Trzy dołki tej samej zawiesiny, trzy niezależne hodowle i trzy doświadczenia wykonane w różnych dniach nie są trzema wariantami tego samego „n = 3”. Każdy poziom powtórzenia obejmuje inne źródła zmienności i pozwala uogólniać wynik na inną populację. Powtórzenie techniczne poprawia oszacowanie jednej próbki lub opisuje niezawodność pomiaru; biologiczne reprezentuje niezależne jednostki, o których badanie ma wnioskować.

Granica nie przebiega jednak zawsze między probówką i organizmem. Komórki w jednym flask mogą być jednostkami obserwacji, lecz jeśli treatment podano całemu flaskowi, nie są niezależnymi jednostkami eksperymentalnymi dla efektu treatment. Dziesięć kolonii pochodzących z jednego transformanta może badać heterogeniczność kolonii, ale nie zastępuje dziesięciu niezależnych transformacji. Kluczowe pytanie brzmi: co mogło niezależnie otrzymać warunek i co losowo reprezentuje populację docelową?

Poziom Przykład Jaką zmienność obejmuje Typowa rola w analizie
powtórne odczytanie ponowny pomiar tej samej studzienki detektor i odczyt ocena readout, zwykle nie zwiększa n biologicznego
powtórzenie assay trzy reakcje qPCR z tego samego cDNA pipetowanie i PCR uśrednienie lub model błędu technicznego
powtórzenie preparatyki dwa niezależne trawienia tej samej lizy część procesu laboratoryjnego ocena robustności metody
powtórzenie biologiczne niezależne hodowle rozpoczęte i prowadzone osobno zmienność hodowli oraz materiału podstawa wniosku o warunku biologicznym
powtórzenie eksperymentu pełny układ powtórzony w innym dniu/bloku zmienność dnia, operatora i procesu sprawdzenie odtwarzalności wewnętrznej
jednostka obserwacyjna wiele komórek z jednej hodowli heterogeniczność wewnątrz jednostki poziom zagnieżdżony, nie automatycznie n dla treatment

Nazwa powtórzenia zależy od pytania i populacji docelowej

Ta sama para komórek może być powtórzeniem biologicznym dla pytania o zmienność między komórkami w konkretnej hodowli, a pseudopowtórzeniem dla pytania o wpływ medium na niezależne hodowle. NIH definiuje biological replicates jako pomiary biologicznie odrębnych próbek obejmujące losową zmienność biologiczną, a technical replicates jako ponowne pomiary tej samej próbki opisujące szum procedury lub urządzenia.nih-replicates

Definicja nie wynika więc z materiału „żywy versus martwy”. Dwa ekstrakty z jednej hodowli są technicznymi odgałęzieniami względem populacji hodowli, choć każdy przechodzi biologicznie złożoną ekstrakcję. Dwa flasks zaszczepione osobno mogą być biologicznymi jednostkami dla culture process. W metodach tekst trzeba zawsze nazwać poziom oraz sposób powstania, zamiast pisać tylko „wykonano w trzech powtórzeniach”.

Jednostka eksperymentalna jest najmniejszym obiektem niezależnie otrzymującym warunek

Jeżeli antybiotyk dodano do całego flasku, jednostką dla tego treatment jest flask. Dziesięć pomiarów OD, sto obrazów i tysiąc komórek z flasku opisuje go dokładniej, ale nie tworzy nowych niezależnych ekspozycji. Gdy treatment randomizowano osobno do każdej studzienki płytki i nie ma istotnego spillover, studzienka może być jednostką.

„Niezależnie” oznacza, że przypisanie lub realizacja jednego obiektu nie determinuje drugiego w sposób nieuwzględniony. Wspólna butla medium, inkubator i inoculum tworzą współdzielone źródła, ale nie zawsze odbierają status jednostki; mogą być blokiem. Jeśli jednak tylko jedna butla treatment i jedna control zostały przygotowane, efekt składu jest całkowicie splątany z różnicą między butlami.

Jednostka obserwacyjna może być liczniejsza niż eksperymentalna

Obiektyw zbiera wiele pól, cytometr tysiące komórek, a sekwenator miliony reads. Są to obserwacje wewnątrz próbki. Pomagają oszacować jej średnią, rozkład i subpopulacje, lecz mają wspólne pochodzenie oraz treatment. Liczba obserwacji nie jest liczbą niezależnych realizacji efektu biologicznego.

Hierarchię należy zapisać: pole w dołku, dołek w płytce, płytka w hodowli, hodowla w dniu. Model może używać wszystkich poziomów i estymować zmienność, ale stopnie swobody dla treatment wynikają przede wszystkim z poziomu jego przypisania. Uśrednienie pól jest prostym rozwiązaniem, choć traci informację; mixed model zachowuje ją, jeśli liczba jednostek najwyższego poziomu jest wystarczająca.

