طراحی تجربی: ایجاد یک طرح جامد با هوش مصنوعی

سود:

• توانایی ساخت یک فرضیه روشن، کنترل های دقیق، تصادفی سازی، کور کردن، و تجزیه و تحلیل توان قبلی در یک طرح آزمایشی
• توانایی تشخیص تکرار بیولوژیکی از تکرار فنی و اجتناب از خطای شبه تکرار
• امکان جلوگیری از هک p در وهله اول با اصلاح طرح تحلیل قبل از آزمایش (پیش ضبط)

گران ترین اشتباه در زیست شناسی، آزمایشی است که طراحی ضعیفی دارد. تحلیل نادرست را می توان بعداً اصلاح کرد. اما داده های جمع آوری شده با تعداد تکرار ناکافی، متغیرهای کنترل نشده یا مختلط با هیچ آماری قابل بازیابی نیستند. "زباله داخل، زباله بیرون." به همین دلیل است که آزمایش قبل از شروع باید به درستی طراحی شود. هوش مصنوعی یک شریک فکری قدرتمند در این مرحله طراحی است: گروه‌های کنترل را به یاد می‌آورد، کدی را می‌نویسد که تجزیه و تحلیل توان را انجام می‌دهد (محاسبه تعداد نمونه‌های مورد نیاز برای ثبت تفاوت مورد نظر)، متغیرهای گیج کننده را زیر سوال می‌برد. اما تصمیم نهایی طراحی با دانش دامنه با شماست.

در این بخش به اجزای یک طراحی آزمایشی خوب و نحوه استفاده از هوش مصنوعی در این فرآیند می پردازیم.

اجزای یک طرح آزمایشی خوب

• فرضیه روشن: یک ادعای قابل آزمایش و قابل اندازه گیری. مانند «این دارو رشد سلولی را کند می کند».
• متغیر مستقل و وابسته: چه چیزی را تغییر می دهید (دوز دارو)، چه چیزی را اندازه می گیرید (تعداد سلول ها)؟
• گروه کنترل: گروه مقایسه ای که هیچ مداخله ای دریافت نکردند. بدون آن نمی توانید دلیل تفاوت را بدانید.
• همانندسازی: همانندسازی بیولوژیکی (افراد/فرهنگ های مختلف) با تکثیر فنی (تکرار اندازه گیری نمونه مشابه) متفاوت است. قدرت واقعی در تکرار بیولوژیکی است.
• تصادفی سازی: توزیع تصادفی نمونه ها در گروه ها و ترتیب پردازش. تعصب را کاهش می دهد.
• کور کردن: شخصی که اندازه گیری می کند نمی داند کدام گروه کدام است. از سوگیری ذهنی جلوگیری می کند.
• تجزیه و تحلیل توان: محاسبه از قبل تعداد نمونه مورد نیاز برای گرفتن اثر مورد انتظار با احتمال 80٪.

نکته: طرح آزمایشی را به هوش مصنوعی بدهید تا آن را "نقد" کند. "چه کنترلی در این طرح وجود ندارد، کدام متغیر مخدوش کننده را از دست دادم؟" این سؤال شکاف هایی را نشان می دهد که وقتی به تنهایی فکر می کنید نمی توانید آنها را ببینید.

تحلیل قدرت: چرا و چگونه

یک نمونه بسیار کوچک ممکن است حتی یک تفاوت واقعی را "بی اهمیت" به نظر برساند (قدرت کم). نمونه ای که بیش از حد بزرگ باشد، اتلاف منابع است و ممکن است تفاوت های ناچیز را «مهم» جلوه دهد. عدد صحیح با تجزیه و تحلیل توان پیدا می شود و به: اندازه اثر مورد انتظار، نرخ خطای پذیرفته شده (آلفا و بتا) و متغیر بودن داده ها بستگی دارد.

نقش: شما یک دستیار طراحی آزمایشی و آمار زیستی هستید. وظیفه: برای آزمایشی که دو گروه را با هم مقایسه می کند، تجزیه و تحلیل توان انجام دهید. کدی بنویسید که تعداد نمونه های مورد نیاز در هر گروه را با اندازه اثر مورد انتظار کوهن d = 0.8، آلفا = 0.05، توان = 0.80.statsmodels محاسبه می کند و مفروضات را توضیح می دهد.

شما کد را اجرا می کنید. به عنوان مثال شما نتیجه ای مانند "26 نمونه در هر گروه" دریافت خواهید کرد. شما این را با بودجه آزمایش خود مقایسه می کنید و یک برنامه واقعی ایجاد می کنید.

