Dobici:
- Sposobnost izgradnje jasne hipoteze, tačnih kontrola, randomizacije, zasljepljivanja i prethodne analize snage u eksperimentalni dizajn
- Sposobnost razlikovanja biološkog ponavljanja od tehničkog ponavljanja i izbjegavanja greške pseudoreplikacije
- Sposobnost sprječavanja p-hackinga na prvom mjestu fiksiranjem plana analize prije eksperimenta (prethodno snimanje)
Najskuplja greška u biologiji je loše osmišljen eksperiment. Netačna analiza može se kasnije ispraviti; Ali podaci prikupljeni s nedovoljnim brojem ponavljanja, nekontroliranim ili mješovitim varijablama ne mogu se povratiti bilo kojom statistikom. "Smeće unutra, smeće van." Zato eksperiment mora biti ispravno osmišljen prije nego što počne. Umjetna inteligencija je moćan partner u razmišljanju u ovoj fazi dizajna: prisjeća se kontrolnih grupa, piše kod koji izvodi analizu snage (izračunavanje broja uzoraka potrebnih za hvatanje tražene razlike), dovodi u pitanje zbunjujuće varijable. Ali konačna odluka o dizajnu je vaša sa znanjem iz domena.
U ovoj cjelini raspravljat ćemo o komponentama dobrog eksperimentalnog dizajna i o tome kako koristiti umjetnu inteligenciju u ovom procesu.
Komponente dobrog eksperimentalnog dizajna
- Jasna hipoteza: Provjerljiva, mjerljiva tvrdnja. Kao "Ovaj lijek usporava rast ćelija."
- Nezavisna i zavisna varijabla: Šta mijenjate (dozu lijeka), šta mjerite (broj ćelija)?
- Kontrolna grupa: Grupa za poređenje koja nije primila nikakvu intervenciju. Bez toga ne možete znati razlog za razliku.
- Replikacija: Biološka replikacija (različiti pojedinci/kulture) se razlikuje od tehničke replikacije (ponovno mjerenje istog uzorka); Prava moć je u biološkom ponavljanju.
- Randomizacija: nasumična distribucija uzoraka u grupe i redosled obrade; smanjuje pristrasnost.
- Zasljepljivanje: Osoba koja vrši mjerenje ne zna koja je grupa; sprečava subjektivnu pristrasnost.
- Analiza snage: Unaprijed izračunavanje koliko je uzoraka potrebno da bi se uhvatio očekivani efekat sa vjerovatnoćom od 80%.
Savjet: dajte eksperimentalni dizajn AI-u da ga „kritizira“. „Koja kontrola nedostaje u ovom planu, koja mi je zbunjujuća varijabla propustila?“ Pitanje otkriva praznine koje ne možete uočiti kada razmišljate sami.
Analiza snage: zašto i kako
Veoma mali uzorak može učiniti da se čak i stvarna razlika čini "beznačajnom" (mala snaga); Uzorak koji je prevelik je gubitak resursa i može učiniti da beznačajne razlike izgledaju "značajne". Tačan broj se nalazi analizom snage i zavisi od: očekivane veličine efekta, prihvaćenih stopa grešaka (alfa i beta) i varijabilnosti podataka.
Uloga: Vi ste pomoćnik za dizajn eksperimenta i biostatistiku. Zadatak: Izvršite analizu snage za eksperiment upoređujući dvije grupe. Napišite kod koji izračunava broj potrebnih uzoraka po grupi s očekivanom veličinom efekta Cohen-ov d = 0,8, alfa = 0,05, snaga = 0,80. statistički modeli i objasnite pretpostavke.
Pokrećete kod; na primjer, dobit ćete rezultat poput "26 uzoraka po grupi". Ovo uporedite sa budžetom za eksperiment i kreirate realan plan.
Korak po korak: osmišljavanje eksperimenta
- Napišite hipotezu: Jedna rečenica, mjerljiva.
- Definirajte varijable: nezavisne, zavisne, konstantne.
- Identifikujte kontrole: negativna kontrola, pozitivna kontrola, kontrola vozila.
- Navedite miksere: vrijeme, serija, temperatura, eksperimentator — kako će se kontrolirati?
