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 CStÃ¥hlberg 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.