Pseudoreplikacja sztucznie powiększa n bez powiększenia niezależnej informacji

Gdy sześć niezależnych próbek zmierzono po trzy razy, grupa ma sześć biological replicates, nie osiemnaście. Traktowanie osiemnastu odczytów jako niezależnych zaniża oszacowanie wariancji między próbkami i może prowadzić do zbyt małych p-values.bjp-guidance Techniczne odczyty są skorelowane, ponieważ dzielą materiał i wcześniejszą historię.

Pseudoreplikacja nie jest kosmetycznym błędem w opisie. Zmienia hipotezę statystyczną: testuje różnice między odczytami konkretnego materiału, a wniosek formułuje o populacji hodowli lub organizmów. Więcej punktów na wykresie nie naprawia braku powtórzeń na poziomie treatment. Dane mogą nadal opisywać przypadek, lecz zakres uogólnienia trzeba ograniczyć.cell-statistics

Proste uśrednienie technicznych odczytów często przywraca właściwą jednostkę analizy

Jeżeli trzy dołki są równorzędnymi pomiarami tego samego ekstraktu i nie interesuje nas ich zmienność, można obliczyć jedną wartość dla próbki, a następnie analizować biological replicates. Średnia zmniejsza losowy błąd odczytu przy założeniu braku systematycznej różnicy między dołkami. Mediana lub model odporny mogą być lepsze przy uzasadnionych artefaktach.

Nie należy najpierw analizować wszystkich dołków jako niezależnych, a potem jedynie deklarować, że były techniczne. Ważenie średniej liczbą poprawnych powtórzeń wymaga ostrożności: próbka z pięcioma dołkami nie staje się pięciokrotnie bardziej biologicznie reprezentatywna niż próbka z jednym. Model measurement error może korzystać z różnej precyzji bez udawania nowego n.

Powtórzenia techniczne pomagają ocenić precyzję konkretnego etapu

Ponowny odczyt tej samej studzienki mierzy detektor. Rozdzielenie ekstraktu do kilku reakcji obejmuje pipetowanie i assay. Dwie niezależne ekstrakcje tej samej porcji materiału obejmują preparatykę, a dwa pobrania z jednego naczynia mogą obejmować niejednorodność sampling. Każde rozgałęzienie należy umieścić na mapie procesu.

Jeżeli celem jest rozwój metody, techniczne replikaty są głównym przedmiotem badania: pozwalają rozłożyć wariancję i wskazać niestabilny etap. Jeśli celem jest różnica biologiczna, po wykazaniu małego błędu technicznego większą wartość zwykle daje kolejna niezależna hodowla. Nie istnieje ogólna zasada, że każdą próbkę trzeba zawsze mierzyć potrójnie.

Powtórzenie biologiczne musi odtwarzać zmienność istotną dla uogólnienia

Niezależne hodowle powinny być rozpoczynane, prowadzone i traktowane tak, aby mogły ujawnić naturalną zmienność procesu. Jeśli wszystkie pochodzą z jednej przygotowanej wspólnie mieszaniny i rozdzielono ją dopiero tuż przed odczytem, są bliższe technicznym aliquotom. Jeśli osobno zaszczepiono, hodowano i pobrano, obejmują zmienność wzrostu nawet przy wspólnym banku.

Zakres uogólnienia zależy od źródła. Trzy hodowle jednego klonu wspierają wniosek o tym klonie w danych warunkach, nie o gatunku. Trzy szczepy wspierają szerszy wniosek, ale szczep i treatment tworzą kolejną strukturę. Biological independence nie jest magiczną właściwością probówki; jest relacją między procedurą, pytaniem i losowaniem.

Niezależna kolonia nie zawsze oznacza niezależny eksperyment

Kolonie wybrane z tej samej transformowanej płytki mogą pochodzić z oddzielnych zdarzeń transformacji, ale dzielą batch komórek, mieszaninę DNA i dzień. Przy badaniu powodzenia konstrukcji są ważnymi clone candidates. Przy ocenie treatment zastosowanego przed wysiewem nie są niezależnymi realizacjami treatment, ponieważ wszystkie otrzymały go wspólnie.

Jeżeli transformacja została wykonana raz, a wybrano dziesięć kolonii, n dla transformacji pozostaje jeden. Aby ocenić powtarzalność całego procesu, wykonuje się niezależne transformacje, najlepiej w blokach czasu. Z kolei sekwencjonowanie kilku kolonii z jednego experiment może mierzyć częstość wariantów w tej konkretnej populacji, o ile analizuje się je jako próbę zagnieżdżoną.

Wspólny inoculum tworzy zależność, której nie zawsze trzeba unikać

Rozdzielenie tej samej preculture do control i treatment zmniejsza różnicę początkową i tworzy parowany projekt. Obie hodowle nie są niezależne między parami, ale parowanie jest zamierzone: porównuje się efekt w ramach wspólnego inoculum, a wiele niezależnych precultures tworzy replicate pairs. Analiza powinna zachować identyfikator pary.

Jeśli jedna preculture zasila wszystkie dołki wszystkich warunków, istnieje tylko jedna realizacja biologicznego startu. Liczne dołki mierzą reakcję tej preculture. To może wystarczyć do screeningu, nie do wniosku o zmienności między hodowlami. Projekt łączy zaletę kontroli tła z potrzebą kilku niezależnych par, zamiast wybierać między skrajną standaryzacją i chaosem.

„Eksperyment powtórzono trzy razy” wymaga definicji pełnej drogi

Powtórzenie w innym dniu może obejmować nowy inoculum, medium, reagenty, operatora i kalibrację albo jedynie ponowne wstrzyknięcie zamrożonego ekstraktu. Oba są wartościowe, ale odpowiadają na inne pytania. W metodach należy podać, od którego etapu zaczęto niezależnie oraz czy wszystkie warunki były obecne w każdym run.

Trzy dni tworzą blocks. Jeśli jednego dnia wykonano tylko control, a drugiego tylko treatment, day jest confounded z treatment i nie da się rozdzielić efektów. Każdy block powinien zawierać porównywane warunki lub projekt musi mieć inną identyfikowalność. Późniejsze „uwzględnienie dnia w modelu” nie naprawia doskonałego splątania.

Batch jest źródłem zmienności i jednostką organizacji, nie wygodnym podpisem

Extraction plate, reagent lot, sequencing lane, fermentor run i dzień operatora mogą wpływać na wiele próbek jednocześnie. Samples z jednej batch są bardziej podobne niezależnie od biologii. Jeśli grupa A znajduje się na jednej płycie, a B na drugiej, różnica jest nierozstrzygalna. Randomizacja i balanced blocking rozkładają grupy między batchami.

Batch replicate może być biologicznym powtórzeniem procesu produkcyjnego, gdy pytanie dotyczy zmienności partii, albo technicznym, gdy analizuje tę samą homogenizowaną próbkę. Nazwa zależy od jednostki inferencji. Metadane muszą zachować batch ID, aby model mógł oszacować efekt i aby PCA nie zostało błędnie odczytane jako separacja biologiczna.

Płytka wielodołkowa ma geometrię, która narusza prostą niezależność

Dołki dzielą temperaturę, czas, dispenser i atmosferę; skrajne pozycje szybciej parują, a sąsiedztwo może wpływać przez spillover lub gradient. Technical wells na jednej płytce nie obejmują plate-to-plate variation. Rozmieszczenie wszystkich control w centrum i treatment na brzegu tworzy geometryczne confounding.

Warunki należy rozmieścić w blokach lub zrandomizować, zachowując kontrolę edge effects. Biological replicates rozłożone na kilku płytkach wymagają bridge controls. Jeśli jedna hodowla zajmuje wiele dołków, dołki są zagnieżdżone w hodowli. Ich średnia może być jednostką analizy, a plate efektem losowym lub stałym zależnie od projektu.

Wzrost w czasie tworzy powtarzane pomiary, nie nowe hodowle

OD odczytane co pięć minut z jednego dołka daje gęstą krzywą jednej hodowli. Punkty są silnie skorelowane, ponieważ każdy wynika z poprzedniego stanu. Nie można traktować 100 czasów jako n = 100 dla efektu treatment. Jednostką pozostaje hodowla, a czas jest wymiarem repeated measures.

Można dopasować model krzywej i wyprowadzić lag, growth rate oraz plateau dla każdej hodowli, a następnie porównać parametry między biological replicates. Alternatywnie mixed model opisuje całą trajektorię z korelacją w czasie. Wybór pojedynczego time point po obejrzeniu krzywych zwiększa ryzyko selekcji; punkt lub funkcję celu definiuje się wcześniej.

Krzywe wzrostu z jednego inoculum nie mierzą zmienności między inocula

Osiem dołków zaszczepionych tą samą rozcieńczoną culture może dobrze oszacować zmienność dyspensera, evaporation i stochastic lag przy małej liczbie komórek. Nie reprezentują jednak ośmiu niezależnych historii biologicznych przed podziałem. Jeśli celem jest typowa odpowiedź szczepu, potrzebne są osobne precultures lub dni.

Przy bardzo niskim inoculum losowa liczba komórek w dołku jest realnym biologiczno-próbkowym źródłem, a nie „tylko techniką”. Można modelować rozkład startu, lecz zakres wniosku nadal dotyczy wspólnej suspension. Uczciwy opis brzmi: n niezależnych cultures, po k technical wells, z podaniem, na którym poziomie liczono parametry.

JTK z wielu płytek pozostaje wynikiem jednej próbki

Dwa rozcieńczenia i dwie płytki na rozcieńczenie poprawiają oszacowanie concentration oraz ujawniają overdispersion, ale pochodzą z tej samej próbki. Kolonie są zdarzeniami zliczania, nie biological replicates. Wynik można łączyć z uwzględnieniem rozcieńczeń i objętości, zamiast traktować każdą płytkę jako niezależny punkt grupy.

Niezależne próbki procesu, cultures lub produkty tworzą biological albo process replicates. Jeśli z jednego bioreaktora pobrano próbki o kilku godzinach, są repeated measures tego bioreaktora. Wykonanie trzech posiewów każdego czasu daje lepszą precyzję JTK, ale nie trzy bioreaktory. JTK zawsze odnosi się do operacyjnej jednostki pomiaru.

qPCR ma co najmniej trzy poziomy możliwego powtórzenia

Technical qPCR replicates to reakcje z tego samego cDNA lub ekstraktu. Niezależne reverse transcriptions z tego samego RNA obejmują etap RT, a niezależne ekstrakcje z tej samej próbki — jeszcze wcześniejszy etap. Biological replicates to niezależne cultures, organisms lub samples odpowiadające pytaniu. MIQE wymaga raportowania liczby i zgodności biological replicates oraz liczby i etapu technical replicates.miqe

Średnia Cq nie zawsze jest najlepszym miejscem agregacji, ponieważ skala jest logarytmiczna. Można agregować po sprawdzeniu zgodności i zastosować właściwe ΔCq/relative quantification. Outlier well powinien mieć regułę opartą na krzywej, melt i różnicy, ustaloną wcześniej. Trzy dołki jednego cDNA nie umożliwiają testu różnicy expression między populacjami.

RNA-seq potrzebuje bibliotek z niezależnych próbek biologicznych

Wielokrotne lane tej samej biblioteki zwiększają reads i redukują sampling noise, ale nie zmieniają liczby biological replicates. Dwie biblioteki z tego samego RNA mierzą library preparation. Jeśli pytanie dotyczy treatment na cultures, n wynika z niezależnych cultures, a read counts są obserwacjami molekularnymi w każdej bibliotece.

Łączenie lane przed analizą jest zwykle uzasadnione, jeśli nie chce się badać lane effect; technical lane można też zachować do QC. Utrata jednej biblioteki nie jest naprawiana przez głębsze sekwencjonowanie pozostałych. Dodatkowa depth pomaga wykrywać słabe transcripts, natomiast biological replication poprawia estymację dispersion i power dla differential expression.

Proteomika i metabolomika rozdzielają wstrzyknięcie, preparatykę i hodowlę

Powtórne injections jednego digest mierzą LC-MS, równoległe digestions jednej lizy obejmują proteolizę, a osobne lizy tej samej culture ekstrakcję. Dopiero niezależne cultures reprezentują zmienność biologiczną dla warunku. W metabolomice aliquots jednego extract nie odtwarzają quenching ani sampling, które często dominują błąd.

W dojrzałym workflow pooled QC wykonywany wielokrotnie służy do oceny drift instrumentu, dzięki czemu cenne slots można przeznaczyć na biological samples. W fazie development techniczne replikaty są potrzebne do lokalizacji strat. Artykuł o spektrometrii mas i omikach opisuje batch, QC i missingness; tutaj najważniejsze jest zachowanie hierarchii w analizie.

Single-cell nie zamienia tysięcy komórek w tysiące niezależnych organizmów

Komórki z jednego dawcy, organu lub culture są zagnieżdżone w tej jednostce i dzielą treatment. Cell-level analysis może badać heterogeniczność, ale differential expression między warunkami nie powinno ignorować donor/culture. Pseudobulk agreguje counts na poziomie biological replicate i wykorzystuje dojrzałe modele bulk; mixed models próbują zachować poziom komórkowy.

Jeśli są trzy donors i po 10 000 komórek, n dla uogólnienia na donors pozostaje trzy. Liczba komórek poprawia charakterystykę każdego dawcy i wykrywanie rzadkich populacji, lecz nie oszacowanie zmienności między dawcami tak jak nowy donor. Doublets, batch i różna liczba komórek wymagają QC bez sztucznego ważenia grup.

Mikrobiom gospodarzy jest często zagnieżdżony w klatce, zbiorniku lub gospodarstwie

Zwierzęta współdzielące cage wymieniają mikroorganizmy, dietę i środowisko. Jeśli treatment podano całej klatce, cage jest jednostką eksperymentalną, a zwierzęta sub-samples. Analogicznie ryby w tank, rośliny w tray i fermentacje z jednej linii paszowej mogą mieć wspólną ekspozycję. Ignorowanie housing unit jest częstą pseudoreplikacją w host–microbiota studies.aem-pseudorep

Projekt powinien randomizować wiele cages/tanks do warunków i rozkładać samples między extraction oraz sequencing batches. Mixed model może zawierać cage, ale jeden cage per treatment nie pozwala oszacować treatment niezależnie od cage. Więcej zwierząt w tej jednej klatce zwiększa precyzję jej opisu, nie liczbę realizacji warunku.

