Przedmowa
Chemia wśród nauk ścisłych i przyrodniczych zajmuje centralne miejsce i ma swój niepodważalny udział w postępie cywilizacyjnym. Wynika to z jej wyjątkowego wkładu w interpretację przemian i procesów, jak też zjawisk zachodzących w otaczającym nas świecie, zwłaszcza rozpatrując układy biologiczne i naturalne. Jej interdyscyplinarność umożliwia wyjaśnienie przemian i zjawisk zachodzących na poziomie molekularnym i komórkowym. Odnosi się to również do oznaczeń szerokiej gamy analitów o zróżnicowanej budowie i właściwościach - substancji biologicznie aktywnych. Zakres ten jest przedmiotem bioanalityki, związanej zarówno z analizą medyczną, farmaceutyczną, produktów spożywczych, jak i środowiskową, nie różnicując matrycy.
Rosnące potrzeby wczesnej diagnostyki schorzeń oraz skuteczniejszych, spersonalizowanych metod terapii wymagają coraz czulszych i bardziej selektywnych metodologii w obrębie analityki. Zdefiniowanie problemu jest kluczowym zagadnieniem w wyborze i opracowaniu metody analitycznej do identyfikacji biomarkerów schorzeń, w diagnostyce multiparametralnej, w badaniach w obrębie proteomiki, metabolomiki i innych "-omic", w monitorowaniu leków w płynach ustrojowych oraz w identyfikacji metabolitów, wpisanych w zmiany biochemiczne w trakcie choroby.
Zastosowanie procedur analitycznych w odniesieniu do próbek środowiska przyrodniczego to badania aktywności biologicznych substancji roślinnych, jak również wyzwania analityczne w biomonitoringu. Wymagane są w tym zakresie działania interdyscyplinarne: analityków-chemików, lekarzy-klinicystów, farmaceutów, specjalistów z obszaru ekologii, a także tych, którzy zajmują się analityką dla potrzeb przemysłu.
Umiejętność doboru odpowiednich metod i narzędzi, w zależności od rodzaju podejmowanego problemu, jest niezwykle ważne i często decyduje o powodzeniu zarówno kolejnych etapów, jak i całości badań. Należy podkreślić, że bioanalityka, w różnych obszarach swoich działań, jest ukierunkowana na oznaczanie śladowych ilości związków biologicznie aktywnych w próbkach o wyjątkowo skomplikowanej matrycy.
Duże zainteresowanie bioanalityką, w tym kształcenie na poziomie przedmiotów podstawowych i specjalnościowych, jak również funkcjonowanie specjalności "bioanalityka" na wielu uczelniach, potrzeby laboratoriów klinicznych czy medycyny sądowej, a także konieczność kontroli jakości produktów spożywczych i żywności skłoniły redaktorów naukowych do przygotowania niniejszej książki. Spodziewamy się również, że zagadnienia przedstawione w tym opracowaniu będą przydatne studentom i pracownikom naukowym, pracownikom laboratoriów badawczych z pokrewnych dziedzin.
Publikacja ta jest opracowaniem zbiorowym, w którym znakomici specjaliści z różnych ośrodków naukowych i badawczych w Polsce przedstawili potencjał, aplikacje kliniczne i środowiskowe oraz perspektywy dalszego rozwoju bioanalityki. Redaktorzy pragną gorąco im podziękować za wielki wkład pracy, który składa się na jakość tej książki.
Wyrażamy głęboką wdzięczność Panu Profesorowi Waldemarowi Wardenckiemu, recenzentowi tej pracy, którego cenne uwagi i sugestie pomogły w ostatecznym zredagowaniu książki. Dziękujemy także Pani Sylwii Bajkacz, prof. Politechniki Śląskiej, za pomoc techniczną przy komponowaniu całości tekstu.
Irena BARANOWSKA i Bogusław BUSZEWSKI
Autorzy
Aleksander ASTEL, dr hab. inż., prof. Akademii Pomorskiej w Słupsku, Instytut Biologii i Nauk o Ziemi, Zakład Chemii Środowiskowej
Karolina ASTEL, dr inż., Akademia Pomorska w Słupsku, Instytut Biologii i Nauk o Ziemi, Zakład Analiz Ekosystemowych
Sylwia BAJKACZ, dr hab. inż., prof. Politechniki Śląskiej, Wydział Chemiczny, Katedra Chemii Nieorganicznej, Analitycznej i Elektrochemii
Maria BALCERZAK, prof. dr hab. inż., Politechnika Warszawska, Wydział Chemiczny
Katarzyna BIGUS, dr, Akademia Pomorska w Słupsku, Instytut Biologii i Nauk o Ziemi, Zakład Chemii Środowiskowej
Mariola BRYCHT, dr, Uniwersytet Łódzki, Wydział Chemii, Katedra Chemii Nieorganicznej i Analitycznej
Zbigniew BRZÓZKA, prof. dr hab. inż., Politechnika Warszawska, Wydział Chemiczny, Katedra Biotechnologii Medycznej
Ewa BULSKA, prof. dr hab., Uniwersytet Warszawski, Wydział Chemii, Centrum Nauk Biologiczno-Chemicznych
Bogusław BUSZEWSKI, prof. dr hab., czł. koresp. PAN, dr h.c. mult., Uniwersytet Mikołaja Kopernika, Wydział Chemii, Katedra Chemii Środowiska i Bioanalityki; Interdyscyplinarne Centrum Nowoczesnych Technologii
Ewelina CHAJDUK, dr, Instytut Chemii i Techniki Jądrowej w Warszawie, Laboratorium Jądrowych Technik Analitycznych
Damian DRZYZGA, dr, Uniwersytet Opolski, Wydział Chemii, Katedra Chemii Analitycznej i Ekologicznej
Agnieszka FELICZAK-GUZIK, dr hab., prof. Uniwersytetu im. Adama Mickiewicza, Wydział Chemii, Zakład Chemii Stosowanej
Beata GODLEWSKA-ŻYŁKIEWICZ, prof. dr hab., Uniwersytet w Białymstoku, Wydział Chemii, Zakład Chemii Analitycznej
Ilona GRABOWSKA-JADACH, dr hab. inż., Politechnika Warszawska, Wydział Chemiczny, Katedra Biotechnologii Medycznej
Julia JACYNA, mgr, Gdański Uniwersytet Medyczny, Wydział Farmaceutyczny, Katedra Biofarmacji i Farmakodynamiki, Zakład Biofarmacji i Farmakokinetyki
Agata JAGIELSKA, mgr, Uniwersytet Warszawski, Wydział Chemii, Centrum Nauk Biologiczno-Chemicznych
Roman KALISZAN, prof. dr hab. n. farm., czł. rzecz. PAN, czł. czynny PAU, dr h.c., Gdański Uniwersytet Medyczny, Wydział Farmaceutyczny, Katedra Biofarmacji i Farmakodynamiki, Zakład Biofarmacji i Farmakokinetyki
Justyna KAPELEWSKA, dr, Uniwersytet w Białymstoku, Wydział Chemii
Joanna KARPIŃSKA, prof. dr hab., Uniwersytet w Białymstoku, Wydział Chemii
Jolanta KOCHANA, dr hab., prof. Uniwersytetu Jagiellońskiego, Wydział Chemii, Zakład Chemii Analitycznej, Zespół Analiz Środowiskowych i Biomedycznych
