Voitot:
- Kyky rakentaa selkeä hypoteesi, tarkat kontrollit, satunnaistaminen, sokkouttaminen ja aiempi tehoanalyysi kokeelliseksi suunnitteluksi
- Kyky erottaa biologinen toisto teknisestä toistosta ja välttää pseudoreplikaatiovirhe
- Kyky estää p-hakkerointi ensisijaisesti korjaamalla analyysisuunnitelma ennen koetta (esitallennus)
Biologian kallein virhe on huonosti suunniteltu koe. Virheellinen analyysi voidaan korjata myöhemmin; Mutta riittämättömällä toistomäärällä, hallitsemattomilla tai sekoitetuilla muuttujilla kerättyä tietoa ei voida palauttaa millään tilastolla. "Roskat sisään, roskat ulos." Siksi kokeilu on suunniteltava oikein ennen kuin se alkaa. Tekoäly on vahva ajattelukumppani tässä suunnitteluvaiheessa: se palauttaa kontrolliryhmät, kirjoittaa koodin, joka suorittaa tehoanalyysin (laskee halutun eron taltioimiseen tarvittavien näytteiden määrän), kyseenalaistaa hämmentäviä muuttujia. Mutta lopullinen suunnittelupäätös on sinun verkkoalueen tuntemuksellasi.
Tässä osiossa keskustellaan hyvän kokeellisen suunnittelun komponenteista ja keinoälyn hyödyntämisestä tässä prosessissa.
Hyvän kokeellisen suunnittelun osat
- Selkeä hypoteesi: testattava, mitattavissa oleva väite. Kuten "Tämä lääke hidastaa solujen kasvua."
- Riippumaton ja riippuva muuttuja: Mitä muutat (lääkeannos), mitä mittaat (solumäärä)?
- Kontrolliryhmä: Vertailuryhmä, joka ei saanut interventiota. Ilman sitä et voi tietää eron syytä.
- Replikaatio: Biologinen replikaatio (eri yksilöt/kulttuurit) eroaa teknisestä replikaatiosta (saman näytteen toistuva mittaus); Todellinen voima on biologisessa toistossa.
- Satunnaistaminen: näytteiden satunnainen jakaminen ryhmiin ja käsittelyjärjestys; vähentää ennakkoluuloja.
- Sokeus: Mittauksen tekijä ei tiedä, mikä ryhmä on kumpi; estää subjektiivisen ennakkoluulon.
- Tehoanalyysi: Laskee etukäteen, kuinka monta näytettä tarvitaan odotetun vaikutuksen sieppaamiseen 80 %:n todennäköisyydellä.
Vinkki: Anna kokeellinen suunnittelu tekoälylle "arvostelemaan" sitä. "Mikä ohjaus puuttuu tästä suunnitelmasta, minkä hämmentävän muuttujan missasin?" Kysymys paljastaa aukkoja, joita et voi nähdä yksin ajattelemalla.
Tehoanalyysi: miksi ja miten
Hyvin pieni näyte voi saada jopa todellisen eron näyttämään "merkittämättömältä" (pieni teho); Liian suuri näyte on resurssien tuhlausta ja saattaa saada merkityksettömät erot näyttämään "merkittäviltä". Oikea luku saadaan tehoanalyysillä ja riippuu seuraavista: odotetun vaikutuksen suuruus, hyväksytyt virhesuhteet (alfa ja beeta) ja datan vaihtelevuus.
Rooli: Olet kokeellisen suunnittelun ja biostatistiikka-assistentti.Tehtävä: Suorita tehoanalyysi kokeessa, jossa vertaillaan kahta ryhmää.Kirjoita koodi, joka laskee tarvittavien näytteiden määrän ryhmää kohden odotetun vaikutuksen koolla Cohenin d = 0,8, alfa = 0,05, teho = 0,80. tilastomallit ja selitä oletukset
Suoritat koodin; saat esimerkiksi tuloksen, kuten "26 näytettä ryhmää kohti". Vertaa tätä kokeilubudjettiisi ja luo realistinen suunnitelma.
Askel askeleelta: kokeilun suunnittelu
- Kirjoita hypoteesi: Yksi lause, mitattavissa.
- Määrittele muuttujat: Riippumaton, riippuvainen, vakiona pidetty.
- Tunnista kontrollit: negatiivinen kontrolli, positiivinen kontrolli, vehikkelikontrolli.
- Listaa sekoittimet: Aika, erä, lämpötila, kokeilija – miten niitä ohjataan?
- Suorita vahvuusanalyysi: Laske tarvittavien toistojen määrä.