Repeated measures zachowują informację o zmianie tej samej jednostki

Próbki pobierane od tego samego bioreaktora, pacjenta lub culture w kolejnych czasach są zależne. Zaletą jest możliwość śledzenia trajectory i ograniczenia międzyobiektowej zmienności. Analiza parowana albo mixed model wykorzystuje identyfikator jednostki; zwykły test traktujący każdy czas jako osobną próbkę narusza niezależność.

Jeśli sampling jest destrukcyjny, różne flasks poświęcane w kolejnych czasach mogą być niezależne, ale muszą być przygotowane jako takie. Pobranie objętości z bioreaktora może zmieniać jego stan, więc serie nie są pasywne. Time points nie zastępują replicate reactors. Temporal pseudoreplication powstaje, gdy wiele chwil jednej realizacji udaje wiele niezależnych realizacji treatment.

Pooling zmienia jednostkę i usuwa informację o zmienności składowych

Połączenie materiału z pięciu cultures przed ekstrakcją tworzy jedną pooled sample. Pomiar dobrze estymuje średnią ważoną puli, ale nie pozwala oszacować wariancji między pięcioma cultures. Trzy techniczne odczyty puli nie odzyskają tej informacji. Kilka niezależnych pools może być biological replicates na poziomie puli, jeśli składniki każdej powstały niezależnie.

Pooling bywa uzasadniony przy małej ilości materiału, kosztach albo gdy jednostką docelową jest zbiorcza partia. Należy podać liczbę i proporcję składników. Nierówna biomass powoduje, że pool nie jest prostą średnią osobników. Projekt powinien porównać oszczędność z utratą możliwości wykrycia outlier i subpopulation.

Duplikat terenowy obejmuje inne źródła niż duplikat laboratoryjny

Dwa niezależne pobrania w tym samym miejscu obejmują heterogeniczność przestrzenną i część sampling. Podział jednej pobranej próbki na dwa naczynia obejmuje homogenization, subsampling i dalszą preparatykę. Ponowny pomiar jednego extract obejmuje tylko końcową metodę. Nazywanie wszystkich „duplicate” ukrywa zakres.

W environmental microbiology naturalna zmienność może dominować nad instrumentem. Jeśli celem jest mapa site, więcej locations i field replicates zwykle daje większą wartość niż wiele injections. Jeżeli metoda sampling jest rozwijana, pary terenowe oraz laboratoryjne pozwalają rozłożyć variance. Mapa procesu wskazuje, na której granicy próbka została rozdzielona.

Independent repeat różni się od reproduction wykonanego przez inne laboratorium

Wewnętrzne powtórzenie przez ten sam zespół, sprzęt i stock bada repeatability całego experiment w dostępnych warunkach. Zmiana operatora, dnia, aparatu lub laboratorium rozszerza intermediate precision i reproducibility. Dokładne odtworzenie protokołu sprawdza stabilność wyniku, a conceptual replication inną metodą testuje hipotezę.

Biological replicates w jednym run nie zastępują niezależnego potwierdzenia, ale repeat experiments także nie powinny być analizowane przez wybór „reprezentatywnego” run. Wszystkie wcześniej określone, ważne dane należy połączyć w modelu z block/run albo przedstawić jasno. Powtarzanie aż jeden run osiągnie significance jest opcjonalnym zatrzymaniem i zwiększa false positive.

Niezależność ma stopnie, ale analiza wymaga jawnej struktury

Nie istnieją próbki całkowicie pozbawione wspólnych przyczyn: cultures mogą dzielić freezer stock, laboratorium i operatora. Celem jest niezależność względem losowych źródeł, na które chcemy uogólniać, oraz modelowanie źródeł współdzielonych. Trzy cultures z jednego klonu są niezależnymi realizacjami growth, nie trzema genotypes.

Zamiast spierać się o etykietę, warto podać drzewo pochodzenia. Przykład: dwa strains × trzy niezależne precultures × dwa treatments sparowane w preculture × trzy wells × 50 fields. Model i n stają się wtedy czytelne. Najwyższa liczba na końcu drzewa nie jest automatycznie próbą dla każdego efektu.

Model zagnieżdżony rozdziela zmienność poziomów

Dla pomiaru y z technical well j w culture i można zapisać y_ij = μ + treatment_i + b_i + ε_ij, gdzie b_i opisuje odchylenie culture, a ε_ij błąd dołka. Mixed model szacuje variance między cultures i wewnątrz nich. Rozszerzenie może dodać day, plate, strain i interakcje.

Model nie tworzy informacji, której projekt nie zawiera. Jedna culture per treatment nie pozwala wiarygodnie oszacować biological variance, choć ma wiele wells. Random effect z dwoma poziomami bywa niestabilny. Prostota uśrednienia do culture-level często jest lepsza przy małym n; model hierarchiczny ma przewagę, gdy poziomów i jednostek jest wystarczająco dużo.

Efekt stały i losowy wynikają z pytania, nie z nazwy kolumny

Treatment o konkretnych poziomach zwykle modeluje się jako fixed effect, ponieważ interesują różnice między nimi. Day lub batch można potraktować jako random, gdy są próbką z szerszej populacji możliwych dni, albo fixed, gdy trzeba oszacować każdy konkretny run. Strain może być fixed dla tych wybranych szczepów lub random dla uogólnienia na populację.

