ZenithSync Assay Planner
¿Qué debería medir a continuación un experimento?

Dos placas, una curva y tres pocillos que vale la pena comprar.
Una ilustración creada en Blender para este sitio. Explica la idea; no son datos del proyecto.
Las imágenes, los diagramas y los vídeos originales conservan su idioma de origen.
Cada medición consume parte del presupuesto de un experimento. Con un control y las dosis más baja y más alta ya medidas, ¿qué pocos pocillos debería comprar un laboratorio a continuación para precisar la curva dosis-respuesta de un fármaco? Construí un planificador que tiene en cuenta lo que ya se sabe, dónde persiste la incertidumbre y cómo un control compartido afecta a varias mediciones de tratamiento a la vez.
El problema del control compartido
La respuesta a un tratamiento se lee frente a un control medido. Cuando varias respuestas comparten esa referencia, sus errores están relacionados: si el control da una lectura alta, todos los contrastes dan a la vez una lectura baja. El planificador conserva esta dependencia en lugar de tratar el control como perfectamente conocido, y puede optar por comprar otro pocillo de control cuando eso ayude más que otro pocillo de tratamiento.
Una curva que empieza en cero
La respuesta se modela como un proceso gaussiano sobre el logaritmo de la dosis, con un kernel ajustado para que el efecto del fármaco a dosis cero sea exactamente cero. Por tanto, un control no aporta efecto del fármaco, pero sí información, a través del ruido compartido. Los hiperparámetros se eligieron una sola vez mediante validación dejando fuera un organoide en un conjunto de desarrollo, donde los 28 pliegues eligieron la misma configuración, y luego se congelaron.
Elegir un lote de forma exacta
Para un presupuesto fijo, el planificador examina todos los conjuntos posibles de pocillos y se queda con el que deja la menor incertidumbre promedio en las dosis planificadas. Los pocillos intercambiables se agrupan, de modo que un representante sustituye a muchos conjuntos equivalentes: 13.408 representantes cubrieron 2.113.536 subconjuntos en la confirmación. Un pequeño contraejemplo en las pruebas muestra por qué importa: el mejor pocillo individual no siempre forma parte del mejor par.
Probar la afirmación con datos que no había visto
El protocolo se congeló, con marca de tiempo, antes de abrir las respuestas del conjunto de confirmación. Ese conjunto tiene dos placas paralelas por contexto: los pocillos se eligen de una y se evalúan frente a la otra. En 6.496 contextos de 148 muestras de organoides y 100 pacientes, la selección exacta redujo el error cuadrático medio un 32,82% frente a la selección aleatoria con el mismo modelo. Frente a la línea base voraz, más exigente, la mejora fue del 0,66%: esa es la medida honesta de la ventaja de la búsqueda exacta.
Lo que quedó registrado
En el conjunto de desarrollo, la misma comparación no fue concluyente: todos los intervalos bootstrap incluían el cero. Un piloto anterior con chips de hígado tampoco dio un resultado positivo. Ambos siguen en el repositorio junto a la confirmación, además de una primera ejecución del evaluador que falló, que se conservó y se corrigió solo en la serialización.
El pozo de control es parte del modelo.
- 01
Mantener la covarianza
Restar el mismo control medido de varias lecturas de tratamiento introduce un error compartido. Con errores brutos independientes de varianza s², la covarianza del ruido de los contrastes es R = s²(I + 11ᵀ): 2s² en la diagonal y s² fuera de ella. El modelo gaussiano conjunto conserva esa dependencia; su error fue un 11,36% menor que el de una ablación que la ignora.
- 02
Buscar en el espacio de diseño finito
El optimizador elige un lote de presupuesto fijo minimizando la varianza posterior, con ponderación uniforme, en las dosis diseñadas: C − C[:,A] C[A,A]⁻¹ C[A,:]. Los pocillos intercambiables verificados se agrupan para evaluar un representante por cada patrón de recuento. Esto reduce la enumeración sin cambiar el óptimo del problema acotado, y se comprueba frente a la fuerza bruta en las pruebas.
- 03
Congelar, luego evaluar
Las decisiones de modelado se fijaron antes de la confirmación en un estudio público de organoides independiente. Las políticas exacta, voraz y aleatoria comparten el mismo modelo de predicción y el mismo presupuesto de medición. La inferencia remuestrea pacientes completos tras promediar los contextos dentro de las muestras y las muestras dentro de los pacientes, para que los contextos repetidos no cuenten como evidencia independiente.
El objetivo de covarianza depende del diseño y de las posiciones de los pocillos observados, no de los valores de respuesta. Es un diseño por lotes de modelo fijo; las predicciones se actualizan con las mediciones, pero la regla de selección no se adapta a la respuesta. La variable de resultado es el error de la señal logarítmica bruta de tratamiento menos control, no la viabilidad.
Leer la auditoría matemática y de contribuciones.Los límites, con honestidad.
- Son resultados retrospectivos con datos públicos. No se ha demostrado ahorro en un laboratorio real.
- Los intervalos nominales del 90% cubrieron el 98,05% de las lecturas reservadas, así que son conservadores más que bien calibrados.
- No se afirma ningún beneficio clínico, revisión por pares ni puesto en competición. Fui el único miembro del equipo y el único revisor.
Una mirada más cercana.
Tutorial del proyecto original con narración sintética. Grabado durante la etapa de revisión. Leer la transcripción ↗

Un plan que puedes inspeccionar.
La interfaz local enumera los pozos seleccionados, sus funciones y las estimaciones de respuesta del modelo. El resultado se puede descargar para una inspección más detallada.
Captura de pantalla del proyecto del repositorio público de investigación.
Dónde conecta esto.
Evaluar mejor a un agenteAmbos fijan el protocolo antes de mