Dobički:
- Sposobnost oblikovanja jasne hipoteze, natančnih kontrol, randomizacije, zaslepitve in predhodne analize moči v eksperimentalni načrt
- Sposobnost razlikovanja biološkega ponavljanja od tehničnega ponavljanja in izogibanja napaki psevdoreplikacije
- Sposobnost preprečevanja p-hekanja na prvem mestu s popravkom načrta analize pred poskusom (predhodno snemanje)
Najdražja napaka v biologiji je slabo zasnovan poskus. Napačno analizo je mogoče kasneje popraviti; Toda podatkov, zbranih z nezadostnim številom ponovitev, nenadzorovanimi ali mešanimi spremenljivkami, ni mogoče obnoviti z nobeno statistiko. "Smeti noter, smeti ven." Zato mora biti poskus pred začetkom pravilno zasnovan. Umetna inteligenca je v tej fazi načrtovanja močan partner pri razmišljanju: prikliče kontrolne skupine, napiše kodo, ki izvaja analizo moči (izračuna število vzorcev, potrebnih za zajem iskane razlike), postavlja pod vprašaj zmedene spremenljivke. Toda končna odločitev glede oblikovanja je vaša z znanjem domene.
V tej enoti bomo razpravljali o komponentah dobrega eksperimentalnega načrta in o tem, kako v tem procesu uporabiti umetno inteligenco.
Komponente dobrega eksperimentalnega načrta
- Jasna hipoteza: Preverljiva, merljiva trditev. Kot "To zdravilo upočasni rast celic."
- Neodvisna in odvisna spremenljivka: Kaj spreminjate (odmerek zdravila), kaj merite (število celic)?
- Kontrolna skupina: Primerjalna skupina, ki ni bila deležna nobenega posega. Brez tega ne morete vedeti razloga za razliko.
- Replikacija: biološka replikacija (različni posamezniki/kulture) se razlikuje od tehnične replikacije (ponovljena meritev istega vzorca); Prava moč je v biološkem ponavljanju.
- Randomizacija: Naključno razdeljevanje vzorcev v skupine in vrstni red obdelave; zmanjšuje pristranskost.
- Zaslepitev: Oseba, ki meri, ne ve, katera skupina je katera; preprečuje subjektivno pristranskost.
- Analiza moči: Vnaprejšnji izračun, koliko vzorcev je potrebnih za zajem pričakovanega učinka z 80-odstotno verjetnostjo.
Namig: dajte eksperimentalni načrt AI, da ga "kritizira". "Kateri nadzor manjka v tem načrtu, katero motečo spremenljivko sem spregledal?" Vprašanje razkriva vrzeli, ki jih ne vidite, ko razmišljate sami.
Analiza moči: zakaj in kako
Zaradi zelo majhnega vzorca se lahko celo dejanska razlika zdi "nepomembna" (nizka moč); Prevelik vzorec je izguba virov in lahko povzroči, da se nepomembne razlike zdijo "pomembne". Pravilno število se ugotovi z analizo moči in je odvisno od: pričakovane velikosti učinka, sprejetih stopenj napak (alfa in beta) in variabilnosti podatkov.
Vloga: Ste asistent za eksperimentalno načrtovanje in biostatistiko. Naloga: Izvedite analizo moči za eksperiment, ki primerja dve skupini. Napišite kodo, ki izračuna število potrebnih vzorcev na skupino s pričakovano velikostjo učinka Cohen's d = 0,8, alfa = 0,05, moč = 0,80.statsmodels in razložite predpostavke.
Zaženete kodo; na primer boste dobili rezultat, kot je "26 vzorcev na skupino". To primerjate s proračunom preizkusa in ustvarite realen načrt.
Korak za korakom: načrtovanje eksperimenta
- Zapišite hipotezo: en stavek, merljiv.
- Določite spremenljivke: neodvisne, odvisne, konstantne.
- Identificirajte kontrole: negativna kontrola, pozitivna kontrola, kontrola vozila.
- Navedite mešalnike: čas, šaržo, temperaturo, eksperimentatorja — kako bodo nadzorovani?
