Ieguvumi:
- Spēja izveidot skaidru hipotēzi, precīzu kontroli, randomizāciju, apžilbināšanu un iepriekšēju jaudas analīzi eksperimentālā plānā
- Spēja atšķirt bioloģisko atkārtošanos no tehniskā atkārtojuma un izvairīties no pseidoreplicēšanas kļūdas
- Spēja novērst p-uzlaušanu, pirmkārt, fiksējot analīzes plānu pirms eksperimenta (iepriekšēja ierakstīšana)
Visdārgākā kļūda bioloģijā ir slikti izstrādāts eksperiments. Nepareizu analīzi vēlāk var labot; Bet datus, kas savākti ar nepietiekamu atkārtojumu skaitu, nekontrolētiem vai jauktiem mainīgajiem, nevar atgūt ar statistiku. "Atkritumi iekšā, atkritumi ārā." Tāpēc eksperiments ir pareizi jāizstrādā pirms tā sākuma. Mākslīgais intelekts ir spēcīgs domāšanas partneris šajā projektēšanas stadijā: tas atsauc kontroles grupas, raksta kodu, kas veic jaudas analīzi (aprēķinot paraugu skaitu, kas nepieciešams, lai uztvertu meklēto atšķirību), apšauba mulsinošus mainīgos. Bet galīgo lēmumu par dizainu pieņemat jūs, ņemot vērā domēna zināšanas.
Šajā nodaļā mēs apspriedīsim laba eksperimentālā dizaina sastāvdaļas un to, kā šajā procesā izmantot mākslīgo intelektu.
Laba eksperimentālā dizaina sastāvdaļas
- Skaidra hipotēze: pārbaudāms, izmērāms apgalvojums. Tāpat kā "Šīs zāles palēnina šūnu augšanu."
- Neatkarīgs un atkarīgs mainīgais: ko jūs maināt (zāļu deva), ko jūs mērāt (šūnu skaits)?
- Kontroles grupa: salīdzināšanas grupa, kas nesaņēma nekādu iejaukšanos. Bez tā jūs nevarat zināt atšķirības iemeslu.
- Replikācija: bioloģiskā replikācija (dažādi indivīdi/kultūras) atšķiras no tehniskās replikācijas (viena parauga atkārtota mērīšana); Patiesais spēks ir bioloģiskajā atkārtojumā.
- Randomizācija: izlases veida paraugu sadale grupās un apstrādes secība; samazina neobjektivitāti.
- Apžilbināšana: persona, kas veic mērījumu, nezina, kura grupa ir kura; novērš subjektīvu aizspriedumu.
- Jaudas analīze: iepriekš aprēķinot, cik daudz paraugu ir nepieciešams, lai ar 80% varbūtību uztvertu paredzamo efektu.
Padoms: nododiet eksperimentālo dizainu AI, lai tas to “kritizētu”. “Kādas kontroles trūkst šajā plānā, kādu mulsinošu mainīgo es palaidu garām?” Jautājums atklāj nepilnības, kuras jūs nevarat redzēt, domājot vienatnē.
Jaudas analīze: kāpēc un kā
Ļoti mazs paraugs pat reālai atšķirībai var likties "nenozīmīga" (maza jauda); Pārāk liels paraugs ir resursu izšķiešana, un nenozīmīgas atšķirības var likties "nozīmīgas". Pareizais skaitlis tiek atrasts, izmantojot jaudas analīzi, un tas ir atkarīgs no: paredzamā efekta lieluma, pieņemtā kļūdu līmeņa (alfa un beta) un datu mainīguma.
Loma: Jūs esat eksperimentālā dizaina un biostatistikas asistents.Uzdevums: veiciet jaudas analīzi eksperimentam, salīdzinot divas grupas.Uzrakstiet kodu, kas aprēķina katrai grupai nepieciešamo paraugu skaitu ar paredzamā efekta lielumu Koena d = 0,8, alfa = 0,05, jauda = 0,80. statsmodeļi un izskaidrojiet pieņēmumus.
Jūs palaižat kodu; piemēram, jūs saņemsiet rezultātu, piemēram, "26 paraugi vienā grupā". Jūs to salīdziniet ar savu eksperimenta budžetu un izveidojat reālistisku plānu.
Soli pa solim: eksperimenta izstrāde
- Uzrakstiet hipotēzi: Viens teikums, izmērāms.
- Definējiet mainīgos: neatkarīgs, atkarīgs, nemainīgs.
- Identificējiet kontroles: negatīvā kontrole, pozitīvā kontrole, nesēja kontrole.
- Uzskaitiet maisītājus: laiks, partija, temperatūra, eksperimentētājs — kā tie tiks kontrolēti?
