반복실험을 통해 96웰 및 384웰 플레이트 디자인 설정안녕하세요, JMP 과학자 여러분,
저는 실험에서 제어할 수 있는 매개변수를 최적화하기 위해 DOE를 사용하는 일부 세포 기반 분석 개발 프로젝트를 진행하고 있습니다.
합리적인 수준의 복제를 얻고 가장자리 효과를 피하기 위해 96 및 384 웰 플레이트에 대한 레이아웃을 설정하는 것은 일종의 고통입니다. 로봇으로 전체 플레이트를 무작위로 추출하지 않는 좋은 전략이 있습니까? (무작위화에 더 적합한 특정 변수에 대한 액체 처리기가 있지만) 어떤 종류의 디자인과 어떤 용어(예: 상호작용, 2차, 3차..) 디자인에 넣는 거야? DOE 맞춤형 설계 생성기에서 '복제본'을 어떻게 처리합니까? 최대한 많은 피드백을 받고 싶습니다. 나는 DOE의 힘과 유용성을 이해하고 있으며 개종자입니다. 그러나 마침내 이러한 노력을 시작하고 일상적인 분석 개발 및 실험 설계에 활용하는 데 도움이 필요합니다.
감사합니다!
실험 설계답장: JMP 과학자들에게 전화따라서 이는 좀 더 복잡해집니다. 고려해야 할 실질적인 해결책은 세포 농도가 다른 플레이트를 사용하여 약물, 완충액 및 혈청에 대해 동일한 플레이트 레이아웃을 반복하는 것입니다. 그런 다음 배양 시간을 해결하기 위해 적절한 시점에 플레이트를 당길 수 있도록 각 세포 농도에서 여러 플레이트를 준비할 수 있습니다.
물론 세포 농도. 2차 모델 항을 지원하려면 최소한 세 가지 수준이 필요합니다.
시간은 다르게 처리됩니다. 각 시점을 개별적으로 분석할 수도 있고 DOE 분석 외부에서 반응 대 시간에 대한 곡선(맞춤 곡선)을 맞출 수도 있습니다. 그러면 곡선의 매개변수(기울기, 점근선, 변곡점/EC50 등)가 DOE 테이블의 응답이 됩니다. 시계열 데이터 매개변수화에 대한 게시물이 아직 없다면 나중에 누군가(또는 나)에게 좋은 주제가 될 것입니다.
이는 상당히 큰 실험이 될 수 있지만 이것이 바로 피펫팅 로봇의 목적입니다.
보너스 질문입니다. 전체 플롯과 하위 플롯의 변경은 요소가 너무 적거나 거의 영향을 미치지 않을 것으로 예상됩니다. 하지만 모든 것이 그렇듯이 먼저 확인하세요. 두 가지 설계를 모두 작성한 다음 설계 비교 도구(DOE/설계 진단)를 사용하십시오.
답장: JMP 과학자들에게 전화매우 유용한 정보를 제공해 주셔서 감사합니다!
이를 사용하여 다음과 같은 디자인을 만들었습니다.
PlateLayout.PNG
이제 한 플레이트에서 세포 밀도를 변화시키는 것이 가능하지만 액체 처리기를 사용하여 세포를 피펫팅하는 작업을 주의 깊게 수행해야 하기 때문에 매우 지루합니다. 간단히 말해서: 플레이트 사이에서 셀 밀도를 변경하고 싶지만 웰에서는 그렇지 않습니다. 또 다른 요인은 다양한 배양 시간(여기에는 표시되지 않음)이며, 이는 웰 사이가 아닌 플레이트 사이에서만 달라질 수 있습니다. 내 접근 방식은 두 가지 "모조" 요소, 즉 배양 시간과 세포 밀도를 실제 거래로 사용하는 것이지만 올바른 결과를 제공하지는 않습니다.그런 다음 상호 작용 및 2차 항을 포함하여 이러한 요소를 모델에 적용해야 합니다. 내 실수는 어디에 있습니까? 아니면 어떻게 접근해야 할까요?