Klaudia KOKOSZKA, mgr inż., Politechnika Śląska, Wydział Chemiczny, Katedra Chemii Nieorganicznej, Analitycznej i Elektrochemii
Piotr KONIECZKA, prof. dr hab. inż., Politechnika Gdańska, Wydział Chemiczny, Katedra Chemii Analitycznej
Marta KORDALEWSKA, mgr, Gdański Uniwersytet Medyczny, Wydział Farmaceutyczny, Katedra Biofarmacji i Farmakodynamiki, Zakład Biofarmacji i Farmakokinetyki
Paweł KOŚCIELNIAK, prof. dr hab., Uniwersytet Jagielloński, Wydział Chemii, Zakład Chemii Analitycznej
Urszula KOTOWSKA, dr, Uniwersytet w Białymstoku, Wydział Chemii
Agnieszka KRÓL, mgr, Uniwersytet Mikołaja Kopernika, Wydział Chemii, Katedra Chemii Środowiska i Bioanalityki; Interdyscyplinarne Centrum Nowoczesnych Technologii
Paweł KRZYCZMONIK, dr, Uniwersytet Łódzki, Wydział Chemii, Katedra Chemii Nieorganicznej i Analitycznej
Andrzej LENIART, dr, Uniwersytet Łódzki, Wydział Chemii, Katedra Chemii Nieorganicznej i Analitycznej
Jacek LIPOK, prof. dr hab., Uniwersytet Opolski, Wydział Chemii, Katedra Chemii Analitycznej i Ekologicznej
Hanna LIS, mgr, Uniwersytet Gdański, Wydział Chemii, Katedra Analizy Środowiska
Maria MADEJ, mgr, Uniwersytet Jagielloński, Wydział Chemii, Zakład Chemii Analitycznej, Zespół Analiz Środowiskowych i Biomedycznych
Julita MALEJKO, dr, Uniwersytet w Białymstoku, Wydział Chemii, Zakład Chemii Analitycznej
Kasper MARCHLEWICZ, mgr inż., Politechnika Warszawska, Wydział Chemiczny, Katedra Biotechnologii Medycznej
Michał J. MARKUSZEWSKI, prof. dr hab. n. farm., Gdański Uniwersytet Medyczny, Wydział Farmaceutyczny, Katedra Biofarmacji i Farmakodynamiki, Zakład Biofarmacji i Farmakokinetyki
Małgorzata MISZTAL-SZKUDLIŃSKA, dr, Gdański Uniwersytet Medyczny, Wydział Farmaceutyczny, Katedra i Zakład Bromatologii
Iwona NOWAK, dr, Uniwersytet im. Adama Mickiewicza, Wydział Chemii, Zakład Chemii Analitycznej
Izabela NOWAK, prof. dr hab., Uniwersytet im. Adama Mickiewicza, Wydział Chemii, Zakład Chemii Stosowanej
Paweł Mateusz NOWAK, dr, Uniwersytet Jagielloński, Wydział Chemii, Zakład Chemii Analitycznej
Magdalena PAZDA, mgr, Uniwersytet Gdański, Wydział Chemii, Katedra Analizy Środowiska
Anna POLIWODA, dr hab., prof. Uniwersytetu Opolskiego, Wydział Chemii
Halina POLKOWSKA-MOTRENKO, dr hab., Instytut Chemii i Techniki Jądrowej w Warszawie, Laboratorium Jądrowych Technik Analitycznych
Aleksandra POLLAP, dr, Uniwersytet Jagielloński, Wydział Chemii, Zakład Chemii Analitycznej, Zespół Analiz Środowiskowych i Biomedycznych
Paweł POMASTOWSKI, dr hab., Uniwersytet Mikołaja Kopernika; Interdyscyplinarne Centrum Nowoczesnych Technologii
Oleksandra PRYSHCHEPA, mgr, Uniwersytet Mikołaja Kopernika, Wydział Chemii, Katedra Chemii Środowiska i Bioanalityki; Interdyscyplinarne Centrum Nowoczesnych Technologii
Alan PUCKOWSKI, dr, Uniwersytet Gdański, Wydział Chemii, Katedra Analizy Środowiska
Hanna RADECKA, prof. dr hab., Polska Akademia Nauk, Instytut Rozrodu Zwierząt i Badań Żywności w Olsztynie
Jerzy RADECKI, prof. dr hab., Polska Akademia Nauk, Instytut Rozrodu Zwierząt i Badań Żywności w Olsztynie
Viorica RAILEAN-PLUGARU, dr, Uniwersytet Mikołaja Kopernika, Wydział Chemii, Katedra Chemii Środowiska i Bioanalityki; Interdyscyplinarne Centrum Nowoczesnych Technologii
Agnieszka RODZIK, mgr, Uniwersytet Mikołaja Kopernika, Wydział Chemii, Katedra Chemii Środowiska i Bioanalityki; Interdyscyplinarne Centrum Nowoczesnych Technologii
Agnieszka ROGOWSKA, mgr, Uniwersytet Mikołaja Kopernika, Wydział Chemii, Katedra Chemii Środowiska i Bioanalityki; Interdyscyplinarne Centrum Nowoczesnych Technologii
Anna RUSZCZYŃSKA, dr, Uniwersytet Warszawski, Wydział Chemii, Centrum Nauk Biologiczno-Chemicznych
Małgorzata RUTKOWSKA, dr inż., Politechnika Gdańska, Wydział Chemiczny, Katedra Chemii Analitycznej
Iwona RYKOWSKA, dr hab., prof. Uniwersytetu im. Adama Mickiewicza, Wydział Chemii, Zakład Chemii Analitycznej
Gulyaim SAGANDYKOVA, mgr, Uniwersytet Mikołaja Kopernika, Wydział Chemii, Katedra Chemii Środowiska i Bioanalityki; Interdyscyplinarne Centrum Nowoczesnych Technologii
Sławomira SKRZYPEK, prof. dr hab., Uniwersytet Łódzki, Wydział Chemii, Katedra Chemii Nieorganicznej i Analitycznej
Piotr STEPNOWSKI, prof. dr hab., Uniwersytet Gdański, Wydział Chemii, Katedra Analizy Środowiska, Zespół Chemicznych Zagrożeń Środowiska
Piotr SZEFER, prof. dr hab. n. farm., Gdański Uniwersytet Medyczny, Wydział Farmaceutyczny, Katedra i Zakład Bromatologii
Małgorzata SZULTKA-MŁYŃSKA, dr hab., prof. Uniwersytetu Mikołaja Kopernika, Wydział Chemii, Katedra Chemii Środowiska i Bioanalityki
Michał SZUMSKI, dr hab., prof. Uniwersytetu Mikołaja Kopernika; Interdyscyplinarne Centrum Nowoczesnych Technologii
Barbara WAGNER, dr hab., Uniwersytet Warszawski, Wydział Chemii, Centrum Nauk Biologiczno-Chemicznych
Wiesław WASIAK, prof. dr hab., Uniwersytet im. Adama Mickiewicza, Wydział Chemii, Zakład Chemii Analitycznej
Dorota WIECZOREK, dr, Uniwersytet Opolski, Wydział Chemii, Katedra Chemii Analitycznej i Ekologicznej
Piotr P. WIECZOREK, prof. dr hab. inż., Uniwersytet Opolski, Wydział Chemii
Michał WOŹNIAKIEWICZ, dr hab., prof. Uniwersytetu Jagiellońskiego, Wydział Chemii, Zakład Chemii Analitycznej
Robert ZIÓŁKOWSKI, dr inż., Politechnika Warszawska, Wydział Chemiczny, Katedra Biotechnologii Medycznej
Michał ZŁOCH, dr, Interdyscyplinarne Centrum Nowoczesnych Technologii
Wykaz podstawowych skrótów
AAS
(ang. atomic absorption spectrometry) - atomowa spektrometria absorpcyjna
AFS
(ang. atomic fluorescence spectrometry) - atomowa spektrometria fluorescencyjna
APCI
(ang. atmospheric pressure chemical ionization) - jonizacja chemiczna pod ciśnieniem atmosferycznym
API
(ang. atmospheric pressure ionization) - jonizacja pod ciśnieniem atmosferycznym
ASE
