Gevinster:
- Evne til at bygge en klar hypotese, nøjagtige kontroller, randomisering, blinding og forudgående effektanalyse ind i et eksperimentelt design
- Evne til at skelne biologisk gentagelse fra teknisk gentagelse og undgå fejlen ved pseudoreplication
- Evne til at forhindre p-hacking i første omgang ved at fastsætte analyseplanen før eksperimentet (foroptagelse)
Den dyreste fejl i biologien er et dårligt designet eksperiment. Forkert analyse kan rettes senere; Men data indsamlet med utilstrækkeligt antal gentagelser, ukontrollerede eller blandede variabler kan ikke gendannes af nogen statistik. "Affald ind, skrald ud." Derfor skal forsøget designes rigtigt, før det går i gang. Kunstig intelligens er en stærk tænkende partner på dette designstadium: den genkalder kontrolgrupper, skriver koden, der udfører effektanalyse (beregner antallet af prøver, der kræves for at fange den efterspurgte forskel), stiller spørgsmålstegn ved forvirrende variabler. Men den endelige designbeslutning er din med domæneviden.
I denne enhed vil vi diskutere komponenterne i et godt eksperimentelt design, og hvordan man bruger kunstig intelligens i denne proces.
Komponenter af et godt eksperimentelt design
- Klar hypotese: En testbar, målbar påstand. Som "Dette stof bremser cellevækst."
- Uafhængig og afhængig variabel: Hvad ændrer du (lægemiddeldosis), hvad måler du (celletal)?
- Kontrolgruppe: Sammenligningsgruppe, der ikke modtog nogen intervention. Du kan ikke kende årsagen til forskellen uden den.
- Replikation: Biologisk replikation (forskellige individer/kulturer) er forskellig fra teknisk replikation (gentagen måling af den samme prøve); Den virkelige kraft ligger i biologisk gentagelse.
- Randomisering: Tilfældig fordeling af prøver i grupper og behandlingsrækkefølge; reducerer bias.
- Blindning: Den person, der foretager målingen, ved ikke, hvilken gruppe der er hvilken; forhindrer subjektiv bias.
- Effektanalyse: Beregner på forhånd, hvor mange prøver der er nødvendige for at fange den forventede effekt med 80 % sandsynlighed.
Tip: Giv det eksperimentelle design til AI for at "kritisere" det. "Hvilken kontrol mangler i denne plan, hvilken forvirrende variabel savnede jeg?" Spørgsmålet afslører huller, som du ikke kan se, når du tænker alene.
Effektanalyse: hvorfor og hvordan
En meget lille prøve kan få selv en reel forskel til at virke "ubetydelig" (lav effekt); En stikprøve, der er for stor, er spild af ressourcer og kan få ubetydelige forskelle til at fremstå som "betydelige". Det korrekte tal findes ved effektanalyse og afhænger af: forventet effektstørrelse, accepterede fejlrater (alfa og beta) og variabiliteten af dataene.
Rolle: Du er eksperimentel design- og biostatistikassistent.Opgave: Udfør en effektanalyse til et eksperiment, der sammenligner to grupper.Skriv kode, der beregner antallet af nødvendige prøver pr. gruppe med forventet effektstørrelse Cohens d = 0,8, alfa = 0,05, power = 0,80.statsmodeller og forklar antagelserne.
Du kører koden; for eksempel vil du få et resultat som "26 prøver pr. gruppe". Du sammenligner dette med dit eksperimentbudget og laver en realistisk plan.
Trin for trin: design af et eksperiment
- Skriv hypotesen: Én sætning, målbar.
- Definer variable: Uafhængig, afhængig, holdt konstant.
- Identificer kontroller: negativ kontrol, positiv kontrol, køretøjskontrol.
- Liste over blanderne: Tid, batch, temperatur, eksperimentator - hvordan vil de blive kontrolleret?
- Udfør en styrkeanalyse: Beregn det nødvendige antal gentagelser.
- Planlæg randomisering og blinding.
- Skriv analyseplanen på forhånd: Bestem hvilken test du vil bruge før eksperimentet (forhindrer p-hacking).
Kopierbare promptskabeloner
Kritik af min eksperimentelle plan. Find svagheder i form af: kontrolgruppe, antal replikater, randomisering, blinding, confounders. Foreslå en konkret rettelse for hver mangel. Plan: [tekst]
Forklar med eksempel forskellen mellem biologisk gentagelse og teknisk gentagelse. Efter min erfaring [forklaring] hvilken skal være, hvor mange og hvorfor?
Jeg vil rette min analyseplan FØR eksperimentet. Udbytte: [design]. Hvilken statistisk test er passende, hvilke antagelser skal jeg kontrollere, vil der være flere sammenligninger? Skriv trin for trin.
Svag prompt / Stærk prompt
Svag: "Design et eksperiment."
Strong: "Jeg vil gerne teste, om Drug
Forskel: I den stærke prompt er hypotesen, variablerne, måletiden og tilgængelige kontroller klare; Modellen giver konkret, felthensigtsmæssig feedback.
tre minisager
Case 1 — Kanteffekt: Et hold eksperimenterede i en 96-brønds plade; Resultaterne var mærkelige. Kunstig intelligens mindede om, at pladens kantbrønde opfører sig anderledes på grund af fordampning (kanteffekt) og foreslog at bruge kanterne som kontroller og fordele prøverne tilfældigt. Konsistensen steg i gentagelser.
Case 2 - Pseudoreplication: En elev tog 10 vævsprøver fra en enkelt mus og sagde "n=10." Det er dog 10 tekniske gentagelser; biologisk n er stadig 1. Da modellen forklarede denne sondring, redesignede eleven eksperimentet med 6 mus. Lektion: statistisk n er en biologisk enhed.
