Kasu:
- Võimalus luua selge hüpotees, täpsed kontrollid, randomiseerimine, pimestamine ja eelnev võimsuse analüüs eksperimentaalsesse plaani
- Oskus eristada bioloogilist kordumist tehnilisest kordusest ja vältida pseudoreplikatsiooni viga
- Võimalus ennetada p-häkkimist, fikseerides analüüsiplaani enne katset (eelsalvestus)
Bioloogia kõige kallim viga on halvasti kavandatud eksperiment. Vale analüüsi saab hiljem parandada; Kuid ebapiisava korduste arvu, kontrollimatute või segatud muutujatega kogutud andmeid ei saa ühegi statistika abil taastada. "Prügi sisse, prügi välja." Seetõttu tuleb katse enne selle algust õigesti kavandada. Tehisintellekt on selles kavandamisetapis võimas mõtlemispartner: see kutsub tagasi kontrollrühmad, kirjutab koodi, mis teostab võimsusanalüüsi (arvutab soovitud erinevuse tabamiseks vajalike proovide arvu), seab kahtluse alla muutujad. Kuid lõpliku disainiotsuse teete domeenialaste teadmiste abil.
Selles üksuses käsitleme hea eksperimentaaldisaini komponente ja seda, kuidas selles protsessis tehisintellekti kasutada.
Hea katsekujunduse komponendid
- Selge hüpotees: testitav, mõõdetav väide. Nagu "See ravim aeglustab rakkude kasvu."
- Sõltumatu ja sõltuv muutuja: mida te muudate (ravimiannus), mida mõõdate (rakkude arv)?
- Kontrollrühm: võrdlusrühm, kes ei saanud sekkumist. Ilma selleta ei saa te erinevuse põhjust teada.
- Replikatsioon: bioloogiline replikatsioon (erinevad indiviidid/kultuurid) erineb tehnilisest replikatsioonist (sama proovi korduv mõõtmine); Tegelik jõud on bioloogilises kordamises.
- Randomiseerimine: proovide juhuslik jaotamine rühmadesse ja töötlemise järjekord; vähendab eelarvamusi.
- Pimestamine: mõõtja ei tea, milline rühm on kumb; hoiab ära subjektiivse eelarvamuse.
- Võimsuse analüüs: Eelnevalt arvutamine, mitu proovi on vaja oodatava efekti tabamiseks 80% tõenäosusega.
Näpunäide: andke eksperimentaalne disain AI-le, et seda "kriitika" teha. "Milline juhtelement selles plaanis puudub, milline segav muutuja jäi mul kahe silma vahele?" Küsimus paljastab lüngad, mida üksi mõeldes ei näe.
Võimsuse analüüs: miks ja kuidas
Väga väike valim võib isegi tegeliku erinevuse tunduda "ebaoluline" (väike võimsus); Liiga suur valim raiskab ressursse ja võib ebaolulisi erinevusi "olulisena" paista. Õige arv leitakse võimsuse analüüsi abil ja see sõltub: eeldatavast efekti suurusest, aktsepteeritud veamääradest (alfa ja beeta) ja andmete muutlikkusest.
Roll: olete eksperimentaalse disaini ja biostatistika assistent.Ülesanne: viige läbi kahe rühma võrdleva katse võimsusanalüüs.Kirjutage kood, mis arvutab rühma kohta vajalike proovide arvu eeldatava efekti suurusega Coheni d = 0,8, alfa = 0,05, võimsus = 0,80.statistikamudelid ja selgitage eeldusi.
Käitate koodi; näiteks saate sellise tulemuse nagu "26 proovi rühma kohta". Võrdlete seda oma katse eelarvega ja koostate realistliku plaani.
Samm-sammult: katse kavandamine
- Kirjutage hüpotees: Üks lause, mõõdetav.
- Määratlege muutujad: Sõltumatu, sõltuv, konstantne.
- Määrake kontrollid: negatiivne kontroll, positiivne kontroll, kandja kontroll.
- Loetlege segistid: aeg, partii, temperatuur, katsetaja – kuidas neid juhitakse?
- Tehke tugevusanalüüs: arvutage vajalike korduste arv.
- Planeerige randomiseerimine ja pimestamine.