Wybór wpływa na zakres inference i wymaga odpowiedniej liczby poziomów. Nie należy automatycznie dodawać każdego ID jako random effect, aby „rozwiązać pseudoreplikację”. Najpierw identyfikuje się treatment assignment, nesting i crossing. Strain × treatment interaction może być ważniejsza niż ogólny średni efekt, jeśli szczepy reagują różnie.

Split-plot powstaje, gdy warunki są przypisywane na różnych skalach

Temperaturę można przypisać całemu inkubatorowi, a antybiotyk osobnym flaskom w inkubatorze. Temperature ma jednostkę whole plot, antibiotic subplot. Jeśli użyto jednego inkubatora na temperaturę, temperature jest confounded z inkubatorem mimo wielu flasks. Zamiana temperatur między wieloma runami albo wiele inkubatorów tworzy replication na właściwym poziomie.

Analiza z jednym wspólnym error term dla obu treatmentów zawyża precyzję efektu whole-plot. Podobne struktury występują, gdy medium przygotowuje się partiami, gaz podaje do całego manifold, a compounds do wells. Design należy rozpoznać przed eksperymentem, ponieważ później nie można dodać brakujących whole plots.

Parowanie zwiększa moc tylko wtedy, gdy zachowuje naturalną relację

Control i treatment pochodzące z tego samego donor, inoculum lub batch można porównać w parze. Wspólne tło odejmuje część zmienności, co poprawia precision. Pair ID musi pozostać w danych, a obie próbki przejść losowo przez dalsze etapy. Sparowanie przypadkowych próbek według kolejności nie ma biologicznego uzasadnienia.

Gdy jedna połowa próbki otrzymuje treatment, a druga control, jednostką biological jest source, a treatment jest within-unit factor. Liczba par, nie liczba połówek, wyznacza niezależną reprezentację sources. Missing member pary wymaga metody obsługującej brak, a nie dowolnego zastąpienia inną jednostką.

Randomizacja chroni przed systematycznym przypisaniem źródła błędu

Biological units losowo przydziela się do treatments, a ich kolejność ekstrakcji, plate positions i measurement order przeplata. Randomizacja nie czyni zależnych wells niezależnymi, ale sprawia, że batch i pozycja nie preferują jednej grupy. Stratification lub block randomization zachowuje równowagę ważnych covariates.

Losowanie powinno wystąpić na poziomie, na którym treatment można niezależnie przypisać. Nie ma sensu „randomizować cells”, jeśli treatment otrzymuje flask. Seed albo wygenerowaną listę warto zachować. Manualne przesuwanie niewygodnych próbek po randomizacji musi być udokumentowane, bo może ponownie wprowadzić bias.

Blocking kontroluje znane źródło bez udawania nowego treatment

Day, plate, operator, donor lub inoculum może tworzyć block zawierający wszystkie porównywane warunki. Różnice między blockami nie zanieczyszczają wtedy kontrastu treatment. Complete block ma każdy warunek, incomplete block wymaga odpowiedniego projektu i modelu. Balance ułatwia interpretację oraz odporność na missing data.

Block nie zwiększa liczby biological replicates, jeśli jednostki w nim nie są niezależne na właściwym poziomie. Trzy technical wells na każdym z trzech dni mogą mierzyć trzy run replicates, jeśli cały process rzeczywiście zaczął się niezależnie; jeśli codziennie wstrzykiwano ten sam extract, są powtórzeniami instrumentu z day blocks.

Blinding dotyczy także wyboru pola i odrzucania odczytu

Operator znający treatment może nieświadomie wybierać lepsze colonies, omijać fields z debris albo częściej powtarzać nieoczekiwany wynik. Zakodowanie próbek, automatyczne reguły segmentacji i wcześniej określone kryteria ograniczają tę zmienność. Blinding nie zmienia n, lecz poprawia wiarygodność observations.

W technical replicates decyzja o usunięciu jednego dołka musi być niezależna od zgodności z hipotezą. Quality flag może opierać się na bubble, amplification curve, saturation lub precyzyjnym threshold. Po unblinding analizuje się, czy odrzucenia były nierówne między groups, ponieważ differential missingness samo może być wynikiem.

Liczba biological replicates wynika z wariancji, efektu i modelu

Power zależy od oczekiwanej effect size, biological variance, α, pożądanej mocy, design oraz korelacji par. Reguła „n = 3” nie gwarantuje niczego. Trzy mogą wystarczyć dla wielkiego, stabilnego efektu technicznego, ale są zbyt małe dla heterogenicznej populacji i skomplikowanego mixed model. Pilot dostarcza variance, choć małe piloty szacują ją niepewnie.

