ZenithSync Assay Planner
Was sollte ein Experiment als nächstes messen?

Zwei Platten, eine Kurve und drei Wells, die sich zu kaufen lohnen.
Eine für diese Website in Blender gebaute Illustration. Sie erklärt die Idee; es sind keine Daten aus dem Projekt.
Originalbilder, Diagramme und Videos bleiben in ihrer Ausgangssprache.
Jede Messung verbraucht einen Teil des Budgets eines Experiments. Wenn eine Kontrolle sowie die niedrigste und die höchste Dosis bereits gemessen sind: Welche wenigen Wells sollte ein Labor als Nächstes kaufen, um die Dosis-Wirkungs-Kurve eines Wirkstoffs festzulegen? Ich habe einen Planer gebaut, der berücksichtigt, was bereits bekannt ist, wo Unsicherheit bleibt und wie eine gemeinsame Kontrolle mehrere Behandlungsmessungen zugleich beeinflusst.
Das Problem der geteilten Kontrolle
Eine Behandlungsreaktion wird gegen eine gemessene Kontrolle ausgewertet. Teilen sich mehrere Reaktionen diese Referenz, hängen ihre Fehler zusammen: Liest die Kontrolle zu hoch, fallen alle Kontraste gemeinsam zu niedrig aus. Der Planer behält diese Abhängigkeit bei, statt die Kontrolle als exakt bekannt zu behandeln, und kann sich für ein weiteres Kontroll-Well entscheiden, wenn das mehr bringt als ein weiteres Behandlungs-Well.
Eine Kurve, die bei null beginnt
Die Reaktion wird als Gauß-Prozess über der logarithmierten Dosis modelliert, mit einem Kernel, der so angepasst ist, dass der Wirkstoffeffekt bei Dosis null exakt null ist. Eine Kontrolle trägt daher keinen Wirkstoffeffekt, liefert über das gemeinsame Rauschen aber dennoch Information. Die Hyperparameter wurden einmalig per Leave-one-Organoid-out-Validierung auf einem Entwicklungsdatensatz gewählt, wobei alle 28 Folds dieselbe Einstellung wählten, und dann eingefroren.
Einen Batch exakt wählen
Bei festem Budget durchsucht der Planer jede mögliche Menge von Wells und behält diejenige, die über die geplanten Dosen hinweg die geringste durchschnittliche Unsicherheit hinterlässt. Austauschbare Wells werden gruppiert, sodass ein Repräsentant für viele gleichwertige Mengen steht: 13.408 Repräsentanten deckten in der Bestätigung 2.113.536 Teilmengen ab. Ein kleines Gegenbeispiel in den Tests zeigt, warum das wichtig ist: Das beste einzelne Well ist nicht immer Teil des besten Paares.
Die Aussage an Daten prüfen, die das Modell nicht kannte
Das Protokoll wurde eingefroren und mit Zeitstempel versehen, bevor die Reaktionen des Bestätigungsdatensatzes geöffnet wurden. Dieser Datensatz hat zwei parallele Platten pro Kontext: Die Wells werden aus der einen ausgewählt und an der anderen beurteilt. Über 6.496 Kontexte aus 148 Organoidproben und 100 Patienten senkte die exakte Auswahl den mittleren quadratischen Fehler gegenüber der Zufallsauswahl unter demselben Modell um 32,82 %. Gegenüber der stärkeren Greedy-Baseline betrug die Verbesserung 0,66 % – das ist die ehrliche Größe des Vorteils der exakten Suche.
Was dokumentiert blieb
Auf dem Entwicklungsdatensatz war derselbe Vergleich nicht schlüssig: Jedes Bootstrap-Intervall schloss null ein. Auch ein früherer Pilotversuch mit einem Leberchip lieferte kein positives Ergebnis. Beide bleiben neben der Bestätigung im Repository, ebenso ein abgestürzter erster Evaluator-Lauf, der aufbewahrt und ausschließlich für die Serialisierung korrigiert wurde.
Der Kontrollschacht ist Teil des Modells.