- Veiciet stiprības analīzi: aprēķiniet nepieciešamo atkārtojumu skaitu.
- Plānojiet randomizāciju un apžilbināšanu.
- Iepriekš uzrakstiet analīzes plānu: nosakiet, kuru testu izmantosit pirms eksperimenta (novērš p-hacking).
Kopējamas uzvedņu veidnes
Kritizējiet manu eksperimentālo plānu. Atrodiet vājās vietas: kontroles grupa, atkārtojumu skaits, nejaušināšana, apžilbināšana, sajauktāji. Iesakiet konkrētu labojumu katrai nepilnībai. Plāns: [teksts]
Piemērā izskaidrojiet atšķirību starp bioloģisko atkārtošanos un tehnisko atkārtošanos. Pēc manas pieredzes [paskaidrojums] kuram vajadzētu būt, cik un kāpēc?
Es vēlos labot savu analīzes plānu PIRMS eksperimenta. Raža: [dizains]. Kurš statistikas tests ir piemērots, kādi pieņēmumi man jāpārbauda, vai būs vairāki salīdzinājumi? Rakstiet soli pa solim.
Vāja uzvedne / spēcīga uzvedne
Vāji: “Izstrādājiet eksperimentu”.
Spēcīgs: "Es gribu pārbaudīt, vai Narkotikas
Atšķirība: spēcīgajā uzvednē hipotēze, mainīgie lielumi, mērījumu laiks un pieejamās vadīklas ir skaidri redzamas; Modelis sniedz konkrētu, laukam atbilstošu atgriezenisko saiti.
trīs mini futrāļi
1. gadījums — malas efekts: viena komanda eksperimentēja ar 96 iedobju plāksni; Rezultāti bija dīvaini. Mākslīgais intelekts atgādināja, ka plāksnes malas iedobes uzvedas atšķirīgi iztvaikošanas dēļ (malas efekts), un ieteica malas izmantot kā kontroles un paraugus sadalīt nejauši. Atkārtošanās laikā palielinājās konsekvence.
2. gadījums — pseidoreplikācija: students paņēma 10 audu paraugus no vienas peles un teica "n=10". Tomēr tie ir 10 tehniski atkārtojumi; bioloģiskais n joprojām ir 1. Kad modelis izskaidroja šo atšķirību, students pārveidoja eksperimentu ar 6 pelēm. Nodarbība: statistikas n ir bioloģiskā vienība.
3. gadījums — nepietiekama jauda: viena grupa veica 4 paraugus katrai grupai un nesasniedza patieso efektu (p=0,09). Jaudas analīze parādīja, ka 4 paraugi nodrošināja tikai 35% jaudas. Ja modelis būtu iepriekš aprēķinājis pareizo paraugu skaitu, eksperiments būtu vai nu izveidots ar pietiekamu jaudu, vai arī nebūtu sācies vispār. Nodarbība: aprēķiniet jaudu iepriekš, nevis vēlāk.
salīdzināšanas diagramma
koncepcija
Pareiza pielietošana
bieža kļūda
atkal
Skaitīt bioloģisko atkārtojumu
padomājiet par tehnisku atkārtojumu
kontrole
Negatīvs+pozitīvs+nesējs
nekontrolēts eksperiments
Randomizācija
Grupējiet un pasūtiet nejauši
Secīgā apstrāde
jauda
Aprēķiniet pirms eksperimenta
neatskaties atpakaļ
analīzes plāns
pin iepriekš
Testu izvēle, pamatojoties uz datiem
Biežas kļūdas
- Kontrolgrupas izlaišana: atšķirības cēlonis nav interpretējams.
- Pseidoatkārtošanās: Uzskatot tehnisko atkārtošanos par bioloģisku n, rodas pseidonozīmība.
- Netiek veikta jaudas analīze: nepietiekama vai izšķērdīga paraugu ņemšana.
- Jaucēju ignorēšana: tādi efekti kā partija, atrašanās vieta, laiks izkropļo rezultātu.
- Analīzes testa izvēle pēc tam: tā testa meklēšana, kas dod vēlamo rezultātu (p-hacking).
Uzmanību: AI sniedz jums statistiku un dizaina ieteikumus, taču tam ir nepieciešamas domēna zināšanas par eksperimenta bioloģisko nozīmi un to, kāda kontrole patiesībā ir nepieciešama. Nekāda analīze nevar glābt slikti izstrādātu eksperimentu; Pirms eksperimenta sākuma noskaidrojiet dizainu, vēlams ar statistiķi.
