Utilización del diseño de modelos experimentales para mejorar el desarrollo de ensayos en biología de alto rendimiento
Diana Ballard, consultora estadística sénior, Predictum Inc.
Samuel Hasson, PhD, investigador en farmacología, Institutos Nacionales de Salud
Wayne Levin, presidente de Predictum Inc.
La biología de alto rendimiento se ha convertido en una plataforma omnipresente para la genómica funcional, la biología química y el descubrimiento de fármacos. Si bien numerosas tecnologías, como la imagen celular automatizada, han avanzado para respaldar las capacidades de las exploraciones basadas en microplacas y matrices, ha habido una falta de innovación en el proceso de desarrollo de ensayos. Antes del cribado primario, el diseño, la miniaturización y la optimización de ensayos para campañas de alto rendimiento a menudo pueden involucrar un panorama diverso de variables potenciales. Los científicos suelen abordar el desarrollo de ensayos ajustando las condiciones experimentales de forma independiente, ignorando principios importantes como la aleatorización y la variación del tamaño de la unidad experimental. Desde un punto de vista estadístico, este método es lento, consume grandes cantidades de reactivos costosos y corre el riesgo de perder o atribuir erróneamente información. Las prácticas convencionales también pueden fallar en la identificación de interacciones complejas. La adaptación de los enfoques modernos de diseño de experimentos (DOE) al cribado de alto rendimiento (HTS) ofrece un marco mucho más eficiente y perspicaz para el desarrollo de ensayos. Sin embargo, la aplicación de diseños DOE contemporáneos por parte de los biólogos se ha visto limitada debido, en parte, a las matemáticas avanzadas requeridas y a la falta de herramientas adaptadas a entornos HTS. Estas limitaciones se han superado en un DOE ejecutado con éxito por biólogos, que ha generado datos sobre interacciones complejas dentro de una reacción bioquímica.
