obtener información de calidad. Información que permita
desarrollar nuevos productos y procesos, comprender mejor un sistema (un proceso industrial, un
procedimiento analítico,...) y tomar decisiones sobre como optimizarlo y mejorar su calidad, comprobar
hipótesis científicas, etc.
Obviamente la experimentación se debe planificar (diseñar) cuidadosamente para que proporcione la
información buscada. Dicha planificación debe considerar dos aspectos importantes relacionados con toda
experimentación:
1. La experimentación es normalmente cara. La capacidad de experimentar está limitada por el coste en
tiempo y en recursos (personal, productos de partida, etc...). Por tanto, una organización óptima de la
experimentación deberá contemplar el menor número de experimentos que permita obtener la
información buscada.
2. El resultado observado de un experimento (y) tiene incertidumbre:
y=+e
donde  es el resultado “verdadero” (desconocido) del experimento y e es una contribución aleatoria, que
varía cada vez que se repite el experimento (error experimental). Por ello, la Estadística, disciplina que
proporciona las herramientas para trabajar en ambientes de incertidumbre, juega un papel fundamental en
el diseño de los experimentos y en la evaluación de los resultados experimentales.
El análisis de los resultados experimentales permitirá obtener conclusiones sobre el sistema en estudio y
decidir actuaciones futuras. Tanto por la importancia de las decisiones que se pueden tomar, como por el
coste elevado de la experimentación no parece adecuado dejar la elección de los experimentos y la
evaluación de los resultados a la mera intuición del experimentador. Parece más razonable utilizar una
metodología matemática y estadística que indique como planificar (diseñar, organizar) la secuencia de
experimentos de una forma óptima, de modo que se minimice tanto el coste de la experimentación como
la influencia del error experimental sobre la información buscada. Dicha planificación y análisis es el
principal objetivo del Diseño Estadístico de Experimentos.
¿Qué es el Diseño Estadístico de Experimentos?
Se podría definir el Diseño Estadístico de Experimentos (DEE), también denominado diseño experimental,
como una metodología basada en útiles matemáticos y estadísticos cuyo objetivo es ayudar al
experimentador a:
1. Seleccionar la estrategia experimental óptima que permita obtener la información buscada con el
mínimo coste.
2. Evaluar los resultados experimentales obtenidos, garantizando la máxima fiabilidad en las conclusiones
que se obtengan.
Las situaciones en las que se puede aplicar el DEE son muy numerosas. De forma general, se aplica a
sistemas como el mostrado en la Figura 1, en los cuales se observan una o más variables experimentales
dependientes o respuestas (y) cuyo valor depende de los valores de una o más variables independientes (x)
controlables llamadas factores. Las respuestas además pueden estar influidas por otras variables que no
son controladas por el experimentador. La relación entre x e y no tiene porqué ser conocida.
JUSTIFICACIÓN
El método tradicional de experimentación, el que quizás surge de forma más intuitiva, consiste en variarun-factor-cada-vez (VUFCV): a partir de unas condiciones iniciales, se realizan experimentos en los cuales
todos los factores se mantienen constantes excepto el que se está estudiando. De este modo, la variación
de la respuesta se puede atribuir a la variación del factor, y, por tanto, revela el efecto de ese factor. El
procedimiento se repite para los otros factores. El razonamiento que soporta esta forma de actuar es que si
se variaran dos o más factores entre dos experimentos consecutivos, no sería posible conocer si el cambio
en la respuesta ha sido debido al cambio de un factor, al de otro, o al de todos a la vez. En otras palabras, el
método de VUFCV asume, muchas veces erróneamente, que no existen interacciones entre los factores de
estudio que afecten la(s) respuesta(s).
El tópico pretende proveer las bases teóricas y entrenamiento práctico en el Diseño y Análisis de
Experimentos con énfasis en el área de la Biotecnología.
OBJETIVO
Al concluir el curso, el alumno será capaz de utilizar las herramientas del diseño experimental en el estudio
de factores experimentales, llegando a plantear estrategias adecuadas para el estudio, análisis y
modelamiento de datos en el área de la biotecnología.