- Kirjutage eelnevalt analüüsiplaan: määrake enne katset, millist testi kasutate (hoiab ära p-häkkimise).
Kopeeritavad viipade mallid
Kritiseerige minu katseplaani. Leidke nõrkused järgmistes valdkondades: kontrollrühm, korduste arv, randomiseerimine, pimestamine, segajad. Soovitage iga puuduse jaoks konkreetne parandus. Plaan: [tekst]
Selgitage näite abil, mis vahe on bioloogilisel ja tehnilisel kordamisel. Minu kogemuse kohaselt [selgitus] milline peaks olema kui palju ja miks?
Tahan ENNE katset oma analüüsiplaani parandada. Saagis: [disain]. Milline statistiline test on sobiv, milliseid eeldusi peaksin kontrollima, kas võrdlusi tehakse mitu korda? Kirjutage samm-sammult.
Nõrk viip / Tugev viip
Nõrk: "Kavandage eksperiment."
Tugev: "Ma tahan testida, kas Drug
Erinevus: tugevas viipas on hüpotees, muutujad, mõõtmisaeg ja saadaolevad juhtelemendid selged; Mudel annab konkreetset, valdkonnakohast tagasisidet.
kolm minikarpi
Juhtum 1 – servaefekt: üks meeskond katsetas 96-augulise plaadiga; Tulemused olid kummalised. Tehisintellekt tuletas meelde, et plaadi servasüvendid käituvad aurustumise tõttu erinevalt (servaefekt) ning soovitas kasutada servi kontrollidena ja jaotada proove juhuslikult. Järjepidevus suurenes kordamisel.
Juhtum 2 – pseudoreplikatsioon: õpilane võttis ühelt hiirelt 10 koeproovi ja ütles "n=10". Need on aga 10 tehnilist kordust; bioloogiline n on endiselt 1. Kui mudel seda eristamist selgitas, kujundas õpilane 6 hiirega katse ümber. Õppetund: statistiline n on bioloogiline ühik.
Juhtum 3 – ebapiisav võimsus: üks rühm võttis rühma kohta 4 proovi ja tõelist efekti ei saavutatud (p=0,09). Võimsuse analüüs näitas, et 4 proovi andsid ainult 35% võimsust. Kui mudel oleks eelnevalt välja arvutanud õige proovide arvu, oleks katse kas piisava võimsusega üles seatud või poleks seda üldse alanud. Õppetund: arvutage võimsus ette, mitte hiljem.
võrdlustabel
kontseptsioon
Õige rakendus
sagedane viga
uuesti
Loendage bioloogiline kordus
mõelge tehnilisele kordamisele
kontrolli
Negatiivne+positiivne+kandja
kontrollimatu eksperiment
Randomiseerimine
Rühmitage ja tellige juhuslikult
Järjestikune töötlemine
võimsus
Arvutage enne katset
ära vaata tagasi
analüüsiplaan
pin ette
Testide valimine andmete põhjal
Levinud vead
- Kontrollrühma vahelejätmine: muudab erinevuse põhjuse tõlgendamatuks.
- Pseudokordus: Tehnilise korduse pidamine bioloogiliseks n-ks annab pseudoolulisuse.
- Võimsuse analüüsi ei tehta: ebapiisav või raiskav proovivõtt.
- Segajate ignoreerimine: sellised efektid nagu partii, asukoht, aeg moonutavad tulemust.
- Analüüsi testi valimine tagantjärele: soovitud tulemuse andva testi otsimine (p-häkkimine).
Ettevaatust: AI annab teile statistikat ja disainisoovitusi, kuid see nõuab valdkonna teadmisi katse bioloogilisest tähendusest ja sellest, millist kontrolli tegelikult vaja on. Ükski analüüs ei päästa halvasti kavandatud katset; Enne katse algust tehke kujundus selgeks, soovitavalt statistikuga.
Arvestades varieeruvuse allikaid
Hea disaini laulmata kangelane on mõelda ette, kust andmete varieeruvus pärineb. Bioloogiline varieeruvus (indiviidide loomulik erinevus) on vältimatu ja mida soovite uurida; Tehniline varieeruvus (pipetiviga, seadme kõrvalekalle, päevade vahe) on müra ja seda tuleks vähendada. Nende kahe eraldamise viis on disainis: tehniline varieeruvus jaotatakse randomiseerimise ja pimestamise abil, bioloogilise varieeruvuse proovid piisava kordusega.
