使用括號內的陽性和陰性對照標準化板間測量我對如何為我們的用戶最好地分析微量滴定板實驗室工作流程的常見實驗設計感到困惑。
常見的需求是對大量處理（例如細菌菌株）進行實驗測量，分析中的處理數量多於 96 孔微量滴定板所能容納的數量。 我的一般方法是使用定制設計平台，使用每塊 96 次運行的分塊因子，並在所有必要的板中進行隨機化以適應所有內容，並使用 REML 模型來比較板之間的情況。 然而，我支持的許多科學家使用看似直觀的方法來處理潛在的板與板之間的差異，但我找不到分析這種方法的方法。
這種設計的直觀方法是在每個板上包括“陽性”和“陰性”對照，因此，例如，每個平板上都包含已知表現良好的細菌菌株和已知表現不佳的細菌菌株。板（通常一式三份，板上的所有其他處理也是如此。 生物學家喜歡一式三份）。
^ 就這樣。 所有藍色都是一式三份的實驗處理，各個樣品的板位置在後續板中隨機化。
我們的想法是，我們應該能夠使用這些對照來“括號”實驗處理的性能，並了解它們在各自板上的 + 和 - 之間的位置。 直觀上，+/- 括號形成了板間歸一化的滑動“窗口”，不僅代表了板與板之間的變化，而且還代表了良好應變性能的影響。
然而，當談到分析時，我無法想到或找到一種使用這種包圍方法而不丟失有關控件的可用信息的方法。 通常，科學家將採用陰性對照平均值、陽性對照平均值以及它們之間的範圍，並使用該信息來計算每個非對照孔的值，該值代表該孔在該範圍內的位置（如果介於0 和1 之間，則介於0 和1 之間）兩者，>1 如果優於陽性對照，<0 如果低於陰性對照）。 然後將對照排除在進一步分析之外。 從某種意義上說，這種“有效”是指我們可以運行一個不包括“平板”作為因素的回歸模型或均值比較，並對所有平板上的所有細菌菌株進行比較，但這對我來說感覺像是作弊。
這是處理此類設計的最佳方式嗎？ 是否有任何文獻/JMP 方法對此分析更有效？
預先感謝社區提供的任何專業知識！
實驗設計回复：使用括號內的陽性和陰性對照標準化板間測量我覺得這個問題可以分為兩部分。
1. 將樣本歸一化為對照
2. 微量滴定板的實驗設計
嘗試根據 3 個重複對括號進行直觀歸一化。
我是一名分子生物學家，所以我有點理解歷史上 n=3 是正確數字的願望。 我也是一名應用統計學家，當 n=3 時，我一邊粗魯地比劃著一邊笑。 根據控制測量的變化，n=3 提供的平均值估計值很差。 這是生物學性質的，因此 10% 的 CV 可能相當不錯，但也可能更高。 我還在 cGMP 領域花了一些時間，因此為控制設置驗收標準可能也非常重要。例如，如果對照的 CV 高於 n%，則扔掉板並重試。 注意我沒有說控制 n 應該有多高。 這取決於您，但 DOE>Design Diagnostics>Sample Size 是一個不錯的起點。 你可能已經明白了這一點，但是將其傳達給那些密集的生物學家將必須包括圖片。
舉個例子，假設您正在測量平均值約為 100、標準差約為 10 的某個值。 當 n=3 時，您可以檢測到的差異約為 189，但當 n=25 時，我們可以檢測到略低於 12 的差異。
在微量滴定實驗案例中。 如果我想說我的樣本應變高於或低於陽性或陰性對照，則重複的精度需要非常高，或者樣本量需要更大，因為實際上，除非差異是對數尺度他們實際上無法檢測到近兩倍的變化（如果確實存在的話）。
我可以想像他們可能會取陽性對照的平均值和陰性對照的平均值，並將所有其餘測量值縮放到 0 到 1 的範圍來比較板。 n=3 的亮點是，現在我們剛剛將對照測量值複合兩次，並將其添加到測試物品測量值中。 方差分量相加，對吧，所以現在應變效應估計的誤差可能會高出 3 倍。 分別報告陰性百分比和陽性百分比會有一點幫助。
稍後我會回來談談設計和分析。