(ang. accelerated solvent extraction) - przyspieszona ekstrakcja za pomocą rozpuszczalnika
CE
(ang. capillary electrophoresis) - elektroforeza kapilarna
CI
(ang. chemical ionization) - jonizacja chemiczna
CL
(ang. chemiluminescence detector) - detektor chemiluminescencyjny
CRM
(ang. certified reference materials) - certyfikowane materiały odniesienia
CZE
(ang. capillary zone electrophoresis) - elektroforeza stref kapilarnych
DAD
(ang. diode array detector) - detektor z matrycą diodową
DLLME
(ang. dispersive liquid-liquid microextraction) - dyspersyjna mikroekstrakcja ciecz-ciecz
dSPE
(ang. dispersive solid-phase extraction) - dyspersyjna ekstrakcja do fazy stałej
ECD
(ang. electrochemical detector/electron capture detector) - detektor elektrochemiczny/detektor wychwytu elektronów
EDCs
(ang. endocrine disrupting compounds) - związki endokrynnie czynne
EI
(ang. electron ionization) - jonizacja elektronami
ESI
(ang. electrospray ionization) - jonizacja typu elektrorozpylanie
FID
(ang. flame ionization detector) - detektor płomieniowo-jonizacyjny
FLD
(ang. fluorescence detector) - detektor fluorescencyjny
FT ICR
(ang. Fourier transform ion cyclotron resonance) - analizator rezonansu cyklotronowego z transformacją Fouriera
FTIR
(ang. Fourier transform infrared spectroscopy) - spektroskopia w podczerwieni z transformacją Fouriera
GC
(ang. gas chromatography) - chromatografia gazowa
HILIC
(ang. hydrophilic interaction liquid chromatography) - chromatografia cieczowa oddziaływań hydrofilowych
HPLC
(ang. high performance liquid chromatography) - wysokosprawna chromatografia cieczowa
IC
(ang. ion chromatography) - chromatografia jonowa
ICP
(ang. inductively coupled plasma) - plazma wzbudzona indukcyjnie
IEC
(ang. ion exchange chromatography) - chromatografia jonowymienna
IPC
(ang. ion pair chromatography) - chromatografia par jonowych
IT
(ang. ion trap) - pułapka jonowa
LA
(ang. laser ablation) - ablacja laserowa
LC
(ang. liquid chromatography) - chromatografia cieczowa
LIF
(ang. laser-induced fluorescence) - fluorescencja wzbudzona laserowo
LLE
(ang. liquid-liquid extraction) - ekstrakcja w układzie ciecz-ciecz
LOD
(ang. limit of detection) - granica wykrywalności
LOQ
(ang. limit of quantification) - granica oznaczalności
m/z
stosunek masy do ładunku
MAE
(ang. microwave-assisted extraction) - ekstrakcja wspomagana mikrofalami
MALDI
(ang. matrix-assisted laser desorption/ionization) - jonizacja/desorpcja laserowa wspomagana matrycą
MIPs
(ang. molecularly imprinted polymers) - polimery z odciskiem molekularnym
MS
(ang. mass spectrometry) - spektrometria mas
NMR
(ang. nuclear magnetic resonance) - jądrowy rezonans magnetyczny
NP/RP
(ang. normal/reversed phase) - normalny/odwrócony układ faz
NPD
(ang. nitrogen phosphorus detector) - detektor azotowo-fosforowy
PCA
(ang. principal component analysis) - analiza głównych składowych
PCR
(ang. polymerase chain reaction) - łańcuchowa reakcja polimerazy
PDA
(ang. photodiode array detector) - detektor z matrycą fotodiodową
PP
(ang. protein precipitation) - wytrącanie białek
QuEChERs
(ang. quick, easy, cheap, effective, rugged, safe) - (metoda) szybka, prosta, tania, efektywna, elastyczna i bezpieczna
SFC
(ang. supercritical fluid chromatography) - chromatografia z fazą ruchomą w stanie nadkrytycznym
SFE
(ang. supercritical fluid extraction) - ekstrakcja płynem w stanie nadkrytycznym
SLE
(ang. solid-liquid extraction) - ekstrakcja w układzie ciecz-ciecz
SPE
(ang. solid-phase extraction) - ekstrakcja do fazy stałej
SPME
(ang. solid-phase microextraction) - mikroekstrakcja do fazy stałej
TLC
(ang. thin-layer chromatography) - chromatografia cienkowarstwowa
TOF
(ang. time of flight) - analizator czasu przelotu
UAE
(ang. ultrasound-assisted extraction) - ekstrakcja wspomagana ultradźwiękami
UHPLC
(ang. ultra-high performance liquid chromatography) - ultrawysokosprawna chromatografia cieczowa
UV-Vis
(ang. ultraviolet-visible) - zakres nadfioletu i światła widzialnego
29Koncepcja quality by design w bioanalityce
Julia JACYNA, Marta KORDALEWSKA, Roman KALISZAN, Michał J. MARKUSZEWSKI
29.1Wprowadzenie
Pierwsze wzmianki dotyczące tematyki związanej z jakością pojawiły się już w czasach starożytnych. Termin "jakość" (gr. poiotes) po raz pierwszy został użyty przez Platona, definiującego ją jako "stopień doskonałości osiągnięty przez daną rzecz". Łacińskie qualitas, jako odpowiednik greckiego słowa poiotes, zostało wprowadzone przez Cycerona i stanowi punkt wyjścia dla określeń w wielu innych językach nowożytnych, jak np. quality w języku angielskim czy dla francuskiego qualité.
Zgodnie z teorią Platona jakość, oprócz mierzalnych cech, posiada także pewną wartość subiektywną, dlatego można się spotkać z wieloma odmiennymi, aczkolwiek równoważnymi i niewykluczającymi się, definicjami tego terminu. Dla przykładu, Arystoteles twierdził, iż jakość opisuje rzeczywistość w taki sam sposób jak np. ilość i stanowi zespół pewnych cech, które pozwalają odróżnić rzecz spośród jej podobnych. Z kolei dla Lao Tzu określenie to oznaczało nieosiągalną perfekcję wykonania, do której należy - mimo wszystko - nieustannie dążyć.
Nieco bardziej sprecyzowaną definicję podają natomiast William Edwards Deming oraz Philip Bayard Crosby - uważani za jednych z najlepszych współczesnych specjalistów w dziedzinie zarządzania jakością. Crosby określił jakość jako "zgodność z wymaganiami", a Deming uważał, że jest to "przewidywalny stopień jednorodności i niezawodności przy możliwie niskich kosztach i dopasowaniu do wymagań rynku". Międzynarodowa Organizacja Normalizacyjna (ISO, ang. International Organization for Standardization) precyzuje tę terminologię jeszcze bardziej i tłumaczy jakość jako "stopień, w jakim zbiór inherentnych właściwości spełnia wymagania" [1, 2].