- 01
Behalten Sie die Kovarianz bei
Wird dieselbe gemessene Kontrolle von mehreren Behandlungsmesswerten abgezogen, entsteht ein gemeinsamer Fehler. Bei unabhängigen Rohfehlern mit der Varianz s² ist die Kovarianz des Kontrastrauschens R = s²(I + 11ᵀ): 2s² auf der Diagonalen und s² außerhalb. Das gemeinsame Gauß-Modell bewahrt diese Abhängigkeit; sein Fehler lag 11,36 % unter dem einer Ablation, die sie ignoriert.
- 02
Durchsuchen Sie den endlichen Designraum
Der Optimierer wählt einen Batch mit festem Budget, indem er die gleich gewichtete Posterior-Varianz an den geplanten Dosen minimiert, C − C[:,A] C[A,A]⁻¹ C[A,:]. Verifiziert austauschbare Wells werden gruppiert, sodass pro Anzahlmuster nur ein Repräsentant ausgewertet wird. Das verringert die Aufzählung, ohne das Optimum des beschränkten Problems zu verändern, und wird in den Tests gegen eine Brute-Force-Suche geprüft.
- 03
Einfrieren, dann auswerten
Die Modellentscheidungen wurden vor der Bestätigung an einer separaten öffentlichen Organoidstudie festgelegt. Exakte, Greedy- und Zufallsstrategie nutzen dasselbe Vorhersagemodell und dasselbe Messbudget. Die Inferenz resampelt ganze Patienten, nachdem Kontexte innerhalb von Proben und Proben innerhalb von Patienten gemittelt wurden, sodass wiederholte Kontexte nicht als unabhängige Belege zählen.
Das Kovarianzziel hängt vom Design und von den Positionen der beobachteten Wells ab, nicht von den Reaktionswerten. Es handelt sich um ein Batch-Design mit festem Modell; Vorhersagen werden mit Messungen aktualisiert, aber die Auswahlregel passt sich nicht an die Reaktionen an. Der Endpunkt ist der Fehler des rohen logarithmierten Signals Behandlung minus Kontrolle, nicht die Viabilität.
Lesen Sie die Mathematik- und BeitragsprüfungDie ehrlichen Grenzen.
- Dies sind retrospektive Ergebnisse auf öffentlichen Daten. Einsparungen in einem echten Labor wurden nicht nachgewiesen.
- Die nominellen 90-%-Intervalle deckten 98,05 % der zurückgehaltenen Messwerte ab; sie sind also eher konservativ als gut kalibriert.
- Es wird weder ein klinischer Nutzen noch ein Peer-Review oder eine Wettbewerbsplatzierung beansprucht. Ich war das einzige Teammitglied und der einzige Prüfer.
Ein genauerer Blick.
Originalprojekt-Komplettlösung mit synthetischer Erzählung. Aufgenommen während der Überprüfungsphase. Lesen Sie das Transkript ↗

Ein Plan, den Sie einsehen können.
Die lokale Schnittstelle listet ausgewählte Brunnen, ihre Rollen und die Antwortschätzungen des Modells auf. Das Ergebnis kann zur weiteren Betrachtung heruntergeladen werden.
Projekt-Screenshot aus dem öffentlichen Forschungsrepository.
Wo sich das verbindet.
Agenten besser bewertenBeide legen das Protokoll fest, bevor sie hinsehen, und beide behalten die unschmeichelhaften Ergebnisse.
Jenseits der HitzekarteUnsicherheit als Wegweiser dafür, wohin begrenzte Ressourcen gehen sollten.
Wissenschaft verständlich machenDie Biowissenschaften kehren zurück, diesmal als Statistikproblem statt als Nasslaborproblem.Dies sind retrospektive Forschungsergebnisse. Prospektive Einsparungen im Labor, klinischer Nutzen und eine Übertragung auf perfundierte Organ-on-a-Chip-Experimente wurden nicht nachgewiesen. Entwicklungsdaten: Farin et al.; Bestätigungsdaten: Kryeziu et al.; beide öffentlich.