Power analysis powinna używać jednostki eksperymentalnej. Wpisanie SD technicznych dołków zamiast między-culture SD drastycznie zaniża potrzebne n. Dla RNA-seq wykorzystuje się dispersion na poziomie biological samples, dla cluster designs także intraclass correlation. Uzasadnienie obejmuje attrition i możliwość failure, ale nie zwiększa n po obejrzeniu significance bez predefiniowanej reguły.

Budżet między biological i technical replicates zależy od stosunku wariancji

Jeśli measurement error jest mały względem biological variation, trzeci i czwarty technical well niewiele poprawia średnią, a nowa culture zwiększa power. Gdy metoda jest bardzo noisy albo próbka blisko LoD, techniczne powtórzenia mogą być potrzebne do wiarygodnego oszacowania każdej jednostki. Optymalny podział zależy także od kosztu przygotowania i odczytu.replicate-allocation

Najpierw warto oszacować variance components w pilot study. Dla pomiaru średniej z k równorzędnych technicznych powtórzeń techniczna część wariancji maleje w przybliżeniu jak σ²tech/k, ale biological część nie. To pokazuje malejący zwrot. Nie należy przenosić ogólnej rekomendacji dwóch czy trzech powtórzeń między różnymi assay bez danych.

Pilot techniczny i pilot biologiczny mają różne cele

Pilot techniczny sprawdza zakres, LoD, repeatability, stability i źródła failure na ograniczonej liczbie materiałów. Może mieć wiele technical replicates. Pilot biologiczny bada realistyczną variance między jednostkami, recruitment, effect size i feasibility. Zbyt jednorodny materiał techniczny nie dostarczy SD do power dla populacji.

Pilot nie powinien automatycznie łączyć się z badaniem głównym, jeśli zmieniono protokół albo kryteria na podstawie jego wyników. Jeżeli design był identyczny i reguła przewidywała włączenie, można rozważyć internal pilot z właściwą analizą. W przeciwnym razie pilot służy projektowaniu, nie ukrytemu zwiększaniu n.

Outlier w technical replicates wymaga przyczyny albo jawnej reguły

Jeden dołek daleko od dwóch pozostałych może wynikać z bubble, błędu pipety, lokalnej heterogeniczności albo prawdziwego rozkładu. Automatyczne usunięcie „odstającego z trzech” zmniejsza variance i może faworyzować zgodność. Kryterium powinno korzystać z metryki QC oraz validated threshold, nie z kierunku treatment effect.

Jeśli przyczyny nie da się przypisać, można zastosować medianę, model robust albo powtórzyć sample według predefiniowanej procedury, zachowując wszystkie wyniki. Rozbieżność sama informuje o precision. Usunięcie całej biological unit po nietypowym wyniku także wymaga reguły niezależnej od grupy. Test outlier przy n = 3 ma małą podstawę i nie zastępuje wiedzy o procesie.

Brak jednego powtórzenia nie pozwala dowolnie uzupełnić grupy

Failed technical well może pozostawić średnią z dwóch, jeśli minimalna liczba i concordance są spełnione. Failed biological sample zmniejsza n grupy i może naruszyć balance. Ponowne pobranie od tej samej jednostki nie zawsze jest możliwe, a zastąpienie nową po poznaniu innych wyników może wprowadzić selection bias.

Plan powinien przewidywać attrition, kryteria failure i maksymalną liczbę reruns. Rerun całej próbki z tego samego extract pozostaje techniczny; nowa culture jest nową jednostką, ale może powstać w innym block. Mixed models często obsługują unbalanced data lepiej niż complete-case averaging, o ile missingness i design są jawne.

Normalizacja nie usuwa zależności między powtórzeniami

Podzielenie każdego dołka przez control, housekeeping gene, OD lub total ion signal może ograniczyć pewne źródła, ale technical wells nadal dzielą biological sample. Znormalizowane wartości nie stają się niezależne. Wspólny denominator może wręcz wprowadzić korelację i przenieść jego błąd do wszystkich ratios.

Reference gene powinien być zwalidowany, a normalization factor liczony na właściwym poziomie. Jeśli control well jest wspólny dla całej plate, wszystkie ratios dzielą jego noise. Model uwzględniający plate i source jest uczciwszy niż traktowanie ratios jako niezależnych. Normalizacja koryguje skalę, nie design.

Analiza technical variability jest częścią walidacji metody

Repeatability mierzy wyniki w tych samych warunkach, intermediate precision w różnych dniach, operatorach lub sprzęcie, a reproducibility między laboratoriami. Zagnieżdżony plan pozwala oszacować variance components. Te pojęcia są techniczne względem measurand, nawet jeśli materiał jest biological.

W rutynowym assay po wykazaniu stabilności nie trzeba zachowywać wielu odczytów każdej próbki, jeśli pojedynczy pomiar spełnia uncertainty. W badaniu nowego workflow duplicate lub triplicate ujawnia failure modes. Celem nie jest estetyczna zgodność słupków, lecz decyzja, czy measurement error jest mały wobec efektu i dopuszczalnej niepewności.

