Normalisation des mesures plaque à plaque à l'aide de contrôles positifs et négatifs croisésJe ne sais pas comment analyser au mieux une conception expérimentale commune pour les flux de travail de laboratoire de plaques de microtitration pour nos utilisateurs.
Un besoin courant est d'exécuter des mesures expérimentales sur un grand nombre de traitements (souches bactériennes, par exemple), avec plus de traitements dans l'analyse que ce qui conviendra sur une plaque de microtitration à 96 puits. Mon approche générale à ce sujet consiste à utiliser la plate-forme de conception personnalisée pour utiliser un facteur de blocage avec 96 exécutions par bloc et à randomiser toutes les plaques nécessaires pour tout adapter et à utiliser un modèle REML pour comparer entre les plaques. Cependant, de nombreux scientifiques que je soutiens utilisent ce qui semble être une approche intuitive pour gérer les différences potentielles d'une plaque à l'autre, et je ne trouve pas de méthode pour analyser cette approche.
L'approche intuitive de cette conception consiste à inclure un contrôle «positif» et «négatif» sur chaque plaque, de sorte que, par exemple, une souche bactérienne connue pour ses performances et une souche bactérienne connue pour ses performances médiocres soient incluses sur chaque plaque. plaque (généralement en triple, comme le sont tous les autres traitements sur la plaque. Les biologistes aiment les triples).
^ Comme ça. Tous les bleus sont des traitements expérimentaux en triple, avec l'emplacement des plaques d'échantillons individuels randomisés dans les plaques suivantes.
L'idée est que nous devrions pouvoir utiliser ces contrôles pour «encadrer» les performances des traitements expérimentaux et comprendre où ils se situent entre le + et le - sur leurs plaques respectives. Intuitivement, le support +/- forme une "fenêtre" glissante de normalisation à travers les plaques, représentant la variation plaque à plaque non seulement en moyenne globale mais l'effet d'une bonne performance de déformation.
En ce qui concerne l'analyse, cependant, je ne peux pas penser ou trouver une méthode qui utilise cette approche de bracketing sans perdre les informations disponibles sur les contrôles. En règle générale, le scientifique prendra la moyenne du contrôle négatif, la moyenne du contrôle positif et l'intervalle entre eux et utilisera cette information pour calculer une valeur par puits non témoin représentant la position du puits le long de cette plage (entre 0 et 1 si entre les deux,> 1 si surperformance le contrôle positif, <0 si sous-performer le contrôle négatif). Les contrôles sont ensuite exclus des analyses ultérieures. Cela «fonctionne» dans le sens où nous pouvons exécuter un modèle de régression ou une comparaison des moyens qui n'inclut pas la «plaque» comme facteur et obtenir une comparaison de toutes les souches bactériennes sur toutes les plaques, mais cela me donne l'impression de tricher.
Est-ce la meilleure façon de gérer ce type de design? Existe-t-il une littérature / des méthodologies JMP plus valables pour cette analyse?
Merci d'avance pour toute expertise de la communauté!
AnalytiqueBICHERe: Normalisation des mesures plaque à plaque à l'aide de contrôles positifs et négatifs croisésJe pense que cette question peut être divisée en deux parties.
1. Normalisation des échantillons à un contrôle
2. Modèles expérimentaux de plaques de microtitration
Essayer la normalisation intuitive sur un support basé sur 3 répliques.
Je suis un biologiste moléculaire, donc j'ai en quelque sorte le désir historique que n = 3 soit le bon nombre. Je suis aussi un statisticien appliqué et je ris en faisant des gestes grossiers à n = 3. En fonction de la variation de la mesure de contrôle, n = 3 fournit une mauvaise estimation de la moyenne. C'est de nature biologique, donc un CV de 10% peut être assez bon, mais il est probablement plus élevé. J'ai également passé du temps dans le monde cGMP, donc la définition de critères d'acceptation pour les contrôles est probablement assez importante aussi. Par exemple, si le CV d'un contrôle est supérieur à n%, jetez la plaque et réessayez. Notez que je n'ai pas dit à quelle hauteur le contrôle n devrait être. Cela dépend de vous, mais DOE> Design Diagnostics> Sample Size est un bon point de départ. Et vous comprenez probablement déjà cela, mais le communiquer à ces biologistes denses va devoir inclure des images.
À titre d'exemple, imaginez que vous mesuriez quelque chose qui a une moyenne d'environ 100 et un écart type d'environ 10. Avec n = 3, la différence que vous pouvez détecter est d'environ 189, mais avec n = 25, nous pouvons détecter une différence légèrement inférieure à 12.
Dans le cas de l'expérience de microtitrage. Si je veux dire que la souche de mon échantillon est supérieure ou inférieure à un contrôle positif ou négatif, soit la précision des répliques doit être phénoménale, soit la taille de l'échantillon doit être plus grande, car en réalité, à moins que les différences ne soient sur une échelle logarithmique ils ne sont pas réellement capables de détecter un changement presque double, s'il existe réellement.
Je peux imaginer qu'ils pourraient prendre la moyenne du positif et de la moyenne du contrôle négatif et mettre à l'échelle tout le reste de la mesure sur une plage de 0 à 1 pour comparer les plaques. Le zinger avec n = 3 est que nous venons maintenant de composer deux fois la mesure de contrôle et de l'ajouter à la mesure de l'article d'essai. Les composantes de la variance s'ajoutent, à droite, donc maintenant l'erreur sur l'estimation de l'effet de déformation est probablement 3 fois plus élevée. Signaler séparément le pourcentage de négatif et le pourcentage de positif, aide un peu.
Je reviendrai plus tard et parlerai de conception et d'analyse.