29.2Kontrola jakości
Podwaliny współczesnych metod zarządzania jakością stanowią znane już z czasów średniowiecza praktyki kontroli jakości. Początkowo przejawiała się ona jedynie poprzez weryfikację jakości wytworzonych dóbr przez samych wytwórców, jednak wraz ze stopniowo wzrastającą złożonością systemów produkcyjnych rosła także specjalizacja pracy i w konsekwencji - liczba osób potrzebnych do wytworzenia danego produktu, produkowanego już na skalę masową [2]. Kolejnym etapem było stworzenie pewnego rodzaju zhierarchizowanego systemu produkcji, w którym pieczę nad wytwarzaną rzeczą sprawowali kierownicy. Oprócz nadzoru decydowali oni też o standardach, jakie muszą spełniać produkty podczas kontroli jakości. Z czasem funkcje te zaczęto rozdzielać, przez co powstało odrębne stanowisko - kontrolera jakości.
Przełomem w dziedzinie kontroli jakości było zatrudnienie kontrolerów jakości (inspektorów) zupełnie niezwiązanych z procesem wytwarzania. Działający na początku XX wieku inspektorzy mieli za zadanie sprawdzać, czy produkowany towar nie odstaje od pozostałych wyrobów i spełnia założone wcześniej wymagania. W przypadku ich niespełnienia decydowano, o ile to możliwe, o podjęciu działań naprawczych lub sprzedaży produktu niepełnowartościowego (w obniżonej cenie), a w ostateczności o jego wycofaniu. Zauważono jednak, iż proces kontroli jakości wcale nie zmniejsza liczby wytworzonych niepełnowartościowych produktów, a co za tym idzie - nie zmniejsza kosztów ponoszonych przez przedsiębiorstwo. Poszukiwano zatem działań mających na celu obniżenie liczby defektów powstających podczas produkcji.
Lata 20. ubiegłego wieku przyniosły pierwszy krok milowy w rozwoju działań projakościowych, mianowicie statystyczną kontrolę jakości (SQC, ang. statistical quality control). Była ona niezwykle przydatna, przede wszystkim dlatego, że standardowa kontrola jakości była bardzo drogim i czasochłonnym procesem, a ponadto usunięcie wady wykrytej na etapie końcowym bardzo często było już niemożliwe [2]. Inicjatorem SQC był Walter Andrew Shewhart, który w roku 1924 wprowadził do użytku tzw. karty kontrolne. Pozwalały one na rezygnację ze żmudnego procesu kontroli jakości wszystkich wytworzonych produktów, na rzecz ciągłego monitorowania procesu wytwórczego, czyli ewaluacji jakości wykonania na każdym kolejnym etapie powstawania produktu. Niewątpliwą zaletą takiego rozwiązania było to, iż kontroli poddawana była jedynie niewielka część serii, co i tak pozwalało na wykrycie wad na wczesnym etapie.
Dalsze etapy rozwoju działań projakościowych to pewnego rodzaju odejście od znanej dotychczas kontroli jakości na rzecz sterowania jakością, a następnie zarządzania jakością (QM, ang. quality management).
29.3Zarządzanie jakością
Konsekwencją sukcesu kart kontrolnych był dalszy rozwój metod statystycznych w zarządzaniu procesami. Powstałe w kolejnych latach metody planowania eksperymentów (DoE, ang. design of experiments) czy też cykl Shewharta (będący poniekąd kontynuacją kart kontrolnych) służyły już nie tylko rozwojowi etapów produkcyjnych, lecz także aspektom biznesowym, takim jak chociażby redukcja kosztów.
Momentem przełomowym w dziejach zarządzania jakością było wprowadzenie w latach pięćdziesiątych cyklu Deminga, znanego także jako koło Deminga lub cykl PDSA (ang. plan-do-study-act, czyli w wolnym tłumaczeniu cykl 4Z: zaplanuj, zrób, zbadaj, zastosuj). Cykl ten zakładał, że każda, nawet najmniejsza zmiana w procesie produkcyjnym powinna być gruntownie przemyślana, a plan jej wdrożenia szczegółowo opracowany. Ważnym etapem cyklu PDSA jest również wykonanie próbnego wdrożenia zmiany i ocena jego skutków, co pozwoli w końcowym etapie na zastosowanie takich zmian, które przyniosą najwięcej korzyści [2]. Bardzo często zatem w implementacji koła Deminga przydają się wspomniane metody planowania eksperymentów.
Kilka lat później swoje podejście do idei jakości przedstawił Joseph Moses Juran. Jego "trylogia jakości" zakładała, że działania przedsiębiorstwa związane z jakością powinny zawierać trzy podstawowe etapy, tj. planowanie jakości, kontrolę jakości oraz poprawę jakości. Juran twierdził także, iż dążenie do najwyższej jakości oferowanych dóbr powinno być domeną całej firmy, a nie jedynie pionów produkcyjnych, oraz podkreślał istotę szkoleń pracowników, co stanowiło jeden z jego 10 kroków dążenia do zarządzania poprzez jakość (TQM, ang. total quality management) [2]. Dopełnieniem tej idei był dalszy rozwój metod planowania eksperymentów oraz powstanie diagramu przyczyn i skutków.
W latach 60. XX wieku Philip Bayard Crosby ogłosił nieco odmienne podejście do działań projakościowych. Jego spojrzenie na jakość różniło się przede wszystkim tym, że nie chciał skupiać się na wydarzeniach, które miały miejsce, lecz na zapobieganiu niespełnieniu wymagań jakościowych. W swoich czterech zasadach (nazywanych często absolutami Crosby'ego)[1] utrzymywał m.in., iż jakość bierze się głównie z zastosowanych działań zapobiegawczych, a nie kontrolnych, zaś proces doskonalenia nigdy się nie kończy [3]. Podkreślił on zatem jeszcze bardziej dobitnie to, co postulował Juran - jakość produktu należy zaplanować. To właśnie przeciwdziałanie uchybieniom jakościowym rozpoczęło etap zapewnienia jakości [2].
29.4Quality by design
29.4.1Założenia koncepcji QbD
Trylogia jakości Jurana dała początek koncepcji, która w dzisiejszych czasach znana jest pod hasłem quality by design (QbD)[2]. Jak już wspomniano, Juran twierdził, iż jakość produktu nie powinna być kontrolowana po ukończeniu produkcji, tylko zaplanowana jeszcze przed jej rozpoczęciem [4, 5].
QbD, zgodnie z definicją, polega zatem na systematycznym podejściu do rozwoju lub opracowania produktu, który rozpoczyna się od zdefiniowania celów, a także kładzie szczególny nacisk na zrozumienie produktu i procesu jego powstawania oraz jego kontroli opartej na nauce i zarządzaniu ryzykiem [4, 5].
Koncepcja ta zakłada, że gruntowne poznanie procesu wytwarzania pozwoli na identyfikację krytycznych atrybutów jakości (CQA, ang. critical quality attributes), czyli takich cech produktu, które w największym stopniu odpowiadają za jego jakość (są z nią najbardziej skorelowane). Ponadto możliwe jest wytypowanie krytycznych parametrów produkcyjnych (CPP, ang. critical process parameters), tj. czynników, dla których nawet niewielkie odstępstwa od ustawień optymalnych spowodują duże różnice w efekcie końcowym i w konsekwencji - w jakości produktu.
Najważniejszym celem implementacji metodologii QbD jest więc jak najlepsza optymalizacja procesu, zapewniająca otrzymanie produktu o najwyższej jakości, przy jak najniższych nakładach czasu i finansów, a także wyznaczenie krytycznych etapów produkcji, aby móc je skutecznie kontrolować.
