Kazanimlar:
- Net hipotez, doğru kontroller, randomizasyon, körleme ve önceden yapılan güç analizini bir deney tasarımına kurabilme
- Biyolojik tekrar ile teknik tekrarı ayırıp sözde tekrar (pseudoreplication) hatasından kaçınabilme
- Analiz planını deneyden önce sabitleyerek (ön kayıt) p-hacking'i baştan önleyebilme
Biyolojide en pahalı hata, kötü tasarlanmış bir deneydir. Yanlış analiz sonradan düzeltilebilir; ama yetersiz tekrar sayısıyla, kontrolsüz veya karışık değişkenli toplanmış bir veri, hiçbir istatistikle kurtarılamaz. "Çöp girer, çöp çıkar." İşte bu yüzden deney başlamadan önce doğru tasarlanmalıdır. Yapay zeka, bu tasarım aşamasında güçlü bir düşünme ortağıdır: kontrol gruplarını hatırlatır, güç analizini (power analysis: aranılan farkı yakalamak için gereken örnek sayısını hesaplama) yapan kodu yazar, karıştırıcı değişkenleri (confounder) sorgular. Ama nihai tasarım kararı, alan bilgisiyle sizindir.
Bu ünitede iyi bir deney tasarımının bileşenlerini ve yapay zekayı bu süreçte nasıl kullanacağınızı ele alacağız.
İyi bir deney tasarımının bileşenleri
- Net hipotez: Test edilebilir, ölçülebilir bir iddia. "Bu ilaç hücre büyümesini yavaşlatır" gibi.
- Bağımsız ve bağımlı değişken: Ne değiştiriyorsunuz (ilaç dozu), ne ölçüyorsunuz (hücre sayısı)?
- Kontrol grubu: Müdahale almayan karşılaştırma grubu. Olmadan farkın nedenini bilemezsiniz.
- Tekrar (replikasyon): Biyolojik tekrar (farklı bireyler/kültürler) ile teknik tekrar (aynı örneğin tekrar ölçümü) farklıdır; asıl güç biyolojik tekrardadır.
- Randomizasyon: Örnekleri gruplara ve işlem sırasına rastgele dağıtmak; yanlılığı azaltır.
- Körleme (blinding): Ölçümü yapanın hangi grubun hangisi olduğunu bilmemesi; öznel yanlılığı önler.
- Güç analizi: Beklenen etkiyi %80 olasılıkla yakalamak için kaç örnek gerektiğini önceden hesaplama.
İpucu: Deney tasarımını yapay zekaya "eleştir" diye verin. "Bu planda hangi kontrol eksik, hangi karıştırıcı değişkeni gözden kaçırdım?" sorusu, tek başına düşünürken göremediğiniz boşlukları ortaya çıkarır.
Güç analizi: neden ve nasıl
Çok küçük bir örneklem, gerçek bir farkı bile "anlamsız" gösterebilir (düşük güç); çok büyük bir örneklem ise kaynak israfıdır ve önemsiz farkları "anlamlı" gösterebilir. Doğru sayı, güç analiziyle bulunur ve şunlara bağlıdır: beklenen etki büyüklüğü, kabul edilen yanılma oranları (alfa ve beta) ve verinin değişkenliği.
Rol: Deney tasarımı ve biyoistatistik asistanısın.Görev: İki grubu karşılaştıran bir deney için güç analizi yap.Beklenen etki büyüklüğü Cohen's d = 0.8, alfa = 0.05, güç = 0.80.statsmodels ile grup başına gereken örnek sayısını hesaplayankod yaz ve varsayımları açıkla.
Kodu çalıştırırsınız; örneğin "grup başına 26 örnek" gibi bir sonuç alırsınız. Bunu deney bütçenizle karşılaştırıp gerçekçi bir plan kurarsınız.
Adım adım: bir deneyi tasarlamak
- Hipotezi yazın: Tek cümle, ölçülebilir.
- Değişkenleri tanımlayın: Bağımsız, bağımlı, sabit tutulanlar.
- Kontrolleri belirleyin: Negatif kontrol, pozitif kontrol, taşıyıcı (vehicle) kontrolü.
- Karıştırıcıları listeleyin: Zaman, parti, sıcaklık, deneyci — nasıl kontrol edilecek?
- Güç analizi yapın: Gereken tekrar sayısını hesaplayın.
- Randomizasyon ve körleme planlayın.