Case 3 — Utilstrækkelig kraft: En gruppe kørte 4 prøver pr. gruppe og missede en sand effekt (p=0,09). Effektanalyse viste, at 4 prøver kun gav 35 % effekt. Hvis modellen havde beregnet det korrekte antal prøver på forhånd, ville eksperimentet enten være blevet sat op med tilstrækkelig kraft eller slet ikke være startet. Lektion: Beregn effekt på forhånd, ikke senere.
sammenligningsdiagram
koncept
Korrekt anvendelse
hyppige fejl
igen
Tæl biologisk gentagelse
tænk på teknisk gentagelse
kontrol
Negativ+positiv+bærer
ukontrolleret eksperiment
Randomisering
Grupper og rækkefølge tilfældigt
Sekventiel behandling
magt
Beregn før forsøg
se dig ikke tilbage
analyseplan
pin på forhånd
Udvælgelse af test baseret på data
Almindelige fejl
- Spring kontrolgruppen over: Gør årsagen til forskellen ufortolkelig.
- Pseudo-gentagelse: At betragte teknisk gentagelse som biologisk n giver pseudo-signifikans.
- Ikke at udføre en effektanalyse: Utilstrækkelig eller spild prøveudtagning.
- Ignorerer confounders: Effekter som batch, placering, tid forvrænger resultatet.
- Valg af analysetest efterfølgende: Søgning efter den test, der giver det ønskede resultat (p-hacking).
Forsigtig: AI giver dig statistik og designforslag, men det kræver domænekendskab til eksperimentets biologiske betydning, og hvilken kontrol der egentlig er nødvendig. Ingen analyse kan redde et dårligt designet eksperiment; Afklar designet inden forsøget begynder, gerne med en statistiker.
Overvejer kilder til variabilitet
Den ukendte helt for godt design er at tænke fremad over, hvor variabiliteten i data kommer fra. Biologisk variabilitet (naturlig forskel mellem individer) er uundgåelig, og hvad du ønsker at studere; Teknisk variabilitet (pipetfejl, enhedsafvigelse, dagsforskel) er støj og bør reduceres. Måden at adskille de to er i design: distribuere teknisk variabilitet med randomisering og blinding, prøve biologisk variabilitet med tilstrækkelig gentagelse.
Det er nyttigt at starte med at have AI-listen over mulige kilder til variabilitet i dit eksperiment. For eksempel i et cellekultureksperiment: passagenummer (hvor mange gange celler blev delt), medium batch, inkubatorplacering, høsttid. At kende disse kilder giver dig mulighed for at beslutte, hvilke der skal holdes konstante, og hvilke der skal randomiseres.
Angiv alle mulige kilder til variabilitet (biologiske og tekniske) i følgende eksperiment; Foreslå "hold fast", "randomiser" eller "gem og føj til modellen som en variabel" for hver. Eksperiment: [beskrivelse]
Forhåndsregistrering: det mest kraftfulde værktøj til integritet
Den mest kraftfulde form for fastsættelse af analyseplanen før eksperimentet er præregistrering: registrering af din hypotese, prøvestørrelse og analyseplan på et tidsstemplet sted før dataindsamling. Dette fjerner den senere tvivl om "Jeg prøvede analyse, indtil jeg fik det, jeg ville have" og øger i høj grad troværdigheden af dit arbejde. AI kan hjælpe dig med at udarbejde dit term sheet, afklare hypotesen og skrive analyseplanen. På den måde vil du have etableret det stærkeste skjold mod p-hacking, som vi vil se i Unit 8, inden eksperimentet går i gang.
Designforskelle i henhold til eksperimenttype
Ikke alle biologieksperimenter følger det samme mønster; Designet varierer afhængigt af typen af problem. Et dosis-respons eksperiment kræver flere doser og en kurvemodel; En enkelt dosis er ikke nok. I et tidsserieeksperiment bestemmer afstanden og afhængigheden af målepunkter (genmåling af det samme individ) designet. I et felt/økologistudie kommer stikprøver og rumlig afhængighed (lighed mellem nærliggende punkter) i forgrunden. Du fortæller AI typen af dit eksperiment og spørger "hvilke designelementer er kritiske for denne type?" Spørg: giver dig mulighed for at fange en overset komponent tidligt. Men husk: modellen minder om generelle principper, den kender ikke de biologiske detaljer i dit system.
Sammenfattende
Et solidt eksperiment; Den er baseret på en klar hypotese, nøjagtige kontroller, tilstrækkelige biologiske replikater, randomisering, blinding og forudberegnet kraft. AI er en stærk partner, der husker disse komponenter, skriver strømanalysekoden og kritiserer din plan. Men den biologiske betydning og endelige designbeslutning er din. At fikse analyseplanen før eksperimentet er modgiften til den p-hacking-fælde, vi vil se i næste enhed.
Ansøgningsopgave
Beskriv et eksperiment, du har i tankerne (eller et eksempel) i ét afsnit: hypotese, variabler, kontroller, planlagt replikation. Du fik den kunstige intelligens til at kritisere denne plan; Liste over manglende kontroller og mixere. Udskriv derefter en effektanalysekode (med dine d- og alfa-værdier), og få den til at beregne antallet af nødvendige prøver. Revider din plan med denne feedback.
tjekliste
- [ ] Jeg skrev min hypotese i én målbar sætning.
- [ ] Jeg bestemte de nødvendige kontrolgrupper (negativ/positiv/bærer).
- [ ] Jeg skelnede biologisk og teknisk gentagelse korrekt.
- [ ] Jeg lavede effektanalysen før eksperimentet.
- [ ] Jeg planlagde randomisering og blinding.
- [ ] Jeg rettede analysetesten uden at se dataene.