Gevinster:
- Evne til å bygge en klar hypotese, nøyaktige kontroller, randomisering, blending og tidligere kraftanalyse inn i et eksperimentelt design
- Evne til å skille biologisk repetisjon fra teknisk repetisjon og unngå feilen med pseudoreplikasjon
- Evne til å forhindre p-hacking i utgangspunktet ved å fikse analyseplanen før eksperimentet (forhåndsopptak)
Den dyreste feilen i biologi er et dårlig utformet eksperiment. Feil analyse kan korrigeres senere; Men data samlet med utilstrekkelig antall repetisjoner, ukontrollerte eller blandede variabler kan ikke gjenopprettes av noen statistikk. "Søppel inn, søppel ut." Derfor må eksperimentet utformes riktig før det starter. Kunstig intelligens er en kraftig tenkepartner på dette designstadiet: den tilbakekaller kontrollgrupper, skriver koden som utfører kraftanalyse (beregner antall prøver som kreves for å fange opp den ettertraktede forskjellen), stiller spørsmål ved forvirrende variabler. Men den endelige designbeslutningen er din med domenekunnskap.
I denne enheten skal vi diskutere komponentene i et godt eksperimentelt design og hvordan man kan bruke kunstig intelligens i denne prosessen.
Komponenter av et godt eksperimentelt design
- Klar hypotese: En testbar, målbar påstand. Som "Dette stoffet bremser celleveksten."
- Uavhengig og avhengig variabel: Hva endrer du (medikamentdose), hva måler du (celletall)?
- Kontrollgruppe: Sammenligningsgruppe som ikke fikk noen intervensjon. Du kan ikke vite årsaken til forskjellen uten den.
- Replikering: Biologisk replikasjon (ulike individer/kulturer) er forskjellig fra teknisk replikasjon (gjentatt måling av samme prøve); Den virkelige kraften ligger i biologisk repetisjon.
- Randomisering: Tilfeldig fordeling av prøver i grupper og behandlingsrekkefølge; reduserer skjevhet.
- Blinding: Den som foretar målingen vet ikke hvilken gruppe som er hvilken; forhindrer subjektiv skjevhet.
- Effektanalyse: Beregner på forhånd hvor mange prøver som trengs for å fange opp forventet effekt med 80 % sannsynlighet.
Tips: Gi det eksperimentelle designet til AI for å "kritisere" det. "Hvilken kontroll mangler i denne planen, hvilken forvirrende variabel savnet jeg?" Spørsmålet avslører hull som du ikke kan se når du tenker alene.
Kraftanalyse: hvorfor og hvordan
Et veldig lite utvalg kan få til og med en reell forskjell til å virke "ubetydelig" (lav effekt); Et for stort utvalg er sløsing med ressurser og kan få ubetydelige forskjeller til å fremstå som «betydelige». Det riktige tallet blir funnet ved kraftanalyse og avhenger av: forventet effektstørrelse, aksepterte feilrater (alfa og beta) og variasjon av dataene.
Rolle: Du er en eksperimentell design- og biostatistikkassistent.Oppgave: Utfør en effektanalyse for et eksperiment som sammenligner to grupper.Skriv kode som beregner antall prøver som trengs per gruppe med forventet effektstørrelse Cohens d = 0,8, alfa = 0,05, potens = 0,80.statsmodeller og forklar forutsetningene.
Du kjører koden; for eksempel vil du få et resultat som "26 prøver per gruppe". Du sammenligner dette med eksperimentbudsjettet ditt og lager en realistisk plan.
Trinn for trinn: designe et eksperiment
- Skriv hypotesen: Én setning, målbar.
- Definer variabler: Uavhengig, avhengig, holdt konstant.
- Identifiser kontroller: negativ kontroll, positiv kontroll, kjøretøykontroll.
- List mikserne: Tid, batch, temperatur, eksperimentator - hvordan vil de bli kontrollert?
