Une partie de la réticence ici pourrait être le langage que nous utilisons. Peut-être que cela aurait dû être langues . Le scientifique parle de plaques et de puits, de pipetage et de dilution, de temps d'incubation, de concentration, etc. Le statisticien, d'autre part, (indirectement via l'interface utilisateur JMP pour la conception personnalisée et directement via les réponses ici) parle des types de facteurs, des niveaux de facteurs faciles, difficiles ou très difficiles à modifier, des graphiques entiers et des sous-graphiques, des blocages , et ainsi de suite.
Est-ce que tu as compris tout ça? Probablement pas. C'est normal.
Nous devons donc prendre le temps de nous expliquer aux autres personnes dans la discussion. Plus le sujet et les problèmes sont avancés, plus il faut d'explications pour communiquer pleinement le problème et la solution.
Je pense que cette question de conception d'un expérience sophistiquée avec des restrictions sur la randomisation est important et, par conséquent, cette discussion pourrait aider de nombreux utilisateurs dans une situation similaire. C'est un excellent exemple de ce que nous espérions que cet espace de discussion de la communauté JMP pourrait être pour nous tous. Je suis déconcerté qu'il n'y ait eu aucune activité depuis deux semaines. Je doute que ce soit parce que la dernière réponse a répondu à toutes les questions restantes.
J'espère que la discussion reprendra. Voici quelques points qui, je l'espère, susciteront plus de réponses :
- En quoi ce cas ressemble-t-il au vôtre si vous développez des tests ? En quoi est-ce différent ?
- Avez-vous les mêmes restrictions sur la randomisation des analyses (puits) ? Plus? Moins? Juste différent?
- Les restrictions sur la randomisation ont clairement un impact sur la commodité d'exécution de la conception. L'impact de la restriction sur l'analyse est-il tout aussi clair ? Que pourrait-il advenir de mon interprétation du modèle de régression si la restriction est ignorée dans l'analyse ?
- Quelles sont les pratiques que vous trouvez bénéfiques lors de la conception, de l'exécution ou de l'analyse d'une expérience avec des restrictions ?
(Notez qu'il existe une autre discussion connexe lancée par le même utilisateur. Je vais cross-poster cet appel à l'action et que la meilleure discussion gagne !)
Je vais continuer à utiliser la conception personnalisée JMP. À bien des égards, il s'agit d'une expérience ordinaire avec des restrictions sur la randomisation. J'essaie de garder le processus de réflexion et la conception finale aussi simples que possible. (Cela pourrait nécessiter un raffinement - peut-être beaucoup de raffinement !)
J'ai utilisé vos définitions pour faire un dessin. Voici les points saillants :
- Tous les facteurs sont entrés exactement tels que vous les avez définis, à deux exceptions près.
- Défini le rapport de plasmide comme le rapport de plasmide log10 pour une valeur faible de -3 et une valeur élevée de -1. Pourquoi? Parce que ce facteur représente votre réflexion sur les étapes de dilution et cette transformation rend ce changement linéaire et simplifie la modélisation.
- Je n'aime vraiment pas zéro pour la faible valeur d'un facteur continu. Cette définition en fait essentiellement un facteur catégoriel : absent versus présent. J'ai en fait laissé la valeur basse pour la concentration sérique à 0% mais je recommande une valeur basse comme 1% : basse mais présente.
- Le nombre de niveaux pour chaque facteur est déterminé par le modèle. L'inclusion de termes d'ordre supérieur nécessitera davantage de niveaux de facteurs. D'autre part, de nombreux niveaux sont inutiles (et inefficaces - faible contenu informationnel - si le modèle est relativement simple.
- Je ne pense pas que nous ayons besoin de traiter explicitement les colonnes et les lignes de la plaque comme des facteurs bloquants dans la conception.
- Vous préférez travailler avec une demi-assiette à la fois, en soustrayant une colonne de chaque moitié pour les essais de contrôle.
- Ce choix définit la taille d'un ensemble de parcelles dans la conception, 40 puits.
