收益：
- 能够在实验设计中建立清晰的假设、准确的控制、随机化、盲法和事先功效分析
- 能够区分生物重复和技术重复并避免伪复制错误
- 通过在实验前确定分析计划（预记录），能够首先防止 p-hacking
生物学中最昂贵的错误是设计不当的实验。错误的分析可以稍后纠正；但重复次数不足、变量不受控制或混合变量收集的数据无法通过任何统计来恢复。 “垃圾进来，垃圾出去。”这就是为什么实验在开始之前必须正确设计的原因。人工智能在这个设计阶段是一个强大的思维伙伴：它回忆控制组，编写执行功效分析的代码（计算捕获所需差异所需的样本数量），对混淆变量提出问题。但最终的设计决策取决于您的领域知识。
在本单元中，我们将讨论良好实验设计的组成部分以及如何在此过程中使用人工智能。
良好实验设计的组成部分
- 明确的假设：可检验、可衡量的主张。就像“这种药物会减缓细胞生长”。
- 自变量和因变量：您正在改变什么（药物剂量），您正在测量什么（细胞计数）？
- 对照组：不接受任何干预的对照组。没有它你就无法知道差异的原因。
- 复制：生物复制（不同个体/文化）不同于技术复制（同一样本的重复测量）；真正的力量在于生物重复。
- 随机化：将样本随机分组和处理顺序；减少偏见。
- 致盲：进行测量的人不知道哪个组是哪个组；防止主观偏见。
- 功效分析：提前计算需要多少样本才能以 80% 的概率捕获预期效果。
提示：将实验设计交给AI来“批评”它。 “这个计划中缺少什么控制，我错过了什么混杂变量？”这个问题揭示了你单独思考时看不到的差距。
功率分析：原因和方式
非常小的样本甚至可能使真正的差异看起来“微不足道”（低功效）；样本太大会浪费资源，并且可能使微不足道的差异显得“显着”。正确的数字是通过功效分析找到的，并且取决于：预期的效应大小、可接受的错误率（α 和 beta）以及数据的变异性。
角色：您是实验设计和生物统计学助理。任务：对比较两组的实验进行功效分析。编写代码，计算每组所需的样本数量，预期效果大小为 Cohen's d = 0.8，alpha = 0.05，功效 = 0.80。statsmodels 并解释假设。
你运行代码；例如，您将得到类似“每组 26 个样本”的结果。您可以将其与您的实验预算进行比较，并制定一个切合实际的计划。
一步一步：设计实验
- 写下假设：一句话，可测量。
- 定义变量：独立、相关、保持不变。
- 识别对照：阴性对照、阳性对照、载体对照。
- 列出混合器：时间、批次、温度、实验者——如何控制它们？
- 进行强度分析：计算所需的重复次数。
- 计划随机化和盲法。
- 提前写好分析计划：在实验前确定要使用哪种测试（防止 p-hacking）。
可复制的提示模板
批评我的实验计划。找出以下方面的弱点：对照组、重复次数、随机化、盲法、混杂因素。针对每个缺点提出具体的纠正建议。计划：[文字]
举例说明生物重复和技术重复之间的区别。根据我的经验[解释]哪一个应该是多少，为什么？
我想在实验前修正我的分析计划。产量：[设计]。哪种统计检验是合适的，我应该检查哪些假设，是否会有多重比较？一步步写。
弱提示/强提示
弱：“设计一个实验。”
强：“我想测试一下药物是否
差异性：在强烈的提示中，假设、变量、测量时间和可用的控制都明确；该模型提供了具体的、适合现场的反馈。
三个迷你箱子
案例1——边缘效应：一个团队在96孔板中进行实验；结果很奇怪。人工智能提醒板的边缘孔由于蒸发（边缘效应）而表现不同，并建议使用边缘作为对照并随机分配样品。重复时一致性增加。
案例 2 — 假复制：一名学生从一只小鼠身上采集了 10 个组织样本，并说“n=10”。然而，这只是 10 次技术重复；生物学n仍然是1。当模型解释了这种区别时，学生重新设计了用6只小鼠进行的实验。教训：统计n是一个生物单位。
