利用實驗設計模型改進高通量生物學的檢測開發 利用實驗設計模型改進高通量生物學的檢測開發
Diana Ballard，Predictum Inc. 高級諮詢統計學家
Samuel Hasson 博士，美國國立衛生研究院藥理學研究員
萊文 (Wayne Levin)，Predictum Inc. 總裁
高通量生物學已成為功能基因體學、化學生物學和藥物研發的廣泛平台。儘管自動化細胞成像等眾多技術已發展到支援微孔板和基於陣列的探索能力，但在檢測方法開發過程中卻缺乏創新。在初步篩選之前，高通量實驗的檢測方法設計、小型化和最佳化通常涉及各種潛在變數。科學家通常透過獨立調整實驗條件來開發檢測方法，而忽略了隨機化和改變實驗單元大小等重要原則。從統計學角度來看，這種方法速度慢，耗費大量昂貴的試劑，並且有缺失或錯誤歸因的風險。傳統方法也可能無法辨識複雜的相互作用。將現代實驗設計 (DOE) 方法應用於高通量篩選 (HTS)，為檢測方法開發提供了一個更有效率、更富洞察力的框架。然而，由於對高等數學的要求以及缺乏針對 HTS 環境的客製化工具，當代 DOE 設計在生物學家中的應用受到了限制。生物學家在 DOE 中成功克服了這些限制，並獲得了有關生化反應中複雜相互作用的數據。