Kasulik on alustada sellest, et tehisintellekt loetleb oma katse võimalikud varieeruvuse allikad. Näiteks rakukultuuri katses: passaaži number (mitu korda rakud jagunesid), söötme partii, inkubaatori asukoht, kogumise aeg. Nende allikate tundmine võimaldab teil otsustada, milliseid allikaid hoida konstantsena ja milliseid randomiseerida.
Loetlege kõik võimalikud varieeruvuse allikad (bioloogilised ja tehnilised) järgmises katses; Soovitage igaühe jaoks "hoida fikseerituna", "juhuslikult" või "salvesta ja lisage mudelisse muutujana". Katse: [kirjeldus]
Eelregistreerimine: kõige võimsam terviklikkuse tööriist
Kõige võimsam vorm analüüsiplaani kinnitamiseks enne katset on eelregistreerimine: oma hüpoteesi, valimi suuruse ja analüüsiplaani salvestamine ajatempliga asukohta enne andmete kogumist. See välistab hilisema kahtluse, et "proovisin analüüsi, kuni sain, mida tahtsin" ja suurendab oluliselt teie töö usaldusväärsust. AI võib aidata teil koostada terminilehte, selgitada hüpoteesi ja kirjutada analüüsiplaani. Sel viisil olete loonud tugevaima kaitse p-häkkimise vastu, mida näeme 8. üksuses, enne katse algust.
Disaini erinevused vastavalt katse tüübile
Mitte iga bioloogiakatse ei järgi sama mustrit; Disain varieerub sõltuvalt probleemi tüübist. Annuse-vastuse katse nõuab mitut annust ja kõvera mudelit; Ühest annusest ei piisa. Aegridade katses määrab kujunduse mõõtmispunktide vahekaugus ja sõltuvus (sama indiviidi uuesti mõõtmine). Põllu-/ökoloogiauuringus tulevad esiplaanile juhuslik valim ja ruumiline sõltuvus (lähedal asuvate punktide sarnasus). Ütlete tehisintellektile oma katse tüübi ja küsite: "Millised kujunduselemendid on selle tüübi jaoks olulised?" Küsimine: võimaldab teil tähelepanuta jäetud komponendi varakult tabada. Kuid pidage meeles: mudel tuletab meelde üldpõhimõtteid, see ei tea teie süsteemi bioloogilisi üksikasju.
Kokkuvõttes
Tugev eksperiment; See põhineb selgel hüpoteesil, täpsetel kontrollidel, piisavatel bioloogilistel kordustel, randomiseerimisel, pimestamisel ja eelnevalt arvutatud võimsusel. AI on võimas partner, kes tuletab need komponendid meelde, kirjutab võimsusanalüüsi koodi ja kritiseerib teie plaani. Kuid bioloogiline tähendus ja lõplik disainiotsus on teie. Analüüsiplaani kinnitamine enne katset on vastumürk p-häkkimise lõksule, mida näeme järgmises tükis.
Rakenduse ülesanne
Kirjeldage ühes lõigus oma silmas peetud katset (või näidet): hüpotees, muutujad, kontrollid, kavandatud replikatsioon. Te lasite tehisintellektil seda plaani kritiseerida; Loetlege puuduvad juhtelemendid ja mikserid. Seejärel printige võimsusanalüüsi kood (koos oma d- ja alfaväärtustega) ja laske sellel arvutada vajalike proovide arv. Vaadake selle tagasiside abil oma plaan üle.
kontrollnimekiri
- [ ] Kirjutasin oma hüpoteesi ühe mõõdetava lausega.
- [ ] Määrasin vajalikud kontrollrühmad (negatiivne/positiivne/kandja).
- [ ] Eristasin õigesti bioloogilist ja tehnilist kordamist.
- [ ] Tegin enne katset võimsusanalüüsi.
- [ ] Planeerisin randomiseerimist ja pimestamist.
- [ ] Parandasin analüüsitesti andmeid nägemata.