그리고 보너스 질문:
가장자리 효과를 피하기 위해 가장자리 웰을 제외하려면 전체 플롯 수를 6으로 설정하고 하위 플롯 수를 10으로 설정합니까?
미리 감사드립니다!
답장: JMP 과학자들에게 전화96개의 우물 실험을 구축합니다.
Screen Shot 2017-09-12 at 5.09.17 PM.png
이 DOE 구축 방법을 살펴보십시오. 설정을 변경하기가 매우 어려운 하드 광고에 대한 더미 변수로 사용할 4개의 연속 요인과 2개의 추가 연속 요인이 있습니다. (전체 및 하위 도표를 구성하기 위한 더미 변수) 요인 X3, X4, X5 및 X6은 실험적 사실이며 설계에는 각각에 대한 상호 작용 및 2차 모델 항이 포함됩니다. 요인 X1 및
X2는 변경하기 어렵고 매우 어려운 것으로 설정된 주효과입니다.
(Stat Speak에서 번역됨: 임의의 플레이트 레이아웃을 피펫팅할 수 있는 로봇이 있는 경우 DOE 테이블에도 플레이트 위치가 있으면 편리할 것입니다. 이 예에서는 JMP가 "하위 플롯" 및 "전체 플롯"이라는 라벨이 붙은 플레이트 위치를 제공하도록 강제하겠습니다. 이 작업을 수행하기 위해 내가 추가하는 처음 두 요소/변수/입력/X는 더미가 될 것입니다. 첫 번째 더미 X를 변경하기 어렵게 만들고 두 번째 X를 변경하기 매우 어렵게 만듭니다. 여기에서 약물, 억제제, 완충액, 보조 인자, 영양소, 탄소원 또는 연구에 관심이 있는 모든 변수를 추가하세요. 그런 다음 평소와 같이 상호 작용 및 2차 방정식과 같은 항을 모델에 추가합니다. 상호 작용 및 2차 항에 더미 X를 포함하지 않도록 매우 주의하십시오. 우리에게 필요한 것은 주효과뿐입니다.
이 마지막 단계는 이 작업을 수행하는 데 매우 중요합니다. 건너뛰지 마십시오. "변경하기 어려운 요소는 변경하기 매우 어려운 요소와 독립적으로 달라질 수 있습니다."라는 옵션이 있습니다. 반드시 확인해야 합니다. 스크립트를 살펴보면 인수에 "Make Strip Plot Design"이라는 내용이 있음을 알 수 있습니다. 이 옵션을 켜면 스크립트에서 해당 비트가 발생합니다. (Stats Speak: JMP는 전체 플롯과 서로 독립적인 하위 플롯의 무작위화를 제한하여 스트립 플롯 설계를 만들 수 있습니다.) 다음 부분도 중요합니다. 전체 도표와 하위 도표의 수를 설정한 다음 실행 횟수를 설정합니다. 플롯 중 하나는 8개, 다른 하나는 12개, 런 수는 64개여야 합니다. 과거에는 실험을 위해 8개의 열만 예약하고 마지막 3개는 대조군과 표준 곡선에 사용했습니다. 이 경우 전체 도표와 하위 도표는 모두 8이고 런 = 64입니다. 디자인 테이블을 만든 후에는 피펫팅을 위해 디자인을 로봇에 전달하는 것이 너무 어렵지 않아야 합니다.)
Screen Shot 2017-09-12 at 5.14.56 PM.png
생성된 설계에서 JMP는 96개 웰 각각의 위치로 사용할 수 있는 2개의 열에 8개의 전체 그림과 12개의 하위 그림을 제공합니다. 아래 그림에서 X3, X4, X5 및 X6은 무작위화에 대한 제한이 없으며 각 변수마다 다른 패턴이 뚜렷이 나타나 4개의 그리드로 표시됩니다.