- Suunnittele satunnaistaminen ja sokkouttaminen.
- Kirjoita analyysisuunnitelma etukäteen: Päätä mitä testiä käytät ennen koetta (estää p-hakkeroinnin).
Kopioitavat kehotemallit
Kritisoi kokeilusuunnitelmaani. Etsi heikkouksia seuraavilta: kontrolliryhmä, kopioiden lukumäärä, satunnaistaminen, sokeuttaminen, hämmennykset. Ehdota konkreettista korjausta jokaiselle puutteelle. Suunnitelma: [teksti]
Selitä esimerkin avulla ero biologisen toiston ja teknisen toiston välillä. Kokemukseni mukaan [selitys] kumman pitäisi olla kuinka monta ja miksi?
Haluan korjata analyysisuunnitelmani ENNEN kokeilua. Saanto: [design]. Mikä tilastotesti on sopiva, mitkä oletukset minun tulee tarkistaa, tehdäänkö useita vertailuja? Kirjoita askel askeleelta.
Heikko kehote / Vahva kehote
Heikko: "Suunnittele kokeilu."
Vahva: "Haluan testata, onko huume
Ero: Vahvassa kehotteessa hypoteesi, muuttujat, mittausaika ja käytettävissä olevat kontrollit ovat selkeät; Malli antaa konkreettista, kenttäkohtaista palautetta.
kolme minilaukkua
Tapaus 1 – Reunavaikutus: Yksi ryhmä teki kokeita 96-kuoppaisella levyllä; Tulokset olivat outoja. Tekoäly muistutti, että levyn reunakuopat käyttäytyvät eri tavalla haihtumisen vuoksi (reunavaikutus) ja ehdotti reunojen käyttöä kontrollina ja näytteen jakamista satunnaisesti. Johdonmukaisuus lisääntyi toistossa.
Tapaus 2 – Pseudoreplikaatio: Opiskelija otti 10 kudosnäytettä yhdestä hiirestä ja sanoi "n=10". Nämä ovat kuitenkin 10 teknistä toistoa; biologinen n on edelleen 1. Kun malli selitti tämän eron, opiskelija suunnitteli uudelleen kokeen kuudella hiirellä. Oppitunti: tilastollinen n on biologinen yksikkö.
Tapaus 3 – Riittämätön teho: Yhdellä ryhmällä suoritettiin 4 näytettä ryhmää kohden, eikä todellinen vaikutus näkynyt (p=0,09). Tehoanalyysi osoitti, että 4 näytettä tarjosi vain 35 % tehoa. Jos malli olisi laskenut oikean määrän näytteitä etukäteen, koe olisi joko asetettu riittävällä teholla tai sitä ei olisi aloitettu ollenkaan. Oppitunti: laske teho etukäteen, ei myöhemmin.
vertailukaavio
käsite
Oikea sovellus
toistuva virhe
uudelleen
Laske biologinen toisto
ajattele teknistä toistoa
ohjata
Negatiivinen+positiivinen+kantaja
hallitsematon kokeilu
Satunnaistaminen
Ryhmittele ja tilaa satunnaisesti
Jaksottainen käsittely
tehoa
Laske ennen koetta
älä katso taaksepäin
analyysisuunnitelma
pin etukäteen
Testien valinta datan perusteella
Yleisiä virheitä
- Kontrolliryhmän ohittaminen: Tekee eron syyn tulkittavaksi.
- Pseudotoisto: Teknisen toiston pitäminen biologisena n:nä tuottaa pseudomerkityksen.
- Tehoanalyysiä ei suoriteta: Riittämätön tai turha näytteenotto.
- Hämmennysten huomioiminen: Tehosteet, kuten erä, sijainti, aika, vääristävät tulosta.
- Analyysitestin valinta jälkikäteen: Halutun tuloksen antavan testin etsiminen (p-hakkerointi).
Varoitus: Tekoäly antaa sinulle tilastoja ja suunnitteluehdotuksia, mutta se vaatii tietoa kokeen biologisesta merkityksestä ja siitä, mitä ohjausta todella tarvitaan. Mikään analyysi ei voi pelastaa huonosti suunniteltua koetta; Selvitä suunnittelu ennen kokeen aloittamista, mieluiten tilastotieteilijän kanssa.