گام به گام: طراحی آزمایش

1. فرضیه را بنویسید: یک جمله، قابل اندازه گیری.
2. تعریف متغیرها: مستقل، وابسته، ثابت نگه داشته شده.
3. شناسایی کنترل ها: کنترل منفی، کنترل مثبت، کنترل وسیله نقلیه.
4. میکسرها را فهرست کنید: زمان، دسته، دما، آزمایشگر - چگونه کنترل خواهند شد؟
5. انجام تجزیه و تحلیل قدرت: تعداد تکرارهای مورد نیاز را محاسبه کنید.
6. برنامه ریزی تصادفی سازی و کور کردن.
7. طرح تجزیه و تحلیل را از قبل بنویسید: تعیین کنید که از کدام تست قبل از آزمایش استفاده می کنید (از هک p جلوگیری می کند).

الگوهای درخواستی قابل کپی

طرح آزمایشی من را نقد کنید. نقاط ضعف را از نظر: گروه کنترل، تعداد تکرار، تصادفی سازی، کور کردن، مخدوش کننده ها بیابید. برای هر کاستی یک اصلاح مشخص پیشنهاد کنید. طرح: [متن]

تفاوت بین تکرار بیولوژیکی و تکرار فنی را با مثال توضیح دهید. طبق تجربه من [توضیح] کدام یک باید چند باشد و چرا؟

من می خواهم قبل از آزمایش طرح تجزیه و تحلیل خود را اصلاح کنم. بازده: [طرح]. کدام آزمون آماری مناسب است، کدام فرضیات را باید بررسی کنم، آیا مقایسه های متعددی وجود خواهد داشت؟ قدم به قدم بنویس

اعلان ضعیف / اعلان قوی

ضعیف: "یک آزمایش طراحی کنید."

استرانگ: «می‌خواهم آزمایش کنم که آیا دارو

تفاوت: در اعلان قوی، فرضیه، متغیرها، زمان اندازه‌گیری و کنترل‌های موجود مشخص است. این مدل بازخورد مشخص و مناسب میدانی را ارائه می دهد.

سه کیف کوچک

مورد 1 - اثر لبه: یک تیم در یک صفحه 96 چاهی آزمایش کردند. نتایج عجیب بود. هوش مصنوعی یادآور شد که چاه های لبه صفحه به دلیل تبخیر (اثر لبه) رفتار متفاوتی دارند و پیشنهاد کرد که از لبه ها به عنوان کنترل و توزیع نمونه ها به صورت تصادفی استفاده شود. ثبات در تکرار افزایش یافت.

مورد 2 - شبه تکثیر: دانش آموزی 10 نمونه بافت از یک موش گرفت و گفت "10=n". با این حال، این 10 تکرار فنی هستند. n بیولوژیکی هنوز 1 است. وقتی مدل این تمایز را توضیح داد، دانش‌آموز آزمایش را با 6 موش دوباره طراحی کرد. درس: آماری n یک واحد بیولوژیکی است.

مورد 3 - توان ناکافی: یک گروه 4 نمونه را در هر گروه اجرا کردند و یک اثر واقعی را از دست دادند (09/0=p). تجزیه و تحلیل توان نشان داد که 4 نمونه تنها 35 درصد توان را ارائه می دهند. اگر مدل از قبل تعداد صحیح نمونه ها را محاسبه کرده بود، آزمایش یا با قدرت کافی تنظیم می شد یا اصلا شروع نمی شد. درس: قدرت را از قبل محاسبه کنید نه بعد.

نمودار مقایسه

مفهوم

کاربرد صحیح

خطای مکرر

دوباره

تکرار بیولوژیکی را بشمارید

به تکرار فنی فکر کنید

کنترل کنید

منفی + مثبت + حامل

آزمایش کنترل نشده

تصادفی سازی

گروه بندی و به صورت تصادفی سفارش دهید

پردازش متوالی

قدرت

قبل از آزمایش محاسبه کنید

به عقب نگاه نکن

طرح تحلیل

از قبل پین کنید

انتخاب آزمون ها بر اساس داده ها

اشتباهات رایج

• نادیده گرفتن گروه کنترل: علت تفاوت را غیر قابل تفسیر می کند.
• تکرار شبه: در نظر گرفتن تکرار فنی به عنوان n بیولوژیکی شبه اهمیت ایجاد می کند.
• عدم انجام تحلیل توان: نمونه برداری ناکافی یا بیهوده.
• نادیده گرفتن عوامل مخدوش کننده: اثراتی مانند دسته، مکان، زمان نتیجه را مخدوش می کند.
• انتخاب تست آنالیز بعد از آن: جستجوی تستی که نتیجه مورد نظر شما را می دهد (p-hacking).

احتیاط: هوش مصنوعی به شما آمار و پیشنهادات طراحی می‌دهد، اما نیاز به دانش دامنه از معنای بیولوژیکی آزمایش و کنترل واقعی مورد نیاز دارد. هیچ تحلیلی نمی تواند آزمایشی را که طراحی ضعیفی دارد نجات دهد. قبل از شروع آزمایش، ترجیحاً با یک آمارگیر، طرح را روشن کنید.