실험이 완료된 후에는 모델에 두 개의 더미 변수를 포함하지 않는 것이 중요합니다. 기본적으로 이는 모델 스크립트에 있습니다.
디자인 스크립트
DOE(
Custom Design,
{Add Response( Maximize, "Y", ., ., . ),
Add Factor( Continuous, -1, 1, "whole plot dummy", 1 ),
Add Factor( Continuous, -1, 1, "sub plot dummy", 2 ),
Add Factor( Continuous, -1, 1, "X3", 0 ),
Add Factor( Continuous, -1, 1, "X4", 0 ),
Add Factor( Continuous, -1, 1, "X5", 0 ),
Add Factor( Continuous, -1, 1, "X6", 0 ), Set Random Seed( 42 ),
Number of Starts( 10 ), Add Term( {1, 0} ), Add Term( {1, 1} ),
Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ), Add Term( {5, 1} ),
Add Term( {6, 1} ), Add Term( {3, 1}, {4, 1} ), Add Term( {3, 1}, {5, 1} ),
Add Term( {3, 1}, {6, 1} ), Add Term( {4, 1}, {5, 1} ),
Add Term( {4, 1}, {6, 1} ), Add Term( {5, 1}, {6, 1} ), Add Term( {3, 2} ),
Add Term( {4, 2} ), Add Term( {5, 2} ), Add Term( {6, 2} ),
Make Strip Plot Design, Set N Whole Plots( 8 ), Set N Subplots( 12 ),
Set Sample Size( 96 ), Optimality Criterion( 2 ), Make Design}
);
답장: JMP 과학자들에게 전화여기서 거부감의 일부는 우리가 사용하는 언어일 수 있습니다. 아마도 그랬어야 했는데 언어 . 과학자는 접시와 웰, 피펫팅과 희석, 배양 시간, 농도 등에 대해 이야기합니다. 반면에 통계학자는 (사용자 정의 설계를 위한 JMP 사용자 인터페이스를 통해 간접적으로, 여기의 답변을 통해 직접적으로) 요인 유형, 즉 요인 수준을 변경하기 쉬운지, 어려운지, 매우 어려운지, 전체 도표와 하위 도표, 차단에 대해 설명합니다. , 등등.
그거 다 받았어? 아마도 그렇지 않을 것입니다. 그것은 정상입니다.
그러므로 우리는 토론에 참여하는 다른 사람들에게 자신을 설명하는 시간을 가져야 합니다. 주제와 문제가 고급화될수록 문제와 해결책을 완전히 전달하려면 더 많은 설명이 필요합니다.
답장: JMP 과학자들에게 전화내 생각에 이것은 디자인의 문제이다. 무작위화에 제한이 있는 정교한 실험 중요하므로 이 토론은 유사한 상황에 있는 많은 사용자에게 도움이 될 수 있습니다. 이는 JMP 커뮤니티의 이 토론 영역이 우리 모두를 위한 것이 되기를 바라는 바를 보여주는 훌륭한 예입니다. 일주일동안 활동이 없어서 당황스럽네요. 마지막 답변이 나머지 질문에 모두 답했기 때문인지 의심스럽습니다.
다시 논의가 활발해졌으면 좋겠습니다. 더 많은 답변을 유도할 수 있는 몇 가지 사항은 다음과 같습니다.
- 분석법을 개발한다면 이 사례는 귀하의 사례와 어떤가요? 어떻게 다른가요?
- 실행(웰)을 무작위화하는 데에도 동일한 제한 사항이 있습니까? 더? 더 적은? 단지 다른가요?
- 무작위화에 대한 제한은 설계 실행의 실제 정도에 분명히 영향을 미칩니다. 제한사항이 분석에 어떤 영향을 미치는지 마찬가지로 명확합니까? 분석에서 제한 사항이 무시되면 회귀 모델에 대한 해석은 어떻게 되나요?
- 제한이 있는 실험을 설계, 실행 또는 분석하는 동안 어떤 방법이 도움이 됩니까?