29.4.2Metody planowania eksperymentów (DoE)
Optymalizacja procesów opierających się na jednym lub dwóch parametrach może być z powodzeniem przeprowadzona z wykorzystaniem podejścia jednoczynnikowego (OVAT, ang. one-variable-at-a-time). Metodologia ta polega na obserwacji wpływu różnych czynników na badany proces, zmieniając wartość tylko jednego z nich, a pozostałe utrzymując na niezmienionym poziomie. Podejście takie nie dostarcza jednak informacji na temat ewentualnych interakcji między badanymi parametrami, a w przypadku wieloczynnikowych, skomplikowanych procesów może skutkować pominięciem istotnych parametrów oraz koniecznością przeprowadzenia nieskończenie dużej liczby eksperymentów.
Współczesny świat poszukuje odpowiedzi na inne pytanie, mianowicie: Jak zaplanować doświadczenie, aby przy możliwie najmniejszych kosztach uzyskać jak najwięcej użytecznych informacji? Jednym ze sposobów, żeby na nie odpowiedzieć, jest zastosowanie metod planowania eksperymentów. DoE, w przeciwieństwie do podejścia jednoczynnikowego, zakłada jednoczesną ocenę wpływu każdego badanego czynnika. Dzięki temu możliwe jest zaobserwowanie interakcji występujących między badanymi parametrami oraz wyselekcjonowanie ich optymalnych wartości. Metodologia ta opiera się zatem na systematycznej ewaluacji wpływu wszystkich parametrów (czynników) wejściowych na badany proces poprzez ocenę ich oddziaływania na czynniki wyjściowe (odpowiedzi). Przestrzeń projektowa (ang. design space) jest określana przez badane parametry, a jej granice wyznaczają ich skrajne wartości. Jest ona także reprezentowana bardziej precyzyjnie i równomiernie w porównaniu z podejściem OVAT, a dzięki zastosowaniu analizy statystycznej i metod modelowania dane pomiarowe dostarczają większej liczby informacji.
Aby podsumować krótko wspólny dla metodologii DoE schemat postępowania, należy wspomnieć o pięciu etapach.
Pierwszym z nich jest wybór parametrów, które mogą wpływać na badany proces, a co za tym idzie - na uzyskanie pożądanych wartości odpowiedzi. Ważną kwestią podczas wyboru czynników jest możliwość łatwej i dokładnej kontroli ich wartości oraz określenie zakresów, w jakich dane parametry będą badane. Często spotykanym postępowaniem jest przeprowadzenie serii badań przesiewowych pozwalających na wybór parametrów istotnych (bądź najistotniejszych) i modyfikację badanych zakresów.
Kolejnym krokiem jest wybór odpowiedzi, które dostarczą użytecznych informacji na temat badanego zjawiska. Przykładem może być np. pole powierzchni pod pikiem jako odzwierciedlenie stężenia związku w badanej próbce. Kluczową kwestią w doborze czynników wyjściowych jest ich dostępność oraz precyzja pomiarów. W przypadku gdy wytypowanych odpowiedzi jest więcej, możliwe jest ich uszeregowanie (np. wybierając te dostarczające największej ilości informacji o zjawisku lub najważniejsze z punktu widzenia jakości optymalizowanego procesu).
Następnym etapem jest wybór planu eksperymentalnego - jest on uzależniony zarówno od ilości informacji, jakie pożądane są do uzyskania, nakładu czasu, a także zasobu środków finansowych oraz dostępności odczynników i aparatury. Istnieje wiele typów planów eksperymentalnych, wśród których można wymienić m.in. plany frakcyjne (ang. fractional plans), analizę wariancji (ang. variance analysis), plany czynnikowe (ang. factor plans), plany eliminacyjne (ang. elimination plans), metodologię powierzchni odpowiedzi (RSM, ang. response surface methodology) i plany optymalne (ang. optimal plans). Plany te można też modyfikować, dostosowując do zakładanych oczekiwań i uwzględniając dodatkowe zastosowanie randomizacji[3], która ma na celu zniwelowanie wpływu czynników zakłócających, oraz replikacji[4], pozwalającej oszacować występowanie błędu przypadkowego [6, 7].
Po zastosowaniu wybranego planu eksperymentalnego następują analiza statystyczna uzyskanych danych pomiarowych oraz interpretacja wyników.
Metody planowania eksperymentów można podzielić na metody przesiewowe (ang. screening designs) i metody optymalizacyjne (ang. optimization designs). Pierwsza grupa obejmuje plany, które pozwalają na identyfikację czynników wpływających na badany proces oraz poszukiwanie interakcji między parametrami. Do najbardziej popularnych metod przesiewowych należą plany czynnikowe (ang. factorial designs). W przypadku całościowego planu czynnikowego (FFD, ang. full factorial design) pod uwagę są brane wszystkie kombinacje zmian czynników (ryc. 29.1). Takie postępowanie pozwala nie tylko na szczegółowe zbadanie wpływu tych zmiennych, ale i na obserwację interakcji między nimi. W przypadku gdy nie ma konieczności sprawdzania wszystkich zależności między czynnikami lub liczba eksperymentów koniecznych do przeprowadzenia jest zbyt duża, możliwe jest zastosowane planu frakcyjnego (ang. fractional factorial design). W tym wypadku bada się wyłącznie część wszystkich możliwych kombinacji ustawień czynników, a informacje na temat ich interakcji są ograniczone. Innymi przykładami planu przesiewowego są plan Placketta-Burmana oraz test Youdena. W tym przypadku nie ma możliwości uzyskania informacji dotyczących interakcji między zmiennymi niezależnymi. Plany te mogą być skutecznie wykorzystane do badania elastyczności (odporności) metod analitycznych, a ich niski koszt, wynikający z małej liczby przeprowadzanych eksperymentów, stanowi główną zaletę. Jeśli przestrzeń eksperymentalna nie jest do końca poznana lub istnieją ograniczenia dotyczące możliwości przeprowadzenia eksperymentów, zasadnym jest wykorzystanie planów optymalnych. Liczba badań jest wyznaczana na podstawie wieloczynnikowego FFD (ang. multi-level FFD), a następnie minimalizowana z wykorzystaniem określonych kryteriów, np. kryterium D (ang. D-criterion) w przypadku planu D-optymalnego (ang. D-optimal design). Podstawowym założeniem tego typu planów jest wybór czynników na podstawie testowania minimalnej liczby kombinacji ustawień parametrów. Koniecznym jest jednak zastosowanie do analizy wyników skomplikowanych metod obliczeniowych [6, 7].