Ņemot vērā mainīguma avotus
Neapdziedāts laba dizaina varonis ir iepriekš domāt par to, no kurienes rodas datu mainīgums. Bioloģiskā mainība (dabiskā atšķirība starp indivīdiem) ir neizbēgama un ko vēlaties pētīt; Tehniskā mainība (pipetes kļūda, ierīces novirze, dienas starpība) ir troksnis, un tā ir jāsamazina. Veids, kā nošķirt abus, ir dizains: sadaliet tehnisko mainīgumu ar randomizāciju un apžilbināšanu, paraugu bioloģisko mainīgumu ar pietiekamu atkārtojumu.
Ir noderīgi sākt ar to, ka AI uzskaita iespējamos eksperimenta mainīguma avotus. Piemēram, šūnu kultūras eksperimentā: pasāžas numurs (cik reizes šūnas tika sadalītas), barotnes partija, inkubatora atrašanās vieta, novākšanas laiks. Zinot šos avotus, varat izlemt, kurus no tiem saglabāt nemainīgus un kurus randomizēt.
Uzskaitiet visus iespējamos mainīguma avotus (bioloģiskos un tehniskos) nākamajā eksperimentā; Katram no tiem iesakiet "saglabāt fiksētu", "izlases kārtībā" vai "saglabāt un pievienot modelim kā mainīgo". Eksperiments: [apraksts]
Iepriekšēja reģistrācija: visspēcīgākais integritātes rīks
Visefektīvākais analīzes plāna fiksēšanas veids pirms eksperimenta ir iepriekšēja reģistrācija: hipotēzes, izlases lieluma un analīzes plāna ierakstīšana noteiktā vietā pirms datu vākšanas. Tas novērš vēlāk radušās šaubas par "es mēģināju analīzi, līdz saņēmu to, ko gribēju" un ievērojami palielina jūsu darba uzticamību. AI var palīdzēt jums izveidot terminu lapu, precizēt hipotēzi un uzrakstīt analīzes plānu. Tādā veidā jūs būsit izveidojis spēcīgāko vairogu pret p-uzlaušanu, ko mēs redzēsim 8. nodaļā pirms eksperimenta sākuma.
Dizaina atšķirības atkarībā no eksperimenta veida
Ne katrs bioloģijas eksperiments notiek pēc tāda paša modeļa; Dizains atšķiras atkarībā no problēmas veida. Devas-atbildes reakcijas eksperimentam ir nepieciešamas vairākas devas un līknes modelis; Ar vienu devu nepietiek. Laika rindas eksperimentā mērījumu punktu atstatums un atkarība (atkārtoti mērot vienu un to pašu indivīdu) nosaka dizainu. Lauka/ekoloģijas pētījumā priekšplānā izvirzās nejauša izlase un telpiskā atkarība (tuvējo punktu līdzība). Jūs sakāt AI sava eksperimenta veidu un jautājat: “Kādi dizaina elementi ir būtiski šim tipam?” Jautāšana: ļauj agri uztvert aizmirsto komponentu. Bet atcerieties: modelis atgādina vispārīgos principus, tas nezina jūsu sistēmas bioloģiskās detaļas.
Rezumējot
Ciets eksperiments; Tas ir balstīts uz skaidru hipotēzi, precīzām kontrolēm, pietiekamiem bioloģiskiem atkārtojumiem, randomizāciju, apžilbināšanu un iepriekš aprēķinātu jaudu. AI ir spēcīgs partneris, kas atsauc šos komponentus, raksta jaudas analīzes kodu un kritizē jūsu plānu. Bet bioloģiskā nozīme un galīgais dizaina lēmums ir jūsu ziņā. Analīzes plāna labošana pirms eksperimenta ir pretlīdzeklis p-datorurķēšanas slazdam, ko mēs redzēsim nākamajā nodaļā.
Lietojumprogrammas uzdevums
Vienā rindkopā aprakstiet iecerēto eksperimentu (vai piemēru): hipotēze, mainīgie lielumi, vadīklas, plānotā replikācija. Jūs likāt mākslīgajam intelektam kritizēt šo plānu; Uzskaitiet trūkstošos vadības elementus un mikserus. Pēc tam izdrukājiet jaudas analīzes kodu (ar jūsu d un alfa vērtībām) un ļaujiet tam aprēķināt nepieciešamo paraugu skaitu. Pārskatiet savu plānu, izmantojot šīs atsauksmes.
kontrolsaraksts
- [ ] Savu hipotēzi uzrakstīju vienā izmērāmā teikumā.
- [ ] Noteicu nepieciešamās kontroles grupas (negatīvs/pozitīvs/nesējs).
- [ ] Es pareizi nošķīru bioloģisko un tehnisko atkārtošanos.
- [ ] Pirms eksperimenta es veicu jaudas analīzi.
- [ ] Es plānoju randomizāciju un apžilbināšanu.
- [ ] Es laboju analīzes testu, neredzot datus.