(참고로 같은 사용자가 시작한 또 다른 관련 토론이 있습니다. 나는 이 행동 촉구를 교차 게시할 예정이며 최고의 토론이 승리할 수 있기를 바랍니다!)
답장: JMP 과학자들에게 전화나는 이 주제에 대해 확고한 의견이 있을 것이라고 확신하기 때문에 이 질문에 대해 숨어 있었습니다. 96웰 실험을 설정하는 한 가지 방법은 다음과 같습니다.
이 디자인은 제가 생각하기에 유용하다고 생각되는 몇 가지 작업을 수행합니다.
실험에는 연속 요인이 있습니다.
1. 약물, 억제제 연구에 관심이 있습니다.
2. 자극해, 그게 약물이 억제해야 하는 반응을 자극하는 거야
삼. 혈청 수준은 세포를 더 잘 성장시키지만 반응의 배경을 증가시킵니다.
그리고 몇 가지 범주형 요인:
1. 매체 유형
2. 세포주, 각 플레이트마다 다른 세포주
플레이트 설정을 합리적으로 만들기 위해 무작위화에 몇 가지 제한을 두고 싶습니다. 시간이 많으면 전체 플레이트를 완전히 무작위화하도록 피펫팅 로봇을 프로그래밍할 수 있지만, 무작위화를 제한하면 열과 행 전체에 걸쳐 농도를 동일하게 유지할 수 있으며 플레이팅이 훨씬 더 간단해집니다.
우선, 이 범위에 대해 기본적으로 384개의 웰(플레이트당 96개)과 4개의 플레이트(각 세포주당 하나씩)를 사용합니다. 제가 작업 중인 요소에 대해서는 2차 순서를 쉽게 볼 수 있습니다. 연속항에 대한 상호작용 및 2차 효과. 접시를 설치할 때 열 12개와 행 32개가 있습니다(4개의 접시 각각에 대해 8줄).
DOE 대화 상자에서 행과 열의 무작위화를 제한하겠습니다. 이는 일부 요소를 변경하기 "어렵게" 만들고 일부 요소를 "매우 어렵게" 만들어 분할 스트립 플롯 실험으로 만드는 것을 의미합니다. 전체 플롯은 하드에 해당하고 하위 플롯은 변경하기 매우 어려운 요인에 해당합니다. 따라서 12개의 하위 플롯과 32개의(8x4) 전체 플롯이 있는 경우 변경하기 어려운 항목(이 경우 약물 및 혈청)은 열 아래에서 일정하게 유지되고 각 개별 행은 플레이트 전체에서 동일합니다. 이에 대해 조금 더 설명하겠습니다. 각 기둥의 농도는 서로 다르며 전체 기둥의 농도는 동일합니다. (자신의 플레이트를 멀티채널 피펫팅하는 경우 매우 편리합니다.)
마지막으로 고려해야 할 사항은 플레이트/세포주입니다. 나에게 정말로 필요한 것은 3방향 분할 플롯이므로 셀 라인/플레이트는 "변경하기 매우 어렵습니다". 그러나 이는 옵션이 아니며 각 플레이트의 열에 대해 다른 서브플롯 패턴이 있는 것이 더 나을 수도 있습니다. 하지만 이건 꽤 좋은 것 같아요. (현실적으로 8개의 전체 플롯과 12개의 하위 플롯을 만들고 4개의 세포주 각각에 대해 동일한 플레이트 레이아웃을 사용하는 것만으로도 충분할 것이며 플레이트 레이아웃에서 오류가 발생할 가능성도 줄어듭니다.)