Ryc. 29.1. Graficzne przedstawienie przykładowych planów eksperymentalnych dla procesów trójczynnikowych: (A) plan czynnikowy: niebieskie kwadraty (1,1,1; -1,1,1; 1,-1,1; -1,-1,1; 1,1,-1; -1,1,-1; 1,-1,-1; -1,-1,-1) i czarny trójkąt (punkt centralny; 0,0,0); (B) plan Boxa-Behnkena: szare koła (0,-1,1; 0,1,1; -1,0,1; 1,0,1; -1,-1,0; -1,1,0; 1,-1,0; 1,1,0; 0,-1,-1; 0,1,-1; -1,0,-1; 1,0,-1) i czarny trójkąt (punkt centralny; 0,0,0); (C) plan centralny kompozycyjny: niebieskie kwadraty (1,1,1; -1,1,1; 1,-1,1; -1,-1,1; 1,1,-1; -1,1,-1; 1,-1,-1; -1,-1,-1), czerwone gwiazdki (ang. axial points; -?,0,0; ?,0,0; 0,-?,0; 0,?,0; 0,0,-?; 0,0,?) i czarny trójkąt (punkt centralny; 0,0,0)
[Źródło: na podstawie 8]
Druga grupa metod DoE wykorzystywana jest do optymalizacji procesów. Służą one wybraniu optymalnych wartości parametrów, które zostały wyselekcjonowane na podstawie zastosowanych uprzednio planów przesiewowych. W ich skład wchodzi m.in. metodologia powierzchni odpowiedzi (RSM), a jej założenia spełnia często stosowany plan Boxa-Behnkena (BBD, ryc. 29.1). W tym przypadku jeden czynnik utrzymywany jest w każdym eksperymencie na poziomie "zero" (np. wartość centralna lub średnia) oraz dodatkowo przeprowadzane jest badanie, w którym wszystkie parametry przyjmują swoje "zerowe" wartości. Kolejnym, często wykorzystywanym przykładem planu optymalizacyjnego opartego na RSM jest centralny plan kompozycyjny (CCD, ang. central composite design) (ryc. 29.1). Nieznacznie rzadziej stosowane są plany Taguchiego, pozwalające na ograniczenie wpływu czynników zakłócających z wykorzystaniem tzw. funkcji strat jakości. Plany te skupiają się na uzyskaniu produktu lub procesu o najwyższej jakości, przy jak najmniejszym nakładzie kosztów i ograniczając do minimum konieczne do przeprowadzenia eksperymenty [6, 7].
29.5Planowanie jakości w praktyce laboratoryjnej
Liczba eksperymentów koniecznych do prawidłowej optymalizacji procesu jest niezwykle ważna nie tylko w perspektywie produkcji przemysłowej. Limity środków finansowych oraz zasoby specjalistycznego sprzętu pomiarowego także nakładają na badaczy pewne ograniczenia co do zakresu prac udoskonalających daną metodę analityczną. Niemniej jednak, nie sposób się też nie zgodzić z hasłem bardzo powszechnym w wielu gałęziach przemysłu: "niska jakość kosztuje". W przypadku praktyki laboratoryjnej można tu mówić przede wszystkim o uzyskiwaniu nierzetelnych rezultatów oraz straconym czasie i zasobach finansowych. Biorąc to pod uwagę, obserwuje się trend dążenia do minimalizacji nakładu prac badawczych przy jednoczesnym maksymalizowaniu informacji o badanym procesie. Dodatkowo, usprawnienia idące wraz z optymalizacją procesów najczęściej pociągają za sobą m.in. redukcję czasu trwania metod analitycznych, zmniejszenie ilości stosowanych odczynników i całkowitą eliminację niektórych etapów, co wpisuje się w nurt tzw. zielonej chemii analitycznej.
Chęć osiągnięcia jak najwyższej jakości w odniesieniu do metody analitycznej oraz wyniku jej zastosowania dotyczy również takiej dziedziny nauki jak bioanalityka. Ogromny zakres czynników podlegających optymalizacji spowodował, iż koncepcja QbD wraz z podejściem DoE zyskują coraz większą popularność w tego typu badaniach. Pierwszym etapem opracowania planu takiego badania powinien być wybór podstawowych parametrów, uwzględniając posiadaną wiedzę ekspercką. W przypadku technik chromatograficznych może to być dobór kolumny chromatograficznej oraz fazy ruchomej, a następnie także pH oraz składu procentowego eluentu i czasu trwania analizy. Ważnym etapem jest też ustalenie kryteriów jakości, które powinna spełniać opracowywana metoda. Może to być ustalenie zadowalającej odległości między końcem jednego sygnału analitycznego a początkiem kolejnego, mówiącej o rozdzielczości danej metody. Wybór wartości badanych czynników i optymalizacja procesu są przeprowadzane z wykorzystaniem odpowiedniego planu eksperymentalnego. Istotnym elementem jest także ciągłe kontrolowanie jakości przeprowadzanego procesu oraz uwzględnienie czynników ryzyka mogących wpływać na badany proces [9].
Kluczowe dla niektórych metod może okazać się również określenie domeny eksperymentalnej, dla której uzyskiwane odpowiedzi mieszczą się w akceptowalnych zakresach. Jest to szczególnie ważne, gdy opracowywana metoda wcale nie musi charakteryzować się jak najlepszymi odpowiedziami (czynnikami wyjściowymi), a jedynie największym zakresem elastyczności. Rozwiązaniem w takiej sytuacji jest znalezienie przestrzeni projektowej spełniającej wszystkie wymagania i ustawienie parametrów wejściowych tak, aby odpowiadały one jej punktowi centralnemu. Taka strategia pozwoli na zapewnienie optymalnej wydajności metody przy jednoczesnym ograniczeniu konieczności kontroli parametrów wejściowych do minimum.
29.5.1Przykładów kilka, czyli miniprzegląd literatury
Nowoczesne, oparte na QbD, podejście do bioanalityki widoczne jest w coraz liczniejszych publikacjach naukowych. W pracy badawczej i zarządzaniu laboratoriami bioanalitycznymi z pewnością można wyszczególnić wiele elementów zarządzania jakością, jak np. szkolenia pracowników, przydzielanie zadań projektowych zgodnie z posiadanymi kompetencjami, a także ustalenie celów i odnotowywanie sukcesów, jednak to zarządzanie jakością podczas realizacji zadań naukowych jest najczęściej spotykanym. Dlatego poniższy przegląd wybranych manuskryptów opublikowanych na przestrzeni ostatnich lat będzie traktował o pracach, w których zastosowano QbD w bioanalityce, a w szczególności metodologię DoE do opracowania, optymalizacji i oceny metod analitycznych.
Najczęściej spotykanym przykładem podejścia projakościowego jest przede wszystkim badanie elastyczności metod analitycznych przeprowadzane jeszcze przed weryfikacją aplikacyjności oraz właściwą analizą próbek biologicznych. Elastyczność metody (ang. robustness[5]) to zdolność do pozostania stabilną mimo zmian jej parametrów. Test elastyczności wymaga zatem oceny wpływu wszystkich parametrów metody, a zwłaszcza tych, które najsilniej oddziałują na uzyskiwane wyniki, zwanymi parametrami krytycznymi.
QbD może być skutecznie wykorzystane do optymalizacji procesu oznaczania ilościowego substancji leczniczych w matrycach biologicznych. Za przykład może posłużyć opracowanie metody ekstrakcji wilazodonu z surowicy szczura [10]. W badaniu tym oznaczenia analityczne zostały przeprowadzone z zastosowaniem ultraszybkiej chromatografii cieczowej (UFLC, ang. ultra fast liquid chromatography) z detektorem z matrycą fotodiodową (DAD, ang. diode array detector). Na podstawie danych literaturowych oraz dostępnej wiedzy jako metodę przygotowania próbek wybrano ekstrakcję ciecz-ciecz. Z tego też względu jako najistotniejszą wartość odpowiedzi analitycznej (CAA, ang. critical analytical attribute) wybrano procent odzysku oznaczanego leku. Wykres rybiej ości Ishikawy posłużył do określenia zależności przyczyna-efekt między kolejnymi parametrami opracowywanej procedury, a tym samym na identyfikację potencjalnych źródeł odchyleń od oczekiwanej odpowiedzi. Kolejnym etapem było oszacowanie zmiennych obarczonych największym ryzykiem oddziaływania na CAA. W tym celu zastosowano podejście control-noise-experimental (CNX). Wyselekcjonowane krytyczne zmienne dla metody (CMV, ang. critical method variable), w tym przypadku czas ekstrakcji, szybkość wirowania i czas wytrząsania, zostały poddane optymalizacji z wykorzystaniem metodologii powierzchni odpowiedzi. Wybór planu BBD skutkował przeprowadzeniem jedynie 15 eksperymentów (z trzema powtórzeniami punktu centralnego), służących wybraniu optymalnych ustawień wspomnianych parametrów. Uzyskane dane zostały poddane analizie z wykorzystaniem metody wielokrotnej regresji liniowej (MLR, ang. multiple linear regression). Istotność statystyczną zbudowanego modelu oparto na wyznaczonej na podstawie analizy wariancji (ANOVA) wartości p, a dopasowanie modelu do danych - na podstawie współczynnika determinacji R2. Dane zostały także poddane wizualizacji w postaci modelu 2D oraz trójwymiarowego modelu powierzchni odpowiedzi. Na ich podstawie stwierdzono występowanie interakcji między badanymi czynnikami, co w końcowym etapie pozwoliło na wybór ich optymalnych wartości. Opracowana w ten sposób metoda ekstrakcji ciecz-ciecz zapewniła odzysk wilazodonu na zadowalającym poziomie.
