Normalización de mediciones de placa a placa mediante controles positivos y negativos entre paréntesisNo sé cómo analizar mejor un diseño experimental común para los flujos de trabajo de laboratorio de placas de microtitulación para nuestros usuarios.
Una necesidad común es realizar mediciones experimentales en una gran cantidad de tratamientos (cepas bacterianas, por ejemplo), con más tratamientos en el análisis de los que caben en una placa de microtitulación de 96 pocillos. Mi enfoque general para esto es usar la plataforma de diseño personalizado para usar un factor de bloqueo con 96 ejecuciones por bloque y aleatorizar todas las placas necesarias para que quepa todo y usar un modelo REML para comparar entre placas. Sin embargo, muchos de los científicos a los que apoyo usan lo que parece un enfoque intuitivo para manejar las posibles diferencias entre placas, y no puedo encontrar un método para analizar este enfoque.
El enfoque intuitivo de este diseño es incluir un control "positivo" y "negativo" en cada placa, de modo que, digamos, una cepa bacteriana que se sabe que funciona bien y una cepa bacteriana que se sabe que funciona mal se incluye en cada placa. placa (generalmente por triplicado, al igual que todos los demás tratamientos en la placa). A los biólogos les encantan los triplicados).
^ Así. Todos los azules son tratamientos experimentales por triplicado, con la ubicación de la placa de muestras individuales al azar en placas posteriores.
La idea es que deberíamos poder usar estos controles para "agrupar" el rendimiento de los tratamientos experimentales y comprender dónde se encuentran entre el + y el - en sus respectivas placas. Intuitivamente, el paréntesis +/- forma una "ventana" deslizante de normalización entre placas, lo que representa la variación de placa a placa no solo en la media general sino también en el efecto de un buen rendimiento de deformación.
Sin embargo, cuando se trata de análisis, no puedo pensar ni encontrar un método que use este enfoque de horquillado sin perder la información disponible sobre los controles. Por lo general, el científico tomará la media del control negativo, la media del control positivo y el rango entre ellas y usará esa información para calcular un valor por pozo sin control que represente la posición del pozo a lo largo de ese rango (entre 0 y 1 si está entre los dos, >1 si supera al control positivo, <0 si tiene un rendimiento inferior al del control negativo). A continuación, los controles se excluyen de análisis posteriores. Esto "funciona" en el sentido de que podemos ejecutar un modelo de regresión o una comparación de medios que no incluye "placa" como factor y obtener una comparación de todas las cepas bacterianas en todas las placas, pero me parece una trampa.
¿Es esta la mejor manera de manejar este tipo de diseño? ¿Hay alguna literatura/metodologías JMP que sean más válidas para este análisis?
¡Gracias de antemano por cualquier experiencia de la comunidad!
AnalíticaGAMARe: Normalización de mediciones de placa a placa utilizando controles positivos y negativos entre paréntesisCreo que esta pregunta se puede dividir en dos partes.
1. Normalización de muestras a un control
2. Diseños experimentales para placas de microtitulación.
Tomando una puñalada en la normalización intuitiva a un soporte basado en 3 repeticiones.
Soy biólogo molecular, así que tengo el deseo histórico de que n=3 sea el número correcto. También soy un estadístico aplicado, y me río mientras hago un gesto grosero en n = 3. Dependiendo de la variación en la medida de control, n=3 proporciona una mala estimación de la media. Esto es de naturaleza biológica, por lo que un CV del 10% podría ser bastante bueno, pero probablemente sea más alto. También pasé algún tiempo en el mundo cGMP, por lo que establecer criterios de aceptación para los controles probablemente también sea muy importante. por ejemplo, si el CV de un control es superior al n%, deseche la placa y vuelva a intentarlo. Tenga en cuenta que no dije qué tan alto debería ser el control n. Eso depende de usted, pero DOE>Diagnóstico de diseño>Tamaño de muestra es un buen lugar para comenzar. Y probablemente ya entiendas esto, pero comunicárselo a esos biólogos densos tendrá que incluir imágenes.
Como ejemplo, imagina que estás midiendo algo que tiene una media de alrededor de 100 y una desviación estándar de alrededor de 10. Con n=3, la diferencia que puede detectar es de aproximadamente 189, pero con n=25 podemos detectar una diferencia de poco menos de 12.
En el caso del experimento de microtitulación. Si quiero decir que la tensión de mi muestra es mayor o menor que un control positivo o negativo, la precisión de las réplicas debe ser fenomenal o el tamaño de la muestra debe ser mayor, porque en realidad, a menos que las diferencias estén en una escala logarítmica en realidad, no son capaces de detectar un cambio de casi 2 veces, si es que realmente existe.
Puedo imaginar que podrían tomar la media del control positivo y la media del control negativo y escalar todo el resto de la medición a un rango de 0 a 1 para comparar placas. El zinger con n = 3 es que ahora acabamos de combinar la medición de control dos veces y agregarla a la medición del artículo de prueba. Los componentes de varianza se suman, correcto, por lo que ahora el error en la estimación del efecto de deformación es probablemente 3 veces mayor. Informar el porcentaje de negativo y el porcentaje de positivo por separado ayuda un poco.
Volveré más tarde y hablaré sobre diseño y análisis.
