Ich bin ratlos darüber, wie wir ein gemeinsames experimentelles Design für Mikrotiterplatten-Laborworkflows für unsere Benutzer am besten analysieren können.
Ein häufiger Bedarf besteht darin, experimentelle Messungen für eine große Anzahl von Behandlungen (z. B. Bakterienstämme) durchzuführen, wobei mehr Behandlungen in die Analyse einbezogen werden, als auf eine Mikrotiterplatte mit 96 Vertiefungen passen. Mein allgemeiner Ansatz hierfür ist die Verwendung der Custom Design-Plattform, um einen Blockierungsfaktor mit 96 Läufen pro Block zu verwenden und alle erforderlichen Platten zufällig zu sortieren, um alles zu passen, und ein REML-Modell zu verwenden, um plattenübergreifend zu vergleichen. Viele der von mir unterstützten Wissenschaftler verwenden jedoch einen scheinbar intuitiven Ansatz zum Umgang mit potenziellen Unterschieden zwischen Platten, und ich kann keine Methode finden, um diesen Ansatz zu analysieren.
Der intuitive Ansatz für dieses Design besteht darin, eine "positive" und "negative" Kontrolle auf jeder Platte einzuschließen, so dass beispielsweise ein Bakterienstamm, von dem bekannt ist, dass er eine gute Leistung erbringt, und ein Bakterienstamm, von dem bekannt ist, dass er eine schlechte Leistung erbringt, auf jeder Platte enthalten sind Platte (normalerweise dreifach, wie alle anderen Behandlungen auf der Platte. Biologen lieben Dreifachversuche).
^ So. Alle Blues sind experimentelle Behandlungen in dreifacher Ausfertigung, wobei die Plattenposition einzelner Proben in nachfolgenden Platten randomisiert ist.
Die Idee ist, dass wir in der Lage sein sollten, diese Kontrollen zu verwenden, um die Leistung der experimentellen Behandlungen zu "klammern" und zu verstehen, wo sie zwischen den + und - auf ihren jeweiligen Platten liegen. Intuitiv bildet die +/- Klammer ein gleitendes "Fenster" der Normalisierung über Platten hinweg, das die Variation von Platte zu Platte nicht nur im Gesamtmittel, sondern auch im Effekt einer guten Dehnungsleistung darstellt.
Bei der Analyse kann ich mir jedoch keine Methode vorstellen oder finden, die diesen Bracketing-Ansatz verwendet, ohne die verfügbaren Informationen zu den Steuerelementen zu verlieren. In der Regel nimmt der Wissenschaftler den Mittelwert der Negativkontrolle, den Mittelwert der Positivkontrolle und den Bereich zwischen ihnen und berechnet anhand dieser Informationen einen Wert pro Nichtkontrollvertiefung, der die Position des Bohrlochs entlang dieses Bereichs darstellt (zwischen 0 und 1, wenn dazwischen) die beiden,> 1 bei Übererfüllung der Positivkontrolle, <0 bei Untererfüllung der Negativkontrolle). Die Kontrollen werden dann von weiteren Analysen ausgeschlossen. Dies "funktioniert" in dem Sinne, dass wir ein Regressionsmodell ausführen können oder einen Vergleich bedeuten, der nicht "Platte" als Faktor enthält, und einen Vergleich aller Bakterienstämme über alle Platten hinweg erhalten, aber es fühlt sich für mich wie Betrug an.
Ist dies der beste Weg, um mit dieser Art von Design umzugehen? Gibt es Literatur- / JMP-Methoden, die für diese Analyse besser geeignet sind?
Vielen Dank im Voraus für jede Expertise aus der Community!
Ich denke, diese Frage kann in zwei Teile geteilt werden.
1. Normalisieren der Proben auf eine Kontrolle
2. Versuchspläne für Mikrotiterplatten
Probieren Sie die intuitive Normalisierung auf eine Klammer aus, die auf 3 Wiederholungen basiert.
Ich bin Molekularbiologe und habe den historischen Wunsch, dass n = 3 die richtige Zahl ist. Ich bin auch ein angewandter Statistiker und lache, während ich grob auf n = 3 gestikuliere. Abhängig von der Variation der Kontrollmessung liefert n = 3 eine schlechte Schätzung des Mittelwerts. Dies ist biologischer Natur, daher ist ein Lebenslauf von 10% zwar ziemlich gut, aber wahrscheinlich höher. Ich habe auch einige Zeit in der cGMP-Welt verbracht, daher ist es wahrscheinlich auch ziemlich wichtig, Akzeptanzkriterien für die Kontrollen festzulegen. Wenn beispielsweise der CV für eine Kontrolle höher als n% ist, werfen Sie die Platte weg und versuchen Sie es erneut. Hinweis Ich habe nicht gesagt, wie hoch die Steuerung n sein soll. Das liegt bei Ihnen, aber DOE> Design Diagnostics> Sample Size ist ein guter Anfang. Und das bekommen Sie wahrscheinlich schon, aber die Kommunikation mit diesen dichten Biologen muss Bilder enthalten.
Stellen Sie sich als Beispiel vor, Sie haben etwas gemessen, das einen Mittelwert von ungefähr 100 und eine Standardabweichung von ungefähr 10 hat. Mit n = 3 können Sie einen Unterschied von ungefähr 189 feststellen, aber mit n = 25 können wir einen Unterschied von knapp 12 erkennen.
Im Mikrotiter-Experiment. Wenn ich sagen möchte, dass meine Probenbelastung höher oder niedriger als eine positive oder negative Kontrolle ist, muss entweder die Präzision der Replikate phänomenal sein oder die Probengröße muss größer sein, denn in Wirklichkeit, es sei denn, die Unterschiede liegen auf einer logarithmischen Skala Sie sind nicht in der Lage, eine fast zweifache Änderung zu erkennen, wenn sie tatsächlich existiert.
Ich kann mir vorstellen, dass sie den Mittelwert der positiven und den Mittelwert der negativen Kontrolle nehmen und den Rest der Messung auf einen Bereich von 0 bis 1 skalieren, um die Platten zu vergleichen. Der Zinger mit n = 3 ist, dass wir jetzt die Kontrollmessung zweimal zusammengesetzt und diese zur Messung des Testartikels hinzugefügt haben. Varianzkomponenten addieren sich, so dass der Fehler bei der Schätzung des Dehnungseffekts jetzt wahrscheinlich dreimal höher ist. Es hilft ein wenig, Prozent des Negativen und Prozent des Positiven getrennt zu melden.
Ich werde später zurückkommen und über Design und Analyse sprechen.
