制剂研究中的DOE方法选择及案例分析：从筛选到验证，构建稳健设计空间

在药物制剂开发中，我们长期面临一个核心挑战：如何从众多处方和工艺变量（如辅料种类与用量、压片压力、制粒参数等）中，精准定位那些对关键质量属性（CQAs，如溶出度、含量均匀度）具有显著影响的关键参数。传统的“一次一因素”法不仅耗时耗力，更致命的缺陷在于它无法揭示因素之间复杂的交互作用，从而难以系统性地建立稳健的“设计空间”。正是在此背景下，实验设计（Design of Experiments, DOE）作为一种系统、高效的多因素试验策略，已成为实现“质量源于设计”（QbD）理念的核心工具。它通过科学的实验矩阵设计，以最少的实验次数，不仅能识别关键影响因素，更能构建定量数学模型，为工艺的优化与验证提供坚实的科学依据。同时，它能够节约成本与时间：用最少的实验次数获得最丰富的信息，加速研发进程。

那么，如何选择合适的DOE方法呢，这取决于我们实验的阶段和目标。

1. 筛选阶段

在研发初期，可能有多达7-11个潜在影响因素。此阶段的目标并非寻找最优值，而是快速、经济地从中筛选出真正的“关键少数”。

Plackett-Burman (PB) 设计：当因素众多（通常>5个），且我们初步判断只需关注主效应（即单个因素的影响）而暂不考虑交互作用时，PB设计是理想选择。其最大优势在于极高的效率，实验次数为4的倍数（如N=12, 20），可研究最多N-1个因素。例如，在片剂处方初步研究中，可同时筛选填充剂种类、粘合剂用量、崩解剂用量、润滑剂用量和压片压力等多个变量对硬度和溶出度的影响。

部分因子设计：当因素数量中等（5-7个），且我们预判可能存在某些重要的二阶交互作用时，部分因子设计更为合适。它是全因子设计的精简版，通过有选择地“混淆”高阶交互作用来大幅减少实验次数。选择时需关注其“分辨率”，通常Resolution IV及以上的设计可在不混淆主效应和二阶交互作用的前提下，高效完成筛选任务

2. 优化阶段

筛选出关键因素后如需对筛选出的关键因素进行精细研究，建立精确的数学模型，找到最佳参数范围，确定“设计空间”。

常用方法：

响应曲面法（RSM）：当因素数量不多（通常经过筛选后），需要寻找最优条件（如最大值、最小值、特定目标值）时使用。通过建立二次多项式模型来刻画弯曲的响应面。常用的RSM包括

中心复合设计（CCD）：

作为最经典、通用的RSM设计，CCD由立方点（用于估计主效应和交互作用）、轴点（用于估计曲率）和中心点（用于估计实验误差）三部分构成。它适用于绝大多数需要精确探索非线性关系和设计空间边界的场景，是2-5个因素优化的首选。

Box-Behnken 设计（BBD）：

与CCD不同，BBD的所有实验点均位于一个球面上，避免了轴向的“极端”条件。当某些因素的水平难以达到或存在安全风险时（如生物制剂对过高温度或剪切力敏感），BBD显示出独特优势。其实验次数通常比同规模的CCD更少，因此在实验成本高昂时也常被采用。爬坡实验：

一种沿着响应值改善最快方向（最陡上升路径）进行序贯实验的策略，而非一个固定的实验矩阵。适用于在筛选实验后，已知大致改善方向，需要快速逼近最佳响应区域时。常作为RSM研究的前奏。

3. 验证阶段

在获得最优参数后，必须通过验证实验确认工艺的稳健性和重现性。最核心的方法便是在任何实验设计中引入足够的中心点重复。中心点的重复性能有效评估实验误差，检验模型是否存在弯曲，是评价工艺稳健性的直接依据。此外，预留部分实验点或进行新的验证批次，将实测值与模型预测值进行比较，也是验证模型预测能力的有效手段。

案例分析：

以下以布洛芬双释双层片体外释放度考察为例，具体阐述DOE的完整应用流程。

1. 挑战与目标

布洛芬双释双层片结构复杂，其速释层与缓释层的处方和工艺参数相互影响，旨在实现快速起效与持久镇痛的双重目标。研发团队需要系统优化众多变量，确保产品具有稳定的双相释放行为。