- Izvršite analizu snage: Izračunajte potreban broj ponavljanja.
- Planirajte randomizaciju i zasljepljivanje.
- Napišite plan analize unaprijed: Odredite koji ćete test koristiti prije eksperimenta (sprečava p-hakovanje).
Predlošci upita koji se mogu kopirati
Kritikujte moj eksperimentalni plan. Pronađite slabosti u smislu: kontrolne grupe, broja ponavljanja, randomizacije, zasljepljivanja, zbunjujućih faktora. Predložite konkretnu korekciju za svaki nedostatak. Plan: [tekst]
Objasnite na primjeru razliku između biološkog ponavljanja i tehničkog ponavljanja. Po mom iskustvu [objašnjenje] koji bi trebao biti koliko i zašto?
Želim popraviti svoj plan analize PRIJE eksperimenta. Prinos: [dizajn]. Koji je statistički test prikladan, koje pretpostavke treba provjeriti, hoće li biti višestrukih poređenja? Pišite korak po korak.
Slaba prompt / Jaka prompt
Slabo: "Dizajnirajte eksperiment."
Strong: „Želim da testiram da li je droga
Razlika: U snažnom promptu, hipoteza, varijable, vrijeme mjerenja i dostupne kontrole su jasni; Model daje konkretne povratne informacije primjerene terenu.
tri mini kofera
Slučaj 1 — Efekt ivice: Jedan tim je eksperimentisao na ploči sa 96 jažica; Rezultati su bili čudni. Umjetna inteligencija podsjetila je da se rubne jame ploče ponašaju drugačije zbog isparavanja (efekat ruba) i predložila je korištenje rubova kao kontrole i nasumično distribuciju uzoraka. Konzistentnost se povećava u ponavljanju.
Slučaj 2 — Pseudoreplikacija: Učenik je uzeo 10 uzoraka tkiva od jednog miša i rekao "n=10." Međutim, ovo je 10 tehničkih ponavljanja; biološki n je i dalje 1. Kada je model objasnio ovu razliku, student je redizajnirao eksperiment sa 6 miševa. Lekcija: statističko n je biološka jedinica.
Slučaj 3 — Nedovoljna snaga: Jedna grupa je izvršila 4 uzorka po grupi i propustila pravi efekat (p=0,09). Analiza snage je pokazala da 4 uzorka daju samo 35% snage. Da je model unaprijed izračunao tačan broj uzoraka, eksperiment bi ili bio postavljen dovoljnom snagom ili ne bi uopće započeo. Lekcija: izračunajte snagu unaprijed, a ne kasnije.
uporedni grafikon
koncept
Ispravna primjena
česta greška
opet
Brojite biološko ponavljanje
razmislite o tehničkom ponavljanju
kontrolu
Negativno+pozitivno+nosač
nekontrolisani eksperiment
Randomizacija
Grupirajte i poredajte nasumično
Sekvencijalna obrada
moć
Izračunajte prije eksperimenta
ne osvrći se
plan analize
pin unaprijed
Odabir testova na osnovu podataka
Uobičajene greške
- Preskakanje kontrolne grupe: uzrok razlike čini nerazumljivim.
- Pseudo-ponavljanje: Razmatranje tehničkog ponavljanja kao biološkog n proizvodi pseudo-značaj.
- Neprovođenje analize snage: nedovoljno ili rasipno uzorkovanje.
- Ignoriranje zbunjujućih faktora: Efekti kao što su serija, lokacija, vrijeme iskrivljuju rezultat.
- Odabir testa analize nakon toga: Traženje testa koji daje željeni rezultat (p-hacking).
Oprez: AI vam daje statistiku i prijedloge dizajna, ali zahtijeva znanje iz domena biološkog značenja eksperimenta i kontrole koja je zapravo potrebna. Nijedna analiza ne može spasiti loše osmišljen eksperiment; Razjasnite dizajn prije početka eksperimenta, po mogućnosti sa statističarem.
