Utilizando el diseño de modelos experimentales para mejorar el desarrollo de ensayos en biología de alto rendimiento
Diana Ballard, Estadística Consultora Senior, Predictum Inc.
Samuel Hasson, PhD, investigador en farmacología, institutos nacionales de salud
Wayne Levin, Presidente, Predictum Inc.
La biología de alto rendimiento se ha convertido en una plataforma ubicua para la genómica funcional, la biología química y el descubrimiento de fármacos. Si bien una multitud de tecnologías, como las imágenes celulares automatizadas, han avanzado para respaldar las capacidades de las exploraciones basadas en microplacas y matrices, ha habido una falta de innovación en el proceso de desarrollo de ensayos. Antes de la selección primaria, el diseño del ensayo, la miniaturización y la optimización para campañas de alto rendimiento a menudo pueden implicar un panorama diverso de variables potenciales. Los científicos a menudo se aproximan al desarrollo de ensayos ajustando las condiciones experimentales de forma independiente, ignorando principios importantes como la aleatorización y la variación del tamaño de las unidades experimentales. Desde un punto de vista estadístico, este método es lento, gasta grandes cantidades de reactivos costosos y se arriesga a perder o atribuir información errónea. Las prácticas convencionales también pueden fallar en identificar interacciones complejas. La adaptación de los enfoques de diseño moderno de experimentos (DOE) al cribado de alto rendimiento (HTS) ofrece un marco mucho más eficiente y perspicaz para el desarrollo de ensayos. Sin embargo, la aplicación de diseños de DOE contemporáneos por parte de biólogos se ha visto limitada en parte a las matemáticas avanzadas requeridas y la falta de herramientas adaptadas a los entornos de HTS. Esas limitaciones se han superado en un DOE ejecutado con éxito por los biólogos, proporcionando datos sobre interacciones complejas dentro de una reacción bioquímica.