2. DOE实施流程

2.1因素筛选（Plackett-Burman设计）：

研究团队选取了8个潜在关键因素，包括以崩解剂(PVPP)用量(A)、速释层黏合剂(羟丙甲纤维素)用量(B)、硬脂酸镁用量(C)、速释层制粒目数(D)、缓释材料用量(E)、致孔剂(聚维酮)用量(F)、缓释层制粒目数(G)、压片压力(H)。

通过一个12次运行的PB设计，以释放度的综合评分为指标，成功筛选出3个显著性因素：PVPP用量(A)、缓释材料用量(E)和聚维酮用量(F)（P值均<0.05），而其他因素影响不显著。这一步将优化维度从8维降至3维，极大地提高了后续效率。

2.2工艺优化（Box-Behnken设计）：

针对筛选出的3个关键因素，采用BBD进行深入优化。

通过对实验结果的方差分析，不仅再次确认了各主效应的显著性，还可能发现了因素间的交互作用，从而建立了综合评分（Y3）与三个因素之间的精确二次多项式模型。

2.3设计空间的建立及验证

基于建立的模型，研究人员绘制了响应曲面图和等高线图。初始的设计空间被定义为满足综合评分Y3 > 40的区域。为提高生产可行性和稳健性，进一步引入了95%置信区间（CI）的预测，最终确定了PVPP用量6%~7%、缓释材料用量15%~18%、聚维酮用量5.5%~6.5%这样一个更实用的操作空间。

在此空间内选取3个点进行验证试验，结果与预测值高度吻合，证实了设计空间的可靠性与模型的良好预测性，从根本上提升了生产工艺的稳定性。

总结

目前，DOE被越来越多的企业用于药物研发中，如很多优化RNA-LNP的组成和生产系统药物开发中都用到了多变量设计与统计分析（DOE）的方法。成功应用DOE，需要关注以下几点：

1. 明确当前研究阶段的目标（筛选、优化or验证），选择最合适的方法。

2. 始于风险：任何DOE的设计都基于前期知识和风险评估来确定需要研究的因素和水平。

3. 避免“贪多”：在筛选阶段，不要试图研究所有可能的交互作用，需要基于先验知识或前期的预实验，初步划定研究的范围，提高筛选效率。

4. 中心点的重复是评估模型可靠性和工艺稳健性的基石。只有经过验证的模型才能有效地帮助确定优选参数。

5. 软件辅助：熟练使用JMP, Design-Expert,      Minitab等DOE软件，可以极大地提高实验设计和数据分析的效率与深度。

DOE不仅是简单的“安排实验”，更是一种强大的科学思维方式。它将制剂开发从“经验驱动”的试错模式，转变为“科学驱动”的精准研发模式，成为实现QbD理念、保证药品质量与工艺稳健性的核心技术支柱。

参考文献：

1. 房辰晨, 孙敬蒙, 卢美彤等基于质量源于设计理念优化布洛芬双释双层片的处方工艺，医药导报, 2021, 40(9): 1237-1242

2. Gurba-Bryśkiewicz L, Maruszak W, Smuga DA, Dubiel K, Wieczorek M. Quality by Design (QbD) and Design of Experiments (DOE) as a Strategy for Tuning Lipid Nanoparticle Formulations for RNA Delivery. Biomedicines. 2023 Oct 11;11(10):2752.

3. Yingngam, B. (2025). Design of Experiments (DoE) in Manufacturing Process Optimization. In: Yingngam, B., Aslam, M.S., Haghi, A.K. (eds) Sustainable Pharmaceutical Product Development and Optimization Processes. Springer, Singapore.

扩展阅读：

1. FDA三季度批准的新药逐个解读

2. CDE药品审评周报：共承办29个创新药！恒瑞医药又一款首报临床

3. 全球首次基因编辑药物治愈α-地贫患者，瑞风生物再获突破

想要解锁更多药物研发信息吗？查询摩熵医药（原药融云）数据库（vip.pharnexcloud.com/?zmt-mhwz）掌握药物基本信息、市场竞争格局、销售情况与各维度分析、药企研发进展、临床试验情况、申报审批情况、各国上市情况、最新市场动态、市场规模与前景等，以及帮助企业抉择可否投入时提供数据参考！注册立享15天免费试用！