Według danych literaturowych wykorzystanie podejścia DoE może zapewnić także skuteczną optymalizację procesu ekstrakcji substancji leczniczej z materiału tkankowego. W tym celu zastosowano plan frakcyjny [11]. Podczas badań wstępnych zweryfikowano wpływ czterech czynników (ilość metanolu wykorzystanego do homogenizacji tkanki, temperatura i czas ekstrakcji oraz czas wytrząsania) na proces ekstrakcji lewofloksacyny z tkanki gruczołu krokowego. Jako badaną odpowiedź wybrano stosunek pól powierzchni pod pikiem uzyskanych dla badanego leku i standardu wewnętrznego (cyprofloksacyny). Po przeprowadzeniu etapu przesiewowego i wybraniu parametrów wykazujących istotny statystycznie wpływ na wyniki procesu, została przeprowadzona optymalizacja ich wartości z wykorzystaniem planu CCD. Na tej podstawie przeprowadzono 16 eksperymentów. Powtarzalność badanego procesu została zweryfikowana poprzez wykonanie trzech powtórzeń (replikacji) punktu środkowego. Badania przeprowadzono z zachowaniem zasady randomizacji, dzięki czemu wyeliminowano ryzyko wpływu zmiennych zakłócających. Oznaczenia analityczne prowadzono z wykorzystaniem ultrawysokosprawnej chromatografii cieczowej z detektorem z matrycą fotodiodową (UHPLC-DAD). Optymalizacja metody chromatograficznej również została skutecznie przeprowadzona z wykorzystaniem podejścia DoE. Minimalną, konieczną do przeprowadzenia liczbę eksperymentów oszacowano poprzez zastosowanie planu BBD. Wyboru odpowiedzi (rozdzielenie sygnałów lewofloksacyny i cyprofloksacyny, symetria piku i czas retencji lewofloksacyny) do optymalizacji dokonano na podstawie wcześniejszych doświadczeń i posiadanej wiedzy. Zależność między czynnikami a odpowiedziami została zbadana z wykorzystaniem modelu regresji kwadratowej. Optymalne (najbardziej korzystne) wartości badanych parametrów dobrano, wykorzystując wykresy powierzchni odpowiedzi, modele predykcyjne oraz funkcję maksymalnego dopasowania (DF, ang. desirability function). Istotność statystyczną wszystkich zbudowanych modeli zbadano z wykorzystaniem analizy wariancji, a współczynnik determinacji posłużył sprawdzeniu dopasowania zbudowanych modeli do danych eksperymentalnych. Dodatkowo, z wykorzystaniem planu Placketta-Burmana, zbadano elastyczność opracowanej metody. Przeprowadzenie 17 eksperymentów, uwzględniających pięć powtórzeń punktu centralnego (czyli wyselekcjonowanych uprzednio ustawień optymalnych), pozwoliło na sprawdzenie wpływu niewielkich zmian w ustawieniach pięciu czynników: zmiany procentowej zawartości metanolu w fazie ruchomej, temperatury termostatowania kolumny, stężenia buforu w fazie ruchomej oraz wartości pH, a także szybkości jej przepływu. Takie postępowanie pozwoliło na potwierdzenie użyteczności opracowanej metody oznaczania lewofloksacyny oraz wiarygodności uzyskiwanych wyników [11].
Ciekawym przykładem wykorzystania QbD w procesie walidacji metody analitycznej jest oznaczanie glukozaminy i galaktozaminy w osoczu [12]. Ze względu na charakter związków zastosowano chromatografię oddziaływań hydrofilowych (HILIC, ang. hydrophilic interaction liquid chromatography). Wstępna część badań posłużyła określeniu krytycznych parametrów badanej metody. Na tej podstawie wybrano kolumnę chromatograficzną, skład i pH fazy ruchomej oraz temperaturę termostatowania kolumny. Oznaczenia przeprowadzano z wykorzystaniem ultrawysokosprawnej chromatografii cieczowej sprzężonej ze spektrometrem mas z analizatorem typu potrójny kwadrupol (UHPLC-QQQ-MS). Zastosowanie planu CCD skutkowało przeprowadzeniem jedynie 13 eksperymentów, z trzema powtórzeniami punktu centralnego. Badaniom poddano zarówno próbki osocza z dodatkiem standardów testowanych związków oraz standardu wewnętrznego, jak i osocze bez dodanych substancji. Przestrzeń projektową zbudowano z zastosowaniem symulacji Monte Carlo na podstawie błędów oszacowania najistotniejszych parametrów jakości (CQA), tj. rozdzielenia sygnałów badanych związków oraz czasu trwania analizy. Dla tych parametrów zostały także określone limity akceptacji (?). W następnym kroku dla badanych parametrów stworzono trójwymiarowe modele predykcyjne, na postawie których określono ich optymalne wartości, sprawdzając również występowanie między nimi interakcji. Ponadto wyznaczono przestrzeń (zakres wartości parametrów), dla których zostanie przeprowadzona walidacja metody. Takie podejście miało na celu zapewnienie możliwości walidacji metody analitycznej nawet przy ewentualnej konieczności zmiany wartości badanych parametrów. Oznaczenia ilościowe przeprowadzono dla trzech poziomów stężeń badanych związków. Stosując podejście DoE, zaplanowano trzy serie eksperymentów - dla każdej testowano przynajmniej dwa powtórzenia próby kalibracyjnej (na każdym poziomie stężeń) oraz minimum pięć powtórzeń próby walidującej. Dodatkowo, za każdym razem powtarzano trzykrotnie badania próby walidującej dla punktów referencyjnych. Dla każdego badanego poziomu stężeń zostały zbudowane modele predykcyjne, na podstawie których określono zakresy parametrów (pH oraz skład fazy ruchomej; na bazie wcześniejszych eksperymentów temperaturę kolumny ustalono na poziomie 50°C) pozwalające na uzyskanie odpowiedzi z odchyleniem od wartości rzeczywistej rzędu ? 15%. Stwierdzono, iż wysokie stężenie acetonitrylu w fazie ruchomej w połączeniu ze wzrostem pH zapewnia większe prawdopodobieństwo powodzenia procesu walidacji metody oznaczania glukozaminy i galaktozaminy. Zaproponowane podejście porównano ze standardowym procesem walidacji metody analitycznej. Jako główną zaletę wskazano możliwość określenia zakresu wartości parametrów, w którym proces walidacji przebiegnie prawidłowo [12].
Koncepcja QbD znalazła swoje zastosowanie także w badaniach metabolomicznych. Niecelowana analiza metabolomiczna wymaga ekstrakcji jak największej liczby związków małocząsteczkowych z badanej matrycy biologicznej, a następnie ich jednoczesnego oznaczenia jakościowego z wykorzystaniem zaawansowanych technik analitycznych. Odpowiednie zaplanowanie eksperymentu oraz ustalenie kryteriów jakości są niezbędne do uzyskania rzetelnych wyników, a następnie wyciągnięcia prawidłowych wniosków. W omawianym badaniu udowodniono, iż plan D-optymalny może zostać skutecznie zastosowany do sprawdzenia wpływu wybranych czynników na wydajność ekstrakcji metabolitów z próbek moczu poddawanych analizie z wykorzystaniem chromatografii gazowej sprzężonej ze spektrometrem mas z analizatorem czasu przelotu (GC-TOF-MS, ang. gas chromatography-time of flight-mass spectrometry) [13]. Sprawdzono wpływ pięciu rozpuszczalników organicznych (metanol, etanol, acetonitryl, izopropanol, aceton) oraz ich mieszanin z wodą na rozpuszczenie osadu moczu i tym samym na wyodrębnienie badanych związków. Powyższy plan zakładał analizę 15 różnych mieszanin badanych rozpuszczalników w 18 eksperymentach (uwzględniając powtórzenia dla punktów centralnych). Uzyskane dane pomiarowe zawierające 156 sygnałów analitycznych (z czego 80 zostało zidentyfikowanych) poddano analizie głównych składowych (PCA, ang. principal component analysis) oraz cząstkowych najmniejszych kwadratów (PLS, ang. partial least squares), na podstawie których wybrano mieszaninę metanolu i wody jako najlepszą pod względem liczby metabolitów wyekstrahowanych z próbki moczu [13].
Opisane przykłady pokazują mnogość zastosowań QbD w pracach naukowych o charakterze analitycznym i bioanalitycznym. Aby bardziej szczegółowo zapoznać się z możliwościami wykorzystania metodologii DoE godnym polecenia są opracowania: "An overview of experimental designs in HPLC method development and validation" [14] oraz "Design of Experiments in metabolomics-related studies: An overview" [8].
29.6Podsumowanie
Działania projakościowe są coraz bardziej popularne w wielu dziedzinach nauki i przemysłu. Świadczy o tym m.in. stale rosnąca liczba publikacji dotyczących koncepcji quality by design, jak i metod planowania eksperymentów przedstawiona na rycinie 29.2 [15]. Jest to spowodowane nie tylko dynamicznym postępem technologicznym i coraz bardziej rygorystycznymi standardami stawianymi metodom analitycznym, ale i wzrastającą świadomością naukowców. Regularne korzystanie z technik planowania i zarządzania jakością w znaczny sposób przyczynia się nie tylko do oszczędności, tak w aspekcie finansowym, jak i czasowym, lecz także idealnie wpisuje się w wymagania tzw. zielonej chemii analitycznej. Dodatkowo, ograniczenie liczby eksperymentów wcale nie wiąże się ze zmniejszeniem liczby informacji o badanym procesie - wręcz przeciwnie, stosując się do zasad QbD oraz DoE, bardzo często można uzyskać znacznie więcej danych i informacji.
Warto jednak pamiętać, że propagowanie idei QbD bez zbudowania odpowiedniego zaplecza, m.in. przez edukację na poziomie studiów pierwszego i drugiego stopnia, nie przyniesie oczekiwanych rezultatów. Pożądanym trendem byłoby więc wprowadzenie właściwych programów nauczania we wszystkich dziedzinach nauk ścisłych [16]. Aby zatem zagwarantować skuteczność we wdrażaniu filozofii jakości, konieczne jest odpowiednie kształcenie oraz zmiana postrzegania planowania projektu, przeprowadzania eksperymentów oraz analizy uzyskanych danych. Można oczekiwać, iż nim się spostrzeżemy, działania projakościowe wejdą nam w nawyk i staną się naszym złotym standardem (laboratoryjnym)[6].
Ryc. 29.2. Liczba artykułów dotyczących koncepcji quality by design (-) oraz metod planowania eksperymentów (-) opublikowanych na przestrzeni ostatnich 50 lat - na podstawie wyszukiwania haseł "quality by design" lub "QbD" (-), "design of experiments" lub "experimental design" (-) w bazie Scopus - tytuł artykułu, streszczenie, słowa kluczowe
[Źródło: na podstawie 15]
Piśmiennictwo
1. Zymonik Z., Wkład starożytności do problematyki jakości i jej kosztów. Problemy Jakości, 36(8): 36-38, 2004
2. Mazur A., Gołaś H., Zasady, metody i techniki wykorzystywane w zarządzaniu jakością. Wyd. I., Politechnika Poznańska, Poznań 2010
3. GoLeanSixSigma.com (https://goleansixsigma.com/fourabsolutes-quality/) (data dostępu 28.02.2019 r.)
4. Woyna-Orlewicz K., Harańczyk G., Realizacja Koncepcji Quality by Design. StatSoft Polska, Kraków 2009
5. Junker B., Kosinski M., Geer D. i wsp., Design-for-Six-Sigma for Development of a Bioprocess Quality-by-Design Framework. PDA J Pharm Sci Technol, 65(3): 254-286, 2011
6. Montgomery D.C., Design and Analysis of Experiments, 7th ed. John Wiley & Sons, New York 2009
7. Barrentine L.B.: An Introduction to Design of Experiments: A Simplified Approach. ASQ Quality Press, Milwaukee 1999
8. Jacyna J., Kordalewska M., Markuszewski M.J.: Design of Experiments in metabolomics-related studies: An overview. J Pharm Biomed Anal, 164: 598-606, 2019
9. Dispas A., Avohou H.T., Lebrun P. i wsp., 'Quality by Design' approach for the analysis of impurities in pharmaceutical drug products and drug substances. TrAC Trends Anal Chem, 101: 24-33, 2018
10. Panda S.S., Sharma K., Mohanty B. i wsp., Quality by Design enabled enhanced bioanalytical extraction and UFLC determination of vilazodone from rat serum. J Liq Chromatogr Relat Technol, 40: 775-782, 2017
11. Szerkus O., Jacyna J., Wiczling P. i wsp., Ultra-high performance liquid chromatography determination of levofloxacin in human plasma and prostate tissue with the use of experimental design optimization procedures. J Chromatogr B Analyt Technol Biomed Life Sci, 1029-1030: 48-59, 2016
12. Hubert C., Houari S., Rozet E. i wsp., Towards a full integration of optimization and validation phases: An analytical-quality-by-design approach. J Chromatogr A, 1395: 88-98, 2015
13. Jiya A., Huang Q., Wang G. i wsp., Global analysis of metabolites in rat and human urine based on gas chromatography/time-of-flight mass spectrometry. Anal Biochem, 379: 20-26, 2008
14. Sahu P.K., Ramisetti N.R., Cecchi T. i wsp., An overview of experimental designs in HPLC method development and validation. J Pharm Biomed Anal, 147: 590-611, 2018
15. Scopus (https://www.scopus.com) (data dostępu 28.02.2019 r.)
16. Quality by Design for Analytical Laboratories by Zenaida Otero Gephardt (interview by Rachel Muenz). Lab Manager, June 12, 2018