- Le nombre de cellules doit être le même pour les deux types de cellules sur une plaque, donc ce facteur est très difficile à changer .
- Le numéro de cellule devient le facteur de tracé entier.
- Ses effets seront estimés avec la plus faible précision.
- Cette décision signifie que vous ne pouvez pas réduire beaucoup le nombre de plaques. Quatre plaques pourraient être un minimum pratique pour la modélisation.
- Cette conception fournit 80 % de puissance si l'effet est au moins 7 fois l'écart type.
- Le type de cellule et la concentration sérique doivent être les mêmes pour la moitié de la plaque, de sorte que ces facteurs sont à la fois difficile à changer .
- Le type de cellule et la concentration sérique deviennent les facteurs de sous-parcelle.
- Leurs effets seront estimés avec la deuxième précision la plus faible.
- Cette conception fournit les mêmes 80 % si leurs effets sont au moins 4 fois l'écart type.
- Il semble que vous ayez beaucoup de réplication, mais cela n'est apprécié que par les facteurs faciles à modifier, le rapport plasmidique, le temps d'intégration et le temps post-transfection.
- Je ne suis pas sûr de ce que la réplication et la randomisation signifient pour ces facteurs, car vous aurez probablement affaire à une assiette ou à une demi-assiette à la fois ici aussi.
Le script suivant fera la conception dont je parle pour votre examen et considération.
DOE(
Custom Design,
{Add Response( Maximize, "Dynamic Range", ., ., . ),
Add Factor( Continuous, 10000, 50000, "Cell Number", 2 ),
Add Factor( Continuous, -3, -1, "Log10 PLasmid Ratio", 0 ),
Add Factor( Continuous, 0, 4, "Serum Concentration", 1 ),
Add Factor( Categorical, {"HELA", "HEK293"}, "Cell Type", 1 ),
Add Factor( Continuous, 5000, 30000, "Integration Time", 0 ),
Add Factor( Discrete Numeric, {24, 48, 72}, "Time Post Transfection", 0 ),
Set Random Seed( 556681383 ), Number of Starts( 3 ), 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 Potential Term( {6, 2} ),
Add Alias Term( {1, 1}, {2, 1} ), Add Alias Term( {1, 1}, {3, 1} ),
Add Alias Term( {1, 1}, {4, 1} ), Add Alias Term( {1, 1}, {5, 1} ),
Add Alias Term( {1, 1}, {6, 1} ), Add Alias Term( {2, 1}, {3, 1} ),
Add Alias Term( {2, 1}, {4, 1} ), Add Alias Term( {2, 1}, {5, 1} ),
Add Alias Term( {2, 1}, {6, 1} ), Add Alias Term( {3, 1}, {4, 1} ),
Add Alias Term( {3, 1}, {5, 1} ), Add Alias Term( {3, 1}, {6, 1} ),
Add Alias Term( {4, 1}, {5, 1} ), Add Alias Term( {4, 1}, {6, 1} ),
Add Alias Term( {5, 1}, {6, 1} ),
Set N Whole Plots( 4 ),
Set N Subplots( 8 ),
Set Sample Size( 320 ),
Make Design,
Change Anticipated Coefficients( [1 3.5 1 2 2 1 1 1] ),
Set RMSE( 1 ),
Set Run Order( Keep the Same )}
);
Je m'attends à ce que vous ayez des problèmes avec cela, mais je fais de mon mieux sur la base des informations que vous m'avez fournies.
Vous pouvez renommer les parcelles entières en plaque et les sous-parcelles en demi-plaque si vous le souhaitez pour plus de clarté.
Merci beaucoup pour la réponse rapide. Je vais certainement fournir un exemple clair d'une expérience que j'essaie de mettre en place, et j'espère que vous pourrez m'aider à mettre en place le DOE comme exemple.
