Normalizzazione delle misurazioni da piastra a piastra utilizzando controlli positivo e negativo con parentesiSono perplesso su come analizzare al meglio un progetto sperimentale comune per i flussi di lavoro di laboratorio delle piastre per microtitolazione per i nostri utenti.
Una necessità comune è quella di eseguire misurazioni sperimentali su un gran numero di trattamenti (ceppi batterici, ad esempio), con più trattamenti nell'analisi di quelli che si adattano a una piastra per microtitolazione a 96 pozzetti. Il mio approccio generale a questo è quello di utilizzare la piattaforma Custom Design per utilizzare un fattore di blocco con 96 corse per blocco e randomizzare su tutte le piastre necessarie per adattarsi a tutto e utilizzare un modello REML per confrontare le piastre. Tuttavia, molti degli scienziati che supporto usano quello che sembra un approccio intuitivo per gestire le potenziali differenze da piatto a piatto e non riesco a trovare un metodo per analizzare questo approccio.
L'approccio intuitivo a questo progetto consiste nell'includere un controllo "positivo" e "negativo" su ciascuna piastra, in modo che, diciamo, un ceppo batterico noto per funzionare bene e un ceppo batterico noto per funzionare male sia incluso in ogni piastra (solitamente in triplice copia, come tutti gli altri trattamenti presenti sulla piastra. I biologi amano i triplicati).
^ In questo modo. Tutti i blues sono trattamenti sperimentali in triplice copia, con la localizzazione su piastra di singoli campioni randomizzati in piastre successive.
L'idea è che dovremmo essere in grado di utilizzare questi controlli per "mettere tra parentesi" le prestazioni dei trattamenti sperimentali e capire dove cadono tra il + e il - sulle rispettive piastre. Intuitivamente, la staffa +/- forma una "finestra" scorrevole di normalizzazione attraverso le piastre, rappresentando la variazione da piastra a piastra non solo nella media complessiva, ma anche l'effetto di una buona prestazione di deformazione.
Quando si tratta di analisi, tuttavia, non riesco a pensare oa trovare un metodo che utilizzi questo approccio di bracketing senza perdere le informazioni disponibili sui controlli. In genere, lo scienziato prenderà la media del controllo negativo, la media del controllo positivo e l'intervallo tra di loro e utilizzerà tali informazioni per calcolare un valore per pozzetto non di controllo che rappresenta la posizione del pozzetto lungo tale intervallo (tra 0 e 1 se tra i due,> 1 se sovraperforma il controllo positivo, <0 se sottoperforma il controllo negativo). I controlli vengono quindi esclusi da ulteriori analisi. Questo "funziona" nel senso che possiamo eseguire un modello di regressione o un confronto di mezzi che non include "piastra" come fattore e ottenere un confronto di tutti i ceppi batterici su tutte le piastre, ma mi sembra un inganno.
È questo il modo migliore per gestire questo tipo di design? Esiste una letteratura / metodologie JMP più valide per questa analisi?
Grazie in anticipo per qualsiasi esperienza dalla comunità!
AnalyticsDOEOggetto: normalizzazione delle misurazioni da piastra a piastra utilizzando controlli positivo e negativo tra parentesiPenso che questa domanda possa essere divisa in due parti.
1. Normalizzare i campioni in un controllo
2. Progetti sperimentali per piastre per microtitolazione
Facendo una pugnalata alla normalizzazione intuitiva a una staffa basata su 3 repliche.
Sono un biologo molecolare, quindi ho il desiderio storico che n = 3 sia il numero giusto. Sono anche uno statistico applicato e rido gesticolando sgarbatamente a n = 3. A seconda della variazione nella misurazione di controllo, n = 3 fornisce una stima scadente della media. Questo è di natura biologica, quindi un CV del 10% potrebbe essere abbastanza buono, ma probabilmente è più alto. Ho anche trascorso un po 'di tempo nel mondo di cGMP, quindi anche l'impostazione dei criteri di accettazione per i controlli è probabilmente piuttosto importante. ad esempio, se il CV per un controllo è superiore a n%, gettare la piastra e riprovare. Nota non ho detto quanto dovrebbe essere alto il controllo n. Dipende da te, ma DOE> Design Diagnostics> Sample Size è un buon punto di partenza. E probabilmente l'hai già capito, ma comunicarlo a quei biologi densi dovrà includere immagini.
Ad esempio, immagina di misurare qualcosa che ha una media di circa 100 e una deviazione standard di circa 10. Con n = 3 la differenza che puoi rilevare è di circa 189, ma con n = 25 possiamo rilevare una differenza di poco inferiore a 12.
Nel caso dell'esperimento della microtitolazione. Se voglio dire che il ceppo del mio campione è maggiore o minore di un controllo positivo o negativo, o la precisione delle repliche deve essere fenomenale o la dimensione del campione deve essere maggiore, perché in realtà, a meno che le differenze non siano su scala logaritmica non sono effettivamente in grado di rilevare un cambiamento di quasi 2 volte, se esiste effettivamente.
Posso immaginare che potrebbero prendere la media del controllo positivo e la media del controllo negativo e scalare tutto il resto della misurazione su un intervallo da 0 a 1 per confrontare le piastre. Lo zinger con n = 3 è che ora abbiamo appena composto la misurazione di controllo due volte e l'abbiamo aggiunta alla misurazione dell'articolo di prova. Le componenti della varianza si aggiungono, giusto, quindi ora l'errore sulla stima dell'effetto di deformazione è probabilmente 3 volte maggiore. Riportare separatamente la percentuale di negativo e la percentuale di positivo aiuta un po '.
Tornerò più tardi e parlerò di progettazione e analisi.