案例 3 — 功效不足：一组每组运行 4 个样本，但错过了真实效果 (p=0.09)。功率分析显示，4 个样品仅提供 35% 的功率。如果模型提前计算出正确的样本数量，那么实验要么会以足够的功率进行设置，要么根本不会开始。教训：提前计算功率，而不是稍后。
对比图
概念
正确应用
经常出错
再次
计数生物重复
考虑技术重复
控制
负极+正极+载体
不受控制的实验
随机化
分组和顺序随机
顺序处理
电源
实验前计算
不要回头
分析计划
提前固定
根据数据选择测试
常见错误
- 跳过对照组：使差异的原因无法解释。
- 伪重复：将技术重复视为生物学上的重复会产生伪意义。
- 不执行功率分析：采样不足或浪费。
- 忽略混杂因素：批次、位置、时间等影响会扭曲结果。
- 之后选择分析测试：搜索给出您想要的结果的测试（p-hacking）。
注意：人工智能为您提供统计数据和设计建议，但它需要实验的生物学意义以及实际需要什么控制的领域知识。任何分析都无法挽救设计不良的实验；在实验开始之前澄清设计，最好是与统计学家一起澄清。
考虑变异性的来源
优秀设计的无名英雄是提前思考数据的可变性从何而来。生物变异（个体之间的自然差异）是不可避免的，也是你想要研究的；技术变异（移液器误差、设备偏差、日差）是噪音，应该减少。区分两者的方法在于设计：通过随机化和盲法分配技术变异性，通过足够的重复来采样生物变异性。
首先让人工智能列出实验中可能的变异来源会很有帮助。例如，在细胞培养实验中：传代数（细胞分裂次数）、培养基批次、培养箱位置、收获时间。了解这些来源可以让您决定哪些来源保持不变以及哪些来源随机化。
列出以下实验中所有可能的变异来源（生物的和技术的）；建议对每个选项“保持固定”、“随机化”或“保存并作为变量添加到模型中”。实验：[说明]
预注册：最有力的诚信工具
在实验前确定分析计划的最有效形式是预注册：在数据收集之前在带时间戳的位置记录您的假设、样本大小和分析计划。这消除了后来“我尝试分析直到得到我想要的”的疑虑，并大大增加了你工作的可信度。人工智能可以帮助您起草投资意向书、阐明假设并编写分析计划。通过这种方式，您将建立起最强大的防御 p-hacking 的防护罩，我们将在实验开始之前的第 8 单元中看到这一点。
根据实验类型的设计差异
并非每个生物学实验都遵循相同的模式。设计根据问题的类型而有所不同。剂量反应实验需要多次剂量和曲线模型；单剂量是不够的。在时间序列实验中，测量点的间距和依赖性（重新测量同一个体）决定了设计。在实地/生态学研究中，随机采样和空间依赖性（附近点的相似性）脱颖而出。你告诉人工智能你的实验类型，并询问“哪些设计元素对于这种类型至关重要？”询问：让您能够及早发现被忽视的组件。但请记住：该模型回顾了一般原则，它不知道系统的生物学细节。
综上所述
扎实的实验；它基于明确的假设、准确的控制、足够的生物重复、随机化、致盲和预先计算的功效。人工智能是一个强大的合作伙伴，可以召回这些组件、编写功耗分析代码并批评您的计划。但生物学意义和最终设计决定是你的。在实验之前确定分析计划是我们将在下一个单元中看到的 p-hacking 陷阱的解药。
应用任务
在一段中描述您想到的一项实验（或示例）：假设、变量、控制、计划复制。你让人工智能批评这个计划；列出缺少的控件和混音器。然后打印功率分析代码（包含 d 和 alpha 值）并让它计算所需的样本数量。根据此反馈修改您的计划。
清单
- [ ] 我用一个可测量的句子写下了我的假设。
- [ ] 我确定了必要的对照组（阴性/阳性/载体）。
- [ ] 我正确区分了生物重复和技术重复。
- [ ] 实验前我做了功耗分析。
- [ ] 我计划了随机化和盲法。
- [ ] 我在没有看到数据的情况下修复了分析测试。