DOE(
Custom Design,
{Add Response( Maximize, "Y", ., ., . ),
Add Factor( Continuous, 2, 25, "Drug", 1 ),
Add Factor( Continuous, 0.02, 0.1, "Serum", 1 ),
Add Factor( Categorical, {"IMDM", "RPMI", "DMEM"}, "Media", 2 ),
Add Factor( Continuous, 5, 50, "Stim", 2 ),
Add Factor( Categorical, {"L1", "L2", "L3", "L4"}, "Plate Number", 2 ),
Set Random Seed( 550796982 ), Number of Starts( 1 ), Add Term( {1, 0} ),
Add Term( {1, 1} ), Add Term( {2, 1} ), Add Term( {3, 1} ), Add Term( {4, 1} ),
Add Term( {5, 1} ), Add Term( {1, 2} ), Add Term( {1, 1}, {2, 1} ),
Add Term( {2, 2} ), Add Term( {1, 1}, {3, 1} ), Add Term( {2, 1}, {3, 1} ),
Add Term( {1, 1}, {4, 1} ), Add Term( {2, 1}, {4, 1} ),
Add Term( {3, 1}, {4, 1} ), Add Term( {4, 2} ), Add Term( {1, 1}, {5, 1} ),
Add Term( {2, 1}, {5, 1} ), Add Term( {3, 1}, {5, 1} ),
Add Term( {4, 1}, {5, 1} ), Add Term( {1, 3} ), Add Term( {1, 4} ),
Add Term( {4, 3} ), Make Strip Plot Design, Set N Whole Plots( 32 ),
Set N Subplots( 12 ), Set Sample Size( 384 ), Optimality Criterion( 2 )
);제목: 96웰 및 384웰 플레이트 설계 및 복제본 설정 관련저는 통계적 실험계획법(DOE)과 물리적 플레이트 배치를 서로 연결되어 있지만 별개의 단계로 접근하는 것을 추천합니다. 요인, 상호작용, 이차항이 확정되면 모든 웰을 완전히 무작위화하는 대신 행, 열, 플레이트, 반복 횟수에 대한 실질적인 제약을 추가할 수 있습니다. 이는 일부 변수는 액체 핸들러로 처리할 수 있고 다른 변수는 수동 또는 다중 채널 피펫팅으로 관리하는 것이 더 쉬울 때 특히 유용해 보입니다.
반복 실험을 할 때는 모든 반복 실험을 서로 바로 옆에 배치하는 것에 주의해야 합니다. 이렇게 하면 실험 설정이 간편해질 수 있지만, 특정 플레이트의 국소적인 효과가 처리 효과로 잘못 해석될 위험이 있습니다. 독립적인 반복 실험을 플레이트의 여러 영역에 분산시키고, 가능하면 서로 다른 플레이트 또는 실험 과정에 걸쳐 진행하는 것이 플레이트 간 변이를 더 잘 감지할 수 있는 방법입니다. 다만, 실질적인 이유가 있다면 기술적 반복 실험들을 그룹화할 수도 있습니다.
384웰 플레이트 실험의 경우, 피펫팅을 시작하기 전에 플레이트의 배치도를 미리 만들어 두는 것이 좋습니다. 96 웰 플레이트 템플릿과 같은 자료를 활용하면 384웰 플레이트의 레이아웃을 구성하고, 처리 조건, 대조군, 반복 그룹, 행/열 위치 등을 표시하는 데 유용합니다. 실험계획법(DOE) 표 옆에 배치된 시각적 배치도를 참고하면 플레이트를 실제로 준비하기 전에 중복 처리나 잘못된 대조군 배치 등을 훨씬 쉽게 파악할 수 있습니다.
또한 양성 대조군, 음성 대조군, 그리고 기준 조건을 위한 별도의 웰을 남겨두는 것이 좋습니다. 이러한 대조군은 실험 설계(DOE)에서 나타나는 효과가 실제적인 것인지, 아니면 가장자리 효과, 분주 변동, 증발, 플레이트 간 편차 등으로 인한 것인지 판단할 때 특히 유용합니다. 모델을 만들 때는 불필요한 고차항이 실험 자유도를 많이 소모할 수 있으므로, 3차항을 자동으로 추가하기보다는 2차항과 생물학적으로 의미 있는 상호작용을 우선적으로 고려하는 것이 좋습니다.