Ottaen huomioon vaihtelun lähteet
Hyvän suunnittelun tuntematon sankari on miettiä etukäteen, mistä datan vaihtelu tulee. Biologinen vaihtelu (luonnollinen ero yksilöiden välillä) on väistämätöntä ja mitä haluat tutkia; Tekninen vaihtelu (pipettivirhe, laitepoikkeama, päiväero) on melua ja sitä tulisi vähentää. Tapa erottaa nämä kaksi toisistaan on suunnittelussa: jakaa tekninen vaihtelu satunnaistuksen ja sokkoutumisen avulla, näytteiden biologinen vaihtelu riittävällä toistolla.
On hyödyllistä aloittaa luomalla tekoäly luettelo kokeilusi mahdollisista vaihtelulähteistä. Esimerkiksi soluviljelykokeessa: siirtonumero (kuinka monta kertaa solut jaettiin), väliaineerä, inkubaattorin sijainti, keräysaika. Näiden lähteiden tunteminen antaa sinun päättää, mitkä lähteet pitää vakiona ja mitkä satunnaistaa.
Luettele kaikki mahdolliset vaihtelun lähteet (biologiset ja tekniset) seuraavassa kokeessa; Ehdota kullekin "pidä kiinteänä", "satunnaisesti" tai "tallenna ja lisää malliin muuttujana". Kokeilu: [kuvaus]
Ennakkorekisteröinti: tehokkain eheyden työkalu
Tehokkain tapa korjata analyysisuunnitelma ennen kokeilua on ennakkorekisteröinti: tallenna hypoteesi, otoskoko ja analyysisuunnitelma aikaleimattuun paikkaan ennen tiedonkeruuta. Tämä poistaa myöhemmän epäilyn "yritin analysoida, kunnes sain mitä halusin" ja lisää suuresti työsi uskottavuutta. Tekoäly voi auttaa sinua laatimaan termilomakkeen, selventämään hypoteesia ja kirjoittamaan analyysisuunnitelman. Tällä tavalla olet luonut vahvimman suojan p-hakkerointia vastaan, jonka näemme osiossa 8, ennen kuin kokeilu alkaa.
Suunnitteluerot koetyypin mukaan
Kaikki biologiset kokeet eivät noudata samaa kaavaa; Suunnittelu vaihtelee ongelman tyypin mukaan. Annos-vaste-koe vaatii useita annoksia ja käyrämallin; Yksittäinen annos ei riitä. Aikasarjakokeessa mittauspisteiden etäisyys ja riippuvuus (sama yksilön uudelleenmittaus) määrää suunnittelun. Kenttä/ekologisessa tutkimuksessa satunnaisotanta ja spatiaalinen riippuvuus (lähipisteiden samankaltaisuus) tulevat esiin. Kerrot tekoälylle kokeilusi tyypin ja kysyt "mitkä suunnitteluelementit ovat kriittisiä tälle tyypille?" Kysyminen: voit saada huomioimatta jääneen komponentin aikaisin. Mutta muista: malli muistuttaa yleisiä periaatteita, se ei tunne järjestelmäsi biologisia yksityiskohtia.
Yhteenvetona
Kiinteä kokeilu; Se perustuu selkeään hypoteesiin, tarkkoihin kontrolleihin, riittäviin biologisiin replikaatioihin, satunnaistukseen, sokeuttamiseen ja ennalta laskettuun tehoon. Tekoäly on tehokas kumppani, joka muistaa nämä komponentit, kirjoittaa tehoanalyysikoodin ja arvostelee suunnitelmaasi. Mutta biologinen merkitys ja lopullinen suunnittelupäätös on sinun. Analyysisuunnitelman korjaaminen ennen koetta on vastalääke p-hakkerointiansalle, jonka näemme seuraavassa jaksossa.
Sovellustehtävä
Kuvaile mielessäsi olevaa kokeilua (tai esimerkkiä) yhdessä kappaleessa: hypoteesi, muuttujat, kontrollit, suunniteltu replikointi. Sait tekoälyn arvostelemaan tätä suunnitelmaa; Lista puuttuvat säätimet ja sekoittimet. Tulosta sitten tehoanalyysikoodi (jossa d- ja alfa-arvot) ja anna sen laskea tarvittavien näytteiden määrä. Tarkista suunnitelmasi tämän palautteen avulla.
tarkistuslista
- [ ] Kirjoitin hypoteesini yhdellä mitattavalla lauseella.
- [ ] Määritin tarvittavat kontrolliryhmät (negatiivinen/positiivinen/kantaja).
- [ ] Erotin biologisen ja teknisen toiston oikein.
- [ ] Tein tehoanalyysin ennen koetta.
- [ ] Suunnittelin satunnaistamista ja sokkoutusta.
- [ ] Korjasin analyysitestin näkemättä tietoja.