- Analiz planını önceden yazın: Hangi testi kullanacağınızı deneyden önce belirleyin (p-hacking'i önler).
Kopyalanabilir prompt şablonları
Deney planımı eleştir. Şu açılardan zayıf noktaları bul:kontrol grubu, tekrar sayısı, randomizasyon, körleme, karıştırıcılar.Her eksik için somut bir düzeltme öner.Plan: [metin]
Biyolojik tekrar ile teknik tekrar arasındaki farkı örnekle açıkla.Benim deneyimde [açıklama] hangisi kaç tane olmalı ve neden?
Analiz planımı deneyden ÖNCE sabitlemek istiyorum.Verim: [tasarım]. Hangi istatistik testi uygun, hangi varsayımlarıkontrol etmeliyim, çoklu karşılaştırma olacak mı? Adım adım yaz.
Zayıf prompt / Güçlü prompt
Zayıf: "Bir deney tasarla."
Güçlü: "İlaç X'in kanser hücre hattı büyümesini yavaşlatıp yavaşlatmadığını test etmek istiyorum. Bağımlı değişken 72 saatteki hücre sayısı. Bir taşıyıcı (DMSO) kontrolü ve 3 doz planladım. Bu tasarımdaki eksik kontrolleri, karıştırıcıları (plaka konumu, kenar etkisi) ve gereken tekrar sayısını (d=0.8 varsay) değerlendir. Analiz için hangi test uygun?"
Fark: Güçlü promptta hipotez, değişkenler, ölçüm zamanı ve mevcut kontroller net; model somut, alanına uygun geri bildirim verir.
Üç mini vaka
Vaka 1 — Kenar etkisi: Bir ekip 96 kuyucuklu plakada deney yaptı; sonuçlar tuhaftı. Yapay zeka, plakanın kenar kuyucuklarının buharlaşma nedeniyle farklı davrandığını (edge effect) hatırlattı ve kenarları kontrol olarak kullanmayı, örnekleri randomize dağıtmayı önerdi. Tekrarda tutarlılık arttı.
Vaka 2 — Sözde tekrar (pseudoreplication): Bir öğrenci tek bir fareden 10 doku örneği alıp "n=10" dedi. Oysa bu 10 teknik tekrardır; biyolojik n hâlâ 1'dir. Model bu ayrımı açıklayınca öğrenci deneyi 6 fareyle yeniden tasarladı. Ders: istatistiksel n biyolojik birimdir.
Vaka 3 — Yetersiz güç: Bir grup, grup başına 4 örnekle çalıştı ve gerçek bir etkiyi kaçırdı (p=0.09). Güç analizi 4 örneğin yalnızca %35 güç sağladığını gösterdi. Model doğru örneklem sayısını önceden hesaplasaydı, deney ya yeterli güçle kurulur ya da hiç başlanmazdı. Ders: gücü sonradan değil, önceden hesaplayın.
Karşılaştırma tablosu
Kavram
Doğru uygulama
Sık hata
Tekrar
Biyolojik tekrarı say
Teknik tekrarı n sanmak
Kontrol
Negatif+pozitif+taşıyıcı
Kontrolsüz deney
Randomizasyon
Grup ve sıra rastgele
Sıralı işleme
Güç
Deneyden önce hesap
Sonradan bakma
Analiz planı
Önceden sabitle
Veriye göre test seçme
Sık yapılan hatalar
- Kontrol grubunu atlamak: Farkın nedenini yorumlanamaz kılar.
- Sözde tekrar: Teknik tekrarı biyolojik n saymak, sahte anlamlılık üretir.
- Güç analizi yapmamak: Yetersiz veya israf örneklem.
- Karıştırıcıları göz ardı etmek: Batch, konum, zaman gibi etkiler sonucu bozar.
- Analiz testini sonradan seçmek: İstediğiniz sonucu veren testi aramak (p-hacking).
Dikkat: Yapay zeka size istatistik ve tasarım önerileri verir, ama deneyin biyolojik anlamı ve hangi kontrolün gerçekten gerekli olduğu alan bilginizi gerektirir. Kötü tasarlanmış bir deneyi hiçbir analiz kurtaramaz; tasarımı deney başlamadan, tercihen bir istatistikçiyle birlikte netleştirin.