- Izvedite analizo moči: izračunajte potrebno število ponovitev.
- Načrtujte randomizacijo in zaslepitev.
- Vnaprej napišite načrt analize: Pred poskusom določite, kateri test boste uporabili (preprečuje p-hekanje).
Kopirane predloge pozivov
Kritiziraj moj eksperimentalni načrt. Poiščite slabosti glede na: kontrolno skupino, število ponovitev, randomizacijo, zaslepitev, zmede. Za vsako pomanjkljivost predlagajte konkreten popravek. Načrt: [besedilo]
Na primeru razložite razliko med biološkim ponavljanjem in tehničnim ponavljanjem. Po mojih izkušnjah [razlaga], kateri bi moral biti koliko in zakaj?
Želim popraviti svoj načrt analize PRED poskusom. Izkoristek: [dizajn]. Kateri statistični test je primeren, katere predpostavke naj preverim, ali bo več primerjav? Pišite korak za korakom.
Šibek poziv/močan poziv
Slabo: "Načrtujte poskus."
Strong: "Želim preizkusiti, ali je droga
Razlika: V močnem pozivu so hipoteza, spremenljivke, čas merjenja in razpoložljive kontrole jasne; Model daje konkretne povratne informacije, primerne terenu.
trije mini kovčki
Primer 1 – Učinek roba: ena ekipa je eksperimentirala na plošči s 96 jamicami; Rezultati so bili čudni. Umetna inteligenca je opozorila, da se robne vdolbinice plošče obnašajo drugače zaradi izhlapevanja (edge efect) in predlagala uporabo robov kot kontrol in naključno porazdelitev vzorcev. S ponavljanjem se je doslednost povečala.
Primer 2 – Psevdoreplikacija: Študent je vzel 10 vzorcev tkiva ene miške in rekel "n=10." Vendar je to 10 tehničnih ponovitev; biološki n je še vedno 1. Ko je model razložil to razliko, je študent preoblikoval poskus s 6 mišmi. Lekcija: statistični n je biološka enota.
Primer 3 – Nezadostna moč: ena skupina je opravila 4 vzorce na skupino in zgrešila pravi učinek (p=0,09). Analiza moči je pokazala, da so 4 vzorci zagotavljali le 35 % moči. Če bi model vnaprej izračunal pravilno število vzorcev, bi bil poskus nastavljen z zadostno močjo ali pa se sploh ne bi začel. Nauk: izračunajte moč vnaprej, ne kasneje.
primerjalna tabela
koncept
Pravilna uporaba
pogosta napaka
znova
Preštejte biološko ponovitev
pomislite na tehnično ponovitev
nadzor
Negativni+pozitivni+nosilec
nekontroliran poskus
Randomizacija
Naključno združevanje in vrstni red
Zaporedna obdelava
moč
Izračunajte pred poskusom
ne glej nazaj
načrt analize
pripnite vnaprej
Izbira testov na podlagi podatkov
Pogoste napake
- Preskok kontrolne skupine: naredi vzrok razlike nerazložljiv.
- Psevdo-ponovitev: Upoštevanje tehničnega ponavljanja kot biološkega n povzroči psevdo-pomen.
- Ne izvajam analize moči: Nezadostno ali potratno vzorčenje.
- Ignoriranje zmede: Učinki, kot so serija, lokacija, čas, popačijo rezultat.
- Naknadna izbira testa analize: Iskanje testa, ki daje želeni rezultat (p-hacking).
Pozor: umetna inteligenca vam daje statistične podatke in predloge za oblikovanje, vendar zahteva domensko poznavanje biološkega pomena eksperimenta in kakšen nadzor je dejansko potreben. Nobena analiza ne more rešiti slabo zasnovanega poskusa; Pojasnite načrt pred začetkom poskusa, po možnosti s statistikom.