5. Características para la impartición del Curso
Indique el lugar en donde se realizará el Curso
Número de sesiones y duración en horas por sesión
(mínimo 36 horas)
Disponibilidad de impartirlo por videoconferencia
Número total de alumnos que puede aceptar
Número de alumnos EXTERNOS AL PMyDCB que
puede aceptar
Instituto de Biotecnología
16 sesiones 3 horas/sesión
No
12
2
6. Método de evaluación
Por favor incluya en este apartado el % de la contribución relativa de:
Exámenes (número)
Participación en clase
50%
Asistencia
Presentación de un proyecto 50%
Otros
7. Temario del Curso o Tópico
I. Introducción
El proceso de aprendizaje
Prueba de evaluación de diferencias significativas entre medias
Pruebas estadísticas (t , F y ANOVA)
II. Experimentos de comparación entre K tratamientos
La aritmética y geometría del análisis de variancia
Diagnosis y verificación del modelo básico
Bloques aleatorizados
Cuadrado latino
Cuadrados grecolatinos e hipergrecolatinos
III. Screening de Factores
Definiciones
Dominio experimental de interés
Evaluación de efectos principales para la definición de factores relevantes
Matrices de Hadamard
Diseños de Plackett-Burman
IV. Diseños de primer orden
Diseño factorial 2n
Interacción entre efectos
Interpretación de resultados
Calculo de los efectos y pruebas de relevancia
Calculo del error estandard de la estimación a través de repeticiones
Diagnosis y verificación del modelo de primer orden
Intervalo de confianza del modelo
Análisis de varianza para detectar posibles términos de segundo orden
Uso y ventajas de la transformación de la(s) respuesta(s)
Pruebas para evaluar la necesidad de transformar la(s) respuestas(s)
Diseño factorial fraccionado y criterios de selección del tamaño de la fracción
V. Diseños de segundo orden (Estudio de superficies de respuesta).
Diseño factorial 3n
Ajuste y verificación del modelo polinomial de segundo orden
Exploración del dominio experimental (Máximos y mínimos)
Maximización o minimización de la respuesta
Diseño factorial compuesto
Matrices de Doheler
VI. Optimización
Diseño Simplex
Optimización multirrespuesta
8. Bibliografía
Bibliografía básica. (En cada tema se proporcionará bibliografía adicional).
Box, Hunter and Hunter. 1978. Statistics for experimenters: An introduction to design, data analysis and
model building. Wiley Series in Applied Probability and Statistics.
Nekkanti VMuniyappan TKaratgi PHari MSMarella SPillai R, (2009) Spray-drying process optimization for
manufacture of drug-cyclodextrin complex powder using design of experiments. Drug Dev Ind Pharm, 35
(10): 1219-29.
Kim SHLee GM, (2009) Development of serum-free medium supplemented with hydrolysates for the
production of therapeutic antibodies in CHO cell cultures using design of experiments. Appl Microbiol
Biotechnol, 83 (4): 639-48.
Ray CAPatel VShih JMacaraeg CWu YThway TMa MLee JWDesilva B, (2009) Application of multi-factorial
design of experiments to successfully optimize immunoassays for robust measurements of therapeutic
proteins. J Pharm Biomed Anal, 49 (2): 311-8.
Lewi JButera RPaninski L, (2009) Sequential optimal design of neurophysiology experiments.. Neural
Comput, 21 (3): 619-87.
Tichopad AKitchen RRiedmaier IBecker CStåhlberg AKubista M, (2009) Design and optimization of
reverse-transcription quantitative PCR experiments. Clin Chem, 55 (10): 1816-23.
Joelsson DMoravec PTroutman MPigeon JDePhillips P, (2008) Optimizing ELISAs for precision and
robustness using laboratory automation and statistical design of experiments. J Immunol Methods, 337 (1):
35-41.
Praseuth APPraseuth MBOguri HOikawa HWatanabe KWang CC, (2008) Improved production of triostin A
in engineered Escherichia coli with furnished quinoxaline chromophore by design of experiments in smallscale culture. Biotechnol Prog, 24 (1): 134-9.
Mandenius CFBrundin A, (2008) Bioprocess optimization using design-of-experiments methodology.
Biotechnol Prog, 24 (6): 1191-203.
Máximo 5 cuartillas
Las propuestas se deben entregar en formato electrónico en las oficinas de la entidad
académica en donde el tutor está acreditado. El archivo se utilizará para incluir los Cursos
aprobados por Comité Académico en la página Web del PDCB.