Değişkenlik kaynaklarını düşünmek
İyi bir tasarımın gizli kahramanı, verideki değişkenliğin nereden geldiğini önceden düşünmektir. Biyolojik değişkenlik (bireyler arası doğal fark) kaçınılmazdır ve incelemek istediğiniz şeydir; teknik değişkenlik (pipet hatası, cihaz sapması, gün farkı) ise gürültüdür ve azaltılmalıdır. İkisini ayırmanın yolu tasarımdadır: teknik değişkenliği randomizasyon ve körlemeyle dağıtın, biyolojik değişkenliği yeterli tekrarla örnekleyin.
Yapay zekaya deneyinizdeki olası değişkenlik kaynaklarını listeleterek başlamak faydalıdır. Örneğin hücre kültürü deneyinde: pasaj numarası (hücrelerin kaçıncı kez bölündüğü), besiyeri partisi, inkübatör konumu, hasat zamanı. Bu kaynakları bilmek, hangilerini sabit tutacağınıza ve hangilerini randomize edeceğinize karar vermenizi sağlar.
Şu deneyde olası tüm değişkenlik kaynaklarını (biyolojik ve teknik)listele; her biri için "sabit tut", "randomize et" veya "kaydet vemodele değişken olarak ekle" önerisi ver. Deney: [açıklama]
Ön kayıt: dürüstlüğün en güçlü aracı
Analiz planını deneyden önce sabitlemenin en güçlü biçimi ön kayıttır (preregistration): hipotezinizi, örneklem sayınızı ve analiz planınızı, veri toplamadan önce zaman damgalı bir yere kaydetmek. Bu, sonradan "istediğim çıkana kadar analiz denedim" şüphesini ortadan kaldırır ve çalışmanızın güvenilirliğini büyük ölçüde artırır. Yapay zeka, ön kayıt belgenizin taslağını hazırlamanıza, hipotezi netleştirmenize ve analiz planını yazmanıza yardım edebilir. Böylece Ünite 8'de göreceğimiz p-hacking'e karşı en güçlü kalkanı deney başlamadan kurmuş olursunuz.
Deney türüne göre tasarım farkları
Her biyoloji deneyi aynı şablonu izlemez; tasarım, sorunun türüne göre değişir. Bir doz-yanıt deneyinde birden çok doz ve bir eğri modeli gerekir; tek doz yeterli değildir. Bir zaman serisi deneyinde ölçüm noktalarının aralığı ve bağımlılığı (aynı bireyin tekrar ölçülmesi) tasarımı belirler. Bir saha/ekoloji çalışmasında rastgele örnekleme ve mekânsal bağımlılık (yakın noktaların birbirine benzemesi) öne çıkar. Yapay zekaya deneyinizin türünü söyleyip "bu tür için hangi tasarım öğeleri kritik?" diye sormak, gözden kaçan bir bileşeni erkenden yakalamanızı sağlar. Ama unutmayın: model genel ilkeleri hatırlatır, sizin sisteminizin biyolojik ayrıntısını bilmez.
Özetle
Sağlam bir deney; net hipotez, doğru kontroller, yeterli biyolojik tekrar, randomizasyon, körleme ve önceden hesaplanmış güç üzerine kurulur. Yapay zeka bu bileşenleri hatırlatan, güç analizi kodunu yazan ve planınızı eleştiren güçlü bir ortaktır. Ancak biyolojik anlam ve nihai tasarım kararı sizindir. Analiz planını deneyden önce sabitlemek, sonraki ünitede göreceğimiz p-hacking tuzağının panzehiridir.
Uygulama görevi
Aklınızdaki (veya örnek) bir deneyi tek paragrafla tanımlayın: hipotez, değişkenler, kontroller, planlanan tekrar. Yapay zekaya bu planı eleştirtin; eksik kontrol ve karıştırıcıları listeletin. Ardından bir güç analizi kodu yazdırıp (d ve alfa değerlerinizle) gereken örnek sayısını hesaplatın. Planınızı bu geri bildirimle revize edin.
Kontrol listesi
- [ ] Hipotezimi ölçülebilir tek cümleyle yazdım.
- [ ] Gerekli kontrol gruplarını (negatif/pozitif/taşıyıcı) belirledim.
- [ ] Biyolojik ve teknik tekrarı doğru ayırdım.
- [ ] Güç analizini deneyden önce yaptım.
- [ ] Randomizasyon ve körlemeyi planladım.
- [ ] Analiz testini veriyi görmeden sabitledim.