در نظر گرفتن منابع تغییرپذیری

قهرمان گمنام طراحی خوب این است که از قبل به این فکر کنیم که تنوع در داده ها از کجا می آید. تنوع بیولوژیکی (تفاوت طبیعی بین افراد) اجتناب ناپذیر است و آنچه شما می خواهید مطالعه کنید. تنوع فنی (خطای پیپت، انحراف دستگاه، اختلاف روز) نویز است و باید کاهش یابد. راه تفکیک این دو در طراحی است: توزیع تنوع فنی با تصادفی سازی و کور کردن، تنوع زیستی نمونه با تکرار کافی.

برای شروع با فهرست منابع احتمالی تغییرپذیری هوش مصنوعی در آزمایشتان مفید است. به عنوان مثال، در آزمایش کشت سلولی: تعداد پاساژ (چند بار تقسیم سلولی)، دسته متوسط، محل انکوباتور، زمان برداشت. دانستن این منابع به شما امکان می دهد تصمیم بگیرید که کدام یک را ثابت نگه دارید و کدام یک را تصادفی کنید.

تمام منابع احتمالی تنوع (بیولوژیکی و فنی) را در آزمایش زیر فهرست کنید. برای هر کدام «ثابت نگه داشتن»، «تصادفی‌سازی» یا «ذخیره و افزودن به مدل به‌عنوان متغیر» را پیشنهاد کنید. آزمایش: [توضیحات]

پیش ثبت نام: قدرتمندترین ابزار یکپارچگی

قوی ترین شکل اصلاح طرح تجزیه و تحلیل قبل از آزمایش، پیش ثبت نام است: ثبت فرضیه، حجم نمونه، و طرح تجزیه و تحلیل در یک مکان دارای مهر زمانی قبل از جمع آوری داده ها. این شک بعدی را از بین می برد که «تحلیل را امتحان کردم تا به آنچه می خواستم رسیدم» و اعتبار کار شما را بسیار افزایش می دهد. هوش مصنوعی می تواند به شما کمک کند برگه ترم خود را تهیه کنید، فرضیه را روشن کنید و طرح تحلیل را بنویسید. به این ترتیب قوی ترین سپر را در برابر هک p ایجاد خواهید کرد که قبل از شروع آزمایش آن را در بخش 8 خواهیم دید.

تفاوت طراحی بر اساس نوع آزمایش

هر آزمایش زیست شناسی از یک الگو پیروی نمی کند. طراحی بسته به نوع مشکل متفاوت است. یک آزمایش دوز-پاسخ به دوزهای متعدد و یک مدل منحنی نیاز دارد. یک دوز واحد کافی نیست. در آزمایش سری زمانی، فاصله و وابستگی نقاط اندازه گیری (اندازه گیری مجدد همان فرد) طرح را تعیین می کند. در یک مطالعه میدانی/اکولوژیکی، نمونه گیری تصادفی و وابستگی فضایی (شباهت نقاط مجاور) به چشم می خورد. شما نوع آزمایش خود را به هوش مصنوعی می‌گویید و می‌پرسید «چه عناصر طراحی برای این نوع حیاتی هستند؟» پرسیدن: به شما امکان می دهد تا یک مؤلفه نادیده گرفته شده را زودتر پیدا کنید. اما به یاد داشته باشید: این مدل اصول کلی را به یاد می آورد، جزئیات بیولوژیکی سیستم شما را نمی داند.

به طور خلاصه

یک آزمایش محکم؛ این بر اساس یک فرضیه روشن، کنترل های دقیق، تکرارهای بیولوژیکی کافی، تصادفی سازی، کور کردن، و توان از پیش محاسبه شده است. هوش مصنوعی شریک قدرتمندی است که این مؤلفه‌ها را به خاطر می‌آورد، کد تجزیه و تحلیل توان را می‌نویسد و طرح شما را نقد می‌کند. اما معنای بیولوژیکی و تصمیم نهایی طراحی با شماست. اصلاح طرح تحلیل قبل از آزمایش پادزهر تله هک p است که در بخش بعدی خواهیم دید.

وظیفه کاربردی

آزمایشی را که در ذهن دارید (یا یک مثال) در یک پاراگراف شرح دهید: فرضیه، متغیرها، کنترل ها، تکرار برنامه ریزی شده. شما هوش مصنوعی این طرح را نقد کردید. کنترل‌ها و میکسرهای گمشده را فهرست کنید. سپس یک کد آنالیز توان چاپ کنید (با مقادیر d و alpha) و از آن بخواهید تعداد نمونه های مورد نیاز را محاسبه کند. با این بازخورد برنامه خود را اصلاح کنید.

چک لیست

• [ ] من فرضیه خود را در یک جمله قابل اندازه گیری نوشتم.
• [ ] گروه های کنترل لازم (منفی/مثبت/ناقل) را تعیین کردم.
• [ ] من تکرار بیولوژیکی و فنی را به درستی تشخیص دادم.
• [ ] من قبل از آزمایش آنالیز توان را انجام دادم.
• [ ] من تصادفی سازی و کور کردن را برنامه ریزی کردم.
• [ ] من تست تجزیه و تحلیل را بدون دیدن داده ها رفع کردم.