Nutzung von Design-of-Experiment-Modellen zur Verbesserung der Assay-Entwicklung in der Hochdurchsatzbiologie
Diana Ballard, Senior Consulting Statistician, Predictum Inc.
Samuel Hasson, PhD, Forschungsstipendiat für Pharmakologie, National Institutes of Health
Wayne Levin, Präsident, Predictum Inc.
Die Hochdurchsatzbiologie ist zu einer allgegenwärtigen Plattform für funktionelle Genomik, chemische Biologie und Arzneimittelentwicklung geworden. Während eine Vielzahl von Technologien, wie etwa die automatisierte zelluläre Bildgebung, Fortschritte gemacht haben, um die Möglichkeiten mikroplatten- und arraybasierter Untersuchungen zu unterstützen, mangelt es im Prozess der Assay-Entwicklung an Innovationen. Vor dem primären Screening können Assay-Design, Miniaturisierung und Optimierung für Hochdurchsatzkampagnen häufig eine vielfältige Landschaft potenzieller Variablen umfassen. Wissenschaftler gehen bei der Assay-Entwicklung oft so vor, dass sie die experimentellen Bedingungen unabhängig voneinander anpassen und dabei wichtige Prinzipien wie Randomisierung und unterschiedliche Größe der experimentellen Einheiten außer Acht lassen. Aus statistischer Sicht ist diese Methode langsam, verbraucht große Mengen an kostspieligen Reagenzien und birgt das Risiko, dass Erkenntnisse fehlen oder falsch zugeordnet werden. Herkömmliche Verfahren können auch komplexe Wechselwirkungen möglicherweise nicht erkennen. Die Anpassung moderner Design-of-Experiment-Ansätze (DOE) an das Hochdurchsatz-Screening (HTS) bietet einen weitaus effizienteren und aufschlussreicheren Rahmen für die Assay-Entwicklung. Die Anwendung moderner DOE-Entwürfe durch Biologen war jedoch teilweise aufgrund der erforderlichen fortgeschrittenen Mathematik und des Mangels an auf HTS-Umgebungen zugeschnittenen Werkzeugen begrenzt. Diese Einschränkungen wurden in einer von Biologen erfolgreich durchgeführten DOE überwunden und lieferten Daten über komplexe Wechselwirkungen innerhalb einer biochemischen Reaktion.