Upoštevanje virov variabilnosti
Neopevani junak dobrega oblikovanja je vnaprejšnje razmišljanje o tem, od kod prihaja spremenljivost podatkov. Biološka variabilnost (naravna razlika med posamezniki) je neizogibna in tisto, kar želite preučiti; Tehnična variabilnost (napaka pipete, odstopanje naprave, dnevna razlika) je hrup in jo je treba zmanjšati. Način za ločevanje obeh je v načrtovanju: porazdelite tehnično variabilnost z randomizacijo in zaslepitvijo, vzorčite biološko variabilnost z zadostnim ponavljanjem.
Koristno je, da začnete tako, da AI navede možne vire spremenljivosti v vašem poskusu. Na primer, v poskusu celične kulture: število pasaž (kolikokrat so bile celice razdeljene), srednja serija, lokacija inkubatorja, čas žetve. Poznavanje teh virov vam omogoča, da se odločite, katere ohraniti nespremenjene in katere naključno razvrstiti.
Navedite vse možne vire variabilnosti (biološke in tehnične) v naslednjem poskusu; Za vsako predlagajte "ohrani fiksno", "naključno določi" ali "shrani in dodaj v model kot spremenljivko". Poskus: [opis]
Predregistracija: najmočnejše orodje integritete
Najmočnejša oblika določanja načrta analize pred poskusom je predregistracija: snemanje vaše hipoteze, velikosti vzorca in načrta analize na lokaciji s časovnim žigom pred zbiranjem podatkov. S tem odpravite kasnejši dvom »poskušal sem analizo, dokler nisem dobil, kar sem želel« in močno poveča verodostojnost vašega dela. Umetna inteligenca vam lahko pomaga pri osnutku obrazca, razjasnitvi hipoteze in pisanju načrta analize. Na ta način boste vzpostavili najmočnejši ščit pred p-hekanjem, ki ga bomo videli v 8. enoti, preden se poskus začne.
Razlike v oblikovanju glede na vrsto poskusa
Vsak biološki poskus ne sledi istemu vzorcu; Zasnova se razlikuje glede na vrsto težave. Poskus z odzivom na odmerek zahteva več odmerkov in model krivulje; En odmerek ni dovolj. V poskusu časovne serije razmik in odvisnost merilnih točk (ponovno merjenje istega posameznika) določa zasnovo. Pri terenski/ekološki študiji prideta v ospredje naključno vzorčenje in prostorska odvisnost (podobnost bližnjih točk). AI poveste vrsto svojega eksperimenta in vprašate, "kateri elementi oblikovanja so ključni za to vrsto?" Spraševanje: omogoča vam, da zgodaj ujamete spregledano komponento. Vendar ne pozabite: model se spominja splošnih načel, ne pozna bioloških podrobnosti vašega sistema.
Če povzamem
Trden poskus; Temelji na jasni hipotezi, natančnih kontrolah, zadostnih bioloških ponovitvah, randomizaciji, zaslepljevanju in vnaprej izračunani moči. AI je močan partner, ki prikliče te komponente, napiše kodo za analizo moči in kritizira vaš načrt. Toda biološki pomen in končna odločitev o oblikovanju sta vaša. Popravljanje načrta analize pred poskusom je protistrup za past hekanja p, ki ga bomo videli v naslednji enoti.
Aplikacijska naloga
Opišite eksperiment, ki ga imate v mislih (ali primer) v enem odstavku: hipoteza, spremenljivke, kontrole, načrtovana replikacija. Imeli ste, da je umetna inteligenca kritizirala ta načrt; Seznam manjkajočih krmilnikov in mešalnikov. Nato natisnite kodo za analizo moči (z vašimi vrednostmi d in alfa) in naj izračuna število potrebnih vzorcev. S temi povratnimi informacijami popravite svoj načrt.
kontrolni seznam
- [ ] Svojo hipotezo sem napisal v enem merljivem stavku.
- [ ] Določil sem potrebne kontrolne skupine (negativni/pozitivni/prenašalci).
- [ ] Pravilno sem ločil biološko in tehnično ponavljanje.
- [ ] Pred poskusom sem opravil analizo moči.
- [ ] Načrtoval sem randomizacijo in zaslepitev.
- [ ] Popravil sem test analize, ne da bi videl podatke.