J'ai un test Nanobret conçu pour mesurer l'interaction GR / GR, que je souhaite d'abord optimiser pour la plage dynamique. J'ai un contrôle positif, dans ce cas la dexaméthasone, qui devrait produire le signal maximal dans le test et un contrôle véhicule (qui représente le bruit de base dans le test). Il existe un certain nombre de variables qui pourraient influencer les performances de ce test. Ces variables comprennent
1. Numéro de cellule (suite) Plage suggérée : 5 000 - 30 000
2. Rapport plasmidique (suite) 0,1 - 0,001
3. Concentration sérique (suite) 0 % - 4 %
4. Type de cellule (chat) HELA, HEK293
5. Temps d'intégration (suite) 0,1 - 2 secondes
6. Temps post-transfection (suite ou chat ?) 24, 48, 78 heures (cela peut être continu mais le flux de travail expérimental est également un problème)
Maintenant, je travaille dans des plaques à 96 puits et je dois en réserver environ 8 pour les contrôles dans cette plaque (je pourrais doubler cela pour supprimer un nombre pair de colonnes, de sorte que le placage des cellules uniformément dans deux blocs soit plus facile) Le reste de la plaque peut être utilisé pour le DOE.
La seule chose que je dois garder à l'esprit est le flux de travail expérimental, c'est-à-dire. il est presque impossible d'avoir 20 concentrations de nombre de cellules différentes par plaque. (il
serait formidable de n'avoir que deux types de cellules chacun à la fois concentration par plaque à 96 puits) Bien que je puisse plaquer les deux types de cellules sur une plaque, je voudrais bloquer la plaque afin qu'elle soit divisée en deux (c'est-à-dire que la moitié de la plaque a une cellule et l'autre moitié a l'autre) La concentration de sérum serait également préférable de s'en tenir à deux par plaque (une concentration différente par bloc de cellules, mais cela pourrait être plus facile à contrôler en rangées) Je voudrais garder le nombre de plaques ci-dessous 5 si possible, mais je suis ouvert aux suggestions basées sur le DOE.
J'espère que j'ai tout expliqué clairement ici. Il serait vraiment utile que quelqu'un puisse fournir un exemple de la meilleure façon de procéder, en particulier en gardant à l'esprit le flux de travail expérimental.
Je suis sûr que toute personne ayant une expérience de banc comprendra où je veux en venir avec ce problème.
Merci d'avance!
Les principes du DOE se traduisent bien dans le domaine du développement des tests. J'ai travaillé en R&D dans ce domaine pendant quinze ans et j'ai beaucoup utilisé le DOE à des fins de criblage et d'optimisation. Moi aussi, je suis étonné du manque de matériel d'apprentissage sur le DOE en ce qui concerne la R&D pharmaceutique. J'ai également constaté que plus de la moitié des articles que j'ai rencontrés étaient erronés ou trompeurs. (Peut-être que l'évaluation par les pairs échoue lorsque vos pairs ignorent également le sujet.) Voici une bonne source d'informations si vous apprenez bien d'un livre par vous-même : Conception optimale des expériences : une approche d'étude de cas par Peter Goos et Bradley Jones.
Je vous crois quand vous dites que vous avez eu des difficultés à mettre en place votre expérience avec des plaques de microtitration. (BTW, jetez un coup d'œil dans la zone d'échange de fichiers ici dans la communauté JMP pour mon article et des documents sur fichiers de forme personnalisés pour Graph Builder !) Mais vous devriez être en mesure de concevoir une expérience pour cet appareil. Je viens de concevoir une expérience à deux facteurs pour un modèle polynomial du second ordre avec un facteur de blocage à huit niveaux Ligne et un facteur de blocage à douze niveaux Col . (Voir l'exemple de tableau de données ci-joint.) La conception est randomisée dans le dernier bloc, mais vous pouvez organiser les rangées selon vos besoins en fonction de la configuration de vos assiettes. Veuillez examiner cet exemple et l'utiliser pour poser d'autres questions.
Cela nous aiderait si vous pouviez partager des détails plus spécifiques sur ce que vous essayez de faire, sur ce avec quoi vous rencontrez des difficultés ou sur des situations spécifiques lorsque JMP échoue.
