Nutzung von Design of Experiment-Modellen zur Verbesserung der Assay-Entwicklung in der Hochdurchsatzbiologie
Diana Ballard, Senior Consulting Statistician, Predictum Inc.
Samuel Hasson, PhD, Forschungsstipendiat für Pharmakologie, National Institutes of Health
Wayne Levin, Präsident, Predictum Inc.
Die Hochdurchsatzbiologie hat sich zu einer allgegenwärtigen Plattform für funktionelle Genomik, chemische Biologie und Arzneimittelforschung entwickelt. Obwohl zahlreiche Technologien, wie beispielsweise die automatisierte Zellbildgebung, die Möglichkeiten mikroplatten- und arraybasierter Untersuchungen unterstützen, mangelt es an Innovation im Prozess der Assay-Entwicklung. Vor dem primären Screening können Assay-Design, Miniaturisierung und Optimierung für Hochdurchsatzkampagnen oft eine Vielzahl potenzieller Variablen beinhalten. Wissenschaftler gehen bei der Assay-Entwicklung oft so vor, dass sie die experimentellen Bedingungen eigenständig anpassen und dabei wichtige Prinzipien wie Randomisierung und die Variation der experimentellen Einheitsgröße ignorieren. Aus statistischer Sicht ist diese Methode langsam, verbraucht große Mengen teurer Reagenzien und birgt das Risiko, Erkenntnisse zu verpassen oder falsch zuzuordnen. Konventionelle Verfahren können zudem komplexe Wechselwirkungen nicht identifizieren. Die Adaption moderner DOE-Ansätze (Design of Experiment) an das Hochdurchsatz-Screening (HTS) bietet einen deutlich effizienteren und aufschlussreicheren Rahmen für die Assay-Entwicklung. Die Anwendung moderner DOE-Designs durch Biologen war jedoch bisher eingeschränkt, was teilweise auf die erforderliche fortgeschrittene Mathematik und den Mangel an auf HTS-Umgebungen zugeschnittenen Werkzeugen zurückzuführen ist. Diese Einschränkungen wurden in einem von Biologen erfolgreich durchgeführten DOE überwunden, wodurch Daten zu komplexen Wechselwirkungen innerhalb einer biochemischen Reaktion gewonnen wurden.
