Normalisation des mesures plaque à plaque à l'aide de contrôles positifs et négatifs entre parenthèsesJe ne sais pas comment analyser au mieux une conception expérimentale commune pour les flux de travail de laboratoire sur plaques de microtitration pour nos utilisateurs.
Un besoin courant est d'effectuer des mesures expérimentales sur un grand nombre de traitements (souches bactériennes, par exemple), avec plus de traitements dans l'analyse que ne peut en contenir une plaque de microtitration à 96 puits. Mon approche générale 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 ajuster et à utiliser un modèle REML pour comparer 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 bonnes performances et une souche bactérienne connue pour ses performances médiocres soient incluses sur chaque plaque. plaque (généralement en triple exemplaire, comme le sont tous les autres traitements sur la plaque). Les biologistes adorent les triples).
^ Comme ça. Tous les bleus sont des traitements expérimentaux en triple, avec l'emplacement des plaques d'échantillons individuels randomisé dans les plaques suivantes.
L'idée est que nous devrions pouvoir utiliser ces contrôles pour « mettre entre parenthèses » 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 entre les plaques, représentant la variation d’une plaque à l’autre non seulement en moyenne globale, mais aussi l’effet d’une bonne performance de déformation.
Cependant, en ce qui concerne l'analyse, je ne parviens pas à penser ou à trouver une méthode utilisant 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 la plage entre elles et utilisera ces informations 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 les performances sont supérieures au contrôle positif, <0 si les performances sont inférieures au 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 qui n'inclut pas la "plaque" comme facteur et obtenir une comparaison de toutes les souches bactériennes sur toutes les plaques, mais j'ai l'impression de tricher.
Est-ce la meilleure façon de gérer ce type de conception ? Existe-t-il des méthodologies bibliographiques/JMP plus valables pour cette analyse ?
Merci d'avance pour toute expertise de la communauté !
Conception d'expériencesObjet : Normalisation des mesures plaque à plaque à l'aide de contrôles positifs et négatifs entre parenthèsesJe pense que cette question peut être divisée en deux parties.
1. Normalisation des échantillons à un contrôle
2. Modèles expérimentaux pour plaques de microtitration
Essayez la normalisation intuitive vers un support basé sur 3 répétitions.
Je suis biologiste moléculaire, donc j'ai en quelque sorte le désir historique que n = 3 soit le bon nombre. Je suis aussi 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 donne une mauvaise estimation de la moyenne. Ceci est de nature biologique, donc un CV de 10 % pourrait être plutôt 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 également très importante. Par exemple, si le CV d'un contrôle est supérieur à n %, jetez la plaque et réessayez. Notez que je n'ai pas dit quelle devrait être la hauteur du contrôle n. Cela dépend de vous, mais DOE>Design Diagnostics>Sample Size est un bon point de départ. Et vous l’avez probablement déjà compris, mais le communiquer à ces biologistes denses devra 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 celle d'un contrôle positif ou négatif, soit la précision des répétitions 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 de près de 2 fois, s'il existe réellement.
J'imagine qu'ils pourraient prendre la moyenne du contrôle positif et 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 de composer deux fois la mesure de contrôle et de l'ajouter à la mesure de l'article de test. Les composantes de la variance s'ajoutent, c'est vrai, donc maintenant l'erreur sur l'estimation de l'effet de déformation est probablement 3 fois plus élevée. Signaler séparément le pourcentage de négatifs et le pourcentage de positifs aide un peu.
Je reviendrai plus tard et parlerai de conception et d'analyse.