Biological variability nie jest szumem do usunięcia za wszelką cenę

Różnice między strains, donors i cultures są często istotą biologii. Nadmierna standaryzacja może ograniczyć scope do jednego klonu w jednym medium. Zwiększanie biological replication pozwala oszacować heterogeniczność oraz interakcje, zamiast tylko wyostrzać średni efekt. Wniosek o „bakteriach” wymaga szerszego sampling niż wniosek o konkretnym isolate.

Projekt może celowo użyć isogenic clones, aby zbadać mechanizm, ale powinien ograniczyć generalization i później wykonać validation w szerszym panelu. Technical precision nie kompensuje wąskiej próby. Replikacja jest sposobem reprezentacji populacji, nie wyłącznie narzędziem do uzyskania małego błędu standardowego.

Wykres powinien pokazywać jednostki, na których opiera się wniosek

Jeśli n = 6 cultures i każda ma trzy wells, główny wykres powinien pokazać sześć culture-level values albo połączyć technical points w widoczne clusters. Słupki mean ± SEM ukrywają rozkład i mogą sugerować większe n. Spaghetti plot pokazuje paired lub repeated measures, a violin pojedynczych cells bez donor overlay może wyolbrzymić cell count.

Caption podaje n, definicję jednostki, liczbę technical replicates, sposób agregacji i liczbę independent experiments. Error bars trzeba nazwać: SD między biological units, SEM, CI albo technical SD. Pokazanie technical variation w supplemental panel jest wartościowe, ale nie powinno mieszać się z biological error bar.

Raportowanie drzewa powtórzeń pozwala odtworzyć analizę

Minimum obejmuje źródło materiału, liczbę niezależnych jednostek per group, treatment assignment, blocks, pairing, liczbę observations wewnątrz jednostki, miejsce rozdzielenia technical replicates, zasady averaging, failures i model. Sam zapis „n = 3, experiments performed in triplicate” jest dwuznaczny.

Przykład precyzyjny: „Wykonano cztery niezależne cultures z osobnych overnight inocula; każdą rozdzielono parami na control i treatment; z każdego flasku wykonano dwa extracts, a każdy zmierzono w dwóch wells; wells uśredniono w extract, extracts w flask, a efekt oceniono paired model z day block”. Czytelnik widzi wtedy, które liczby dostarczają stopni swobody.

Macierz decyzji zaczyna się od efektu, który ma być uogólniany

Pytanie Jednostka biologiczna lub eksperymentalna Przydatne techniczne powtórzenie Błąd, którego trzeba uniknąć
czy treatment zmienia wzrost culture niezależnie prowadzone cultures kilka wells na culture liczenie time points lub wells jako n
czy metoda JTK jest precyzyjna homogenizowana próbka lub materiał QC płytki, rozcieńczenia i dni nazywanie kolonii biological replicates
czy gen zmienia expression niezależne cultures/organisms qPCR wells i ewentualnie RT testowanie wells zamiast cultures
czy preparatyka omiczna jest robust ta sama próbka dzielona przed badanym etapem niezależne extracts/digests/injections uogólnienie na biology bez biological samples
czy microbiota reaguje na dietę niezależnie randomizowane cages/tanks wiele organisms i reads w jednostce traktowanie współmieszkańców jako niezależnych
jak zmienia się bioreaktor w czasie niezależne reactors repeated samples i assay duplicates traktowanie czasów jako reactors
czy efekt działa w gatunku odpowiednio dobrane strains, najlepiej zagnieżdżone cultures odczyty techniczne per culture wniosek z jednego strain i wielu wells

Po wskazaniu jednostki liczy się power na jej poziomie, a technical replication dobiera do measurement error. Jeśli zasoby nie pozwalają na odpowiednią liczbę units, uczciwym wynikiem jest pilot lub case study, nie statystyczne mnożenie observations.

Poprawna replikacja jest właściwością projektu, nie końcowego testu

Żaden test statystyczny nie naprawi jednego fermentora per condition, jednej cage per diet ani jednej partii medium na treatment. Model może prawidłowo opisać zależności istniejących danych i ograniczyć wniosek, lecz niezależne informacje trzeba stworzyć podczas eksperymentu. Najpierw definiuje się population, treatment assignment i hierarchy, dopiero potem liczbę wells oraz reads.

Powtórzenia techniczne mówią, jak pewnie zmierzono konkretną próbkę. Biologiczne mówią, jak próbki różnią się i czy efekt powtarza się w populacji objętej projektem. Oba poziomy są potrzebne w odpowiednich proporcjach. Błąd zaczyna się nie wtedy, gdy jest wiele pomiarów, lecz gdy liczniejszy poziom niższy udaje niezależność poziomu, na którym formułowany jest wniosek.

Źródła

Ujęcie rozproszenia, niezależności obserwacji, testowania i walidacji oparto również na lokalnym podręczniku analizy statystycznej w laboratorium badawczym.local-statistics