- Utfør en styrkeanalyse: Beregn antall repetisjoner som kreves.
- Planlegg randomisering og blinding.
- Skriv analyseplanen på forhånd: Bestem hvilken test du skal bruke før eksperimentet (forhindrer p-hacking).
Kopierbare spørsmålsmaler
Kritikk min eksperimentelle plan. Finn svakheter når det gjelder: kontrollgruppe, antall replikater, randomisering, blinding, konfoundere. Foreslå en konkret korreksjon for hver mangel. Plan: [tekst]
Forklar med eksempel forskjellen mellom biologisk repetisjon og teknisk repetisjon. Etter min erfaring [forklaring] hvilken bør være hvor mange og hvorfor?
Jeg ønsker å fikse analyseplanen min FØR eksperimentet. Utbytte: [design]. Hvilken statistisk test er passende, hvilke forutsetninger bør jeg sjekke, vil det være flere sammenligninger? Skriv trinn for trinn.
Svak forespørsel / Sterk forespørsel
Svak: "Design et eksperiment."
Strong: "Jeg vil teste om Drug
Forskjell: I den sterke ledeteksten er hypotesen, variablene, måletiden og tilgjengelige kontroller klare; Modellen gir konkrete, felttilpassede tilbakemeldinger.
tre minisaker
Tilfelle 1 — Kanteffekt: Ett team eksperimenterte i en 96-brønners plate; Resultatene var merkelige. Kunstig intelligens minnet om at kantbrønnene på platen oppfører seg annerledes på grunn av fordampning (kanteffekt) og foreslo å bruke kantene som kontroller og fordele prøvene tilfeldig. Konsistensen økte ved repetisjon.
Case 2 – Pseudoreplication: En student tok 10 vevsprøver fra en enkelt mus og sa "n=10." Dette er imidlertid 10 tekniske repetisjoner; biologisk n er fortsatt 1. Da modellen forklarte dette skillet, redesignet studenten eksperimentet med 6 mus. Leksjon: statistisk n er en biologisk enhet.
Tilfelle 3 — Utilstrekkelig kraft: En gruppe kjørte 4 prøver per gruppe og savnet en sann effekt (p=0,09). Effektanalyse viste at 4 prøver ga kun 35 % effekt. Hvis modellen hadde beregnet riktig antall prøver på forhånd, ville forsøket enten vært satt opp med tilstrekkelig kraft eller ikke startet i det hele tatt. Leksjon: beregn kraft på forhånd, ikke senere.
sammenligningsdiagram
konsept
Riktig søknad
hyppige feil
igjen
Tell biologisk gjentakelse
tenk på teknisk repetisjon
kontroll
Negativ+positiv+bærer
ukontrollert eksperiment
Randomisering
Grupper og bestill tilfeldig
Sekvensiell behandling
kraft
Beregn før eksperimentet
ikke se deg tilbake
analyseplan
pin på forhånd
Velge tester basert på data
Vanlige feil
- Hopp over kontrollgruppen: Gjør årsaken til forskjellen utolkelig.
- Pseudo-repetisjon: Å betrakte teknisk repetisjon som biologisk n gir pseudo-signifikans.
- Utfører ikke en effektanalyse: Utilstrekkelig eller bortkastet prøvetaking.
- Ignorerer konfounders: Effekter som batch, plassering, tid forvrenger resultatet.
- Velge analysetest i etterkant: Søker etter testen som gir det resultatet du ønsker (p-hacking).
Forsiktig: AI gir deg statistikk og designforslag, men det krever domenekunnskap om eksperimentets biologiske betydning og hvilken kontroll som faktisk er nødvendig. Ingen analyse kan redde et dårlig utformet eksperiment; Avklar designet før forsøket starter, gjerne med en statistiker.
Vurdere kilder til variasjon
Den ukjente helten med godt design er å tenke fremover på hvor variasjonen i data kommer fra. Biologisk variasjon (naturlig forskjell mellom individer) er uunngåelig og hva du ønsker å studere; Teknisk variasjon (pipettefeil, enhetsavvik, dagforskjell) er støy og bør reduseres. Måten å skille de to er i design: distribuere teknisk variasjon med randomisering og blinding, prøve biologisk variabilitet med tilstrekkelig repetisjon.
Det er nyttig å starte med å ha AI-listen over mulige kilder til variasjon i eksperimentet ditt. For eksempel, i et cellekultureksperiment: passasjenummer (hvor mange ganger cellene ble delt), medium batch, inkubatorplassering, høstetid. Når du kjenner til disse kildene, kan du bestemme hvilke du skal holde konstant og hvilke som skal randomiseres.
List opp alle mulige kilder til variasjon (biologisk og teknisk) i følgende eksperiment; Foreslå "hold fast", "randomiser" eller "lagre og legg til modellen som en variabel" for hver. Eksperiment: [beskrivelse]
Forhåndsregistrering: det kraftigste verktøyet for integritet
Den kraftigste formen for å fikse analyseplanen før eksperimentet er forhåndsregistrering: registrering av hypotese, prøvestørrelse og analyseplan på et tidsstemplet sted før datainnsamling. Dette eliminerer den senere tvilen om "Jeg prøvde analyse til jeg fikk det jeg ville ha" og øker troverdigheten til arbeidet ditt. AI kan hjelpe deg med å utarbeide termarket ditt, klargjøre hypotesen og skrive analyseplanen. På denne måten vil du ha etablert det sterkeste skjoldet mot p-hacking, som vi vil se i enhet 8, før eksperimentet starter.
Designforskjeller i henhold til eksperimenttype
Ikke alle biologieksperimenter følger det samme mønsteret; Designet varierer avhengig av type problem. Et dose-respons eksperiment krever flere doser og en kurvemodell; En enkelt dose er ikke nok. I et tidsserieeksperiment bestemmer avstanden og avhengigheten til målepunktene (re-måling av samme individ) designet. I en felt/økologistudie kommer tilfeldig prøvetaking og romlig avhengighet (likhet av nærliggende punkter) i forgrunnen. Du forteller AI hvilken type eksperimentet ditt er og spør "hvilke designelementer er kritiske for denne typen?" Spør: lar deg fange en oversett komponent tidlig. Men husk: modellen husker generelle prinsipper, den kjenner ikke de biologiske detaljene til systemet ditt.
Oppsummert
Et solid eksperiment; Den er basert på en klar hypotese, nøyaktige kontroller, tilstrekkelige biologiske replikater, randomisering, blending og forhåndsberegnet kraft. AI er en kraftig partner som tilbakekaller disse komponentene, skriver kraftanalysekoden og kritiserer planen din. Men den biologiske betydningen og den endelige designbeslutningen er din. Å fikse analyseplanen før eksperimentet er motgiften mot p-hacking-fellen vi vil se i neste enhet.
Søknadsoppgave
Beskriv et eksperiment du har i tankene (eller et eksempel) i ett avsnitt: hypotese, variabler, kontroller, planlagt replikering. Du fikk den kunstige intelligensen til å kritisere denne planen; Liste over manglende kontroller og miksere. Skriv deretter ut en effektanalysekode (med d- og alfa-verdiene dine) og få den til å beregne antall nødvendige prøver. Revider planen din med denne tilbakemeldingen.
sjekkliste
- [ ] Jeg skrev hypotesen min i én målbar setning.
- [ ] Jeg bestemte de nødvendige kontrollgruppene (negativ/positiv/bærer).
- [ ] Jeg skilte biologisk og teknisk repetisjon riktig.
- [ ] Jeg gjorde kraftanalysen før eksperimentet.
- [ ] Jeg planla randomisering og blinding.
- [ ] Jeg fikset analysetesten uten å se dataene.