利用實驗模型設計改進高通量生物學的檢測開發利用實驗模型設計改進高通量生物學的檢測開發
Diana Ballard，Predictum Inc. 高級諮詢統計學家
Samuel Hasson 博士，美國國立衛生研究院藥理學研究員
韋恩·萊文 (Wayne Levin)，Predictum Inc. 總裁
高通量生物學已成為功能基因組學、化學生物學和藥物發現的普遍平台。 儘管自動化細胞成像等多種技術已經取得進步，支持微孔板和基於陣列的探索能力，但在檢測開發過程中仍然缺乏創新。 在初級篩選之前，高通量活動的測定設計、小型化和優化通常會涉及潛在變量的多樣化。 科學家通常通過獨立調整實驗條件來進行測定開發，而忽略了隨機化和不同實驗單位大小等重要原則。 從統計的角度來看，這種方法速度慢，消耗大量昂貴的試劑，並且存在丟失或錯誤歸因見解的風險。 傳統做法也可能無法識別複雜的相互作用。 現代實驗設計 (DOE) 方法對高通量篩選 (HTS) 的適應為檢測開發提供了更加高效和富有洞察力的框架。 然而，生物學家對當代能源部設計的應用受到限制，部分原因是所需的高級數學和缺乏適合高溫超導環境的工具。 生物學家成功執行的 DOE 克服了這些限制，產生了生化反應中復雜相互作用的數據。
實驗設計