Uzimajući u obzir izvore varijabilnosti
Neopjevani heroj dobrog dizajna je razmišljanje unaprijed o tome odakle dolazi varijabilnost podataka. Biološka varijabilnost (prirodna razlika između pojedinaca) je neizbežna i ono što želite da proučavate; Tehnička varijabilnost (greška pipete, odstupanje uređaja, razlika u danu) je buka i treba je smanjiti. Način da se to dvoje odvoji je u dizajnu: distribuirati tehničku varijabilnost sa randomizacijom i zasljepljivanjem, uzorkovati biološku varijabilnost uz dovoljno ponavljanja.
Korisno je da počnete tako da AI navede moguće izvore varijabilnosti u vašem eksperimentu. Na primjer, u eksperimentu kulture ćelija: broj prolaza (koliko puta su ćelije podijeljene), srednja serija, lokacija inkubatora, vrijeme žetve. Poznavanje ovih izvora vam omogućava da odlučite koje ćete zadržati konstantnim, a koje nasumično rasporediti.
Navedite sve moguće izvore varijabilnosti (biološke i tehničke) u sljedećem eksperimentu; Predložite "zadrži fiksno", "randomiziraj" ili "sačuvaj i dodaj modelu kao varijablu" za svaki. Eksperiment: [opis]
Predregistracija: najmoćniji alat za integritet
Najmoćniji oblik fiksiranja plana analize prije eksperimenta je predregistracija: snimanje vaše hipoteze, veličine uzorka i plana analize na lokaciji s vremenskim žigom prije prikupljanja podataka. Ovo eliminiše kasniju sumnju „Pokušao sam sa analizom dok nisam dobio ono što sam želeo“ i uveliko povećava kredibilitet vašeg rada. AI vam može pomoći da nacrtate svoj terminski list, razjasnite hipotezu i napišete plan analize. Na taj način ćete uspostaviti najjači štit od p-hackinga, što ćemo vidjeti u jedinici 8, prije početka eksperimenta.
Razlike u dizajnu prema vrsti eksperimenta
Ne prati svaki biološki eksperiment isti obrazac; Dizajn varira ovisno o vrsti problema. Eksperiment doza-odgovor zahtijeva višestruke doze i model krivulje; Jedna doza nije dovoljna. U eksperimentu vremenske serije, razmak i zavisnost mernih tačaka (ponovno merenje iste osobe) određuju dizajn. U terenskoj/ekološkoj studiji, nasumično uzorkovanje i prostorna zavisnost (sličnost obližnjih tačaka) dolaze do izražaja. Vi kažete AI tip vašeg eksperimenta i pitate "koji su elementi dizajna kritični za ovaj tip?" Pitanje: omogućava vam da rano uhvatite zanemarenu komponentu. Ali zapamtite: model podseća na opšte principe, on ne poznaje biološke detalje vašeg sistema.
Ukratko
Solidan eksperiment; Zasnovan je na jasnoj hipotezi, preciznim kontrolama, dovoljnim biološkim replikacijama, randomizaciji, zasljepljivanju i unaprijed izračunatoj snazi. AI je moćan partner koji opoziva ove komponente, piše kod za analizu snage i kritikuje vaš plan. Ali biološko značenje i konačna odluka o dizajnu je vaša. Popravljanje plana analize prije eksperimenta je protuotrov za zamku p-hakiranja koju ćemo vidjeti u sljedećoj jedinici.
Zadatak aplikacije
Opišite eksperiment koji imate na umu (ili primjer) u jednom pasusu: hipoteza, varijable, kontrole, planirana replikacija. Natjerali ste umjetnu inteligenciju da kritizira ovaj plan; Navedite nedostajuće kontrole i miksere. Zatim odštampajte kod za analizu snage (sa vašim d i alfa vrijednostima) i neka izračuna broj potrebnih uzoraka. Revidirajte svoj plan uz ove povratne informacije.
kontrolna lista
- [ ] Napisao sam svoju hipotezu u jednoj mjerljivoj rečenici.
- [ ] Odredio sam potrebne kontrolne grupe (negativni/pozitivni/nosioci).
- [ ] Pravilno sam razlučio biološko i tehničko ponavljanje.
- [ ] Uradio sam analizu snage prije eksperimenta.
- [ ] Planirao sam randomizaciju i zasljepljivanje.
- [ ] Popravio sam test analize a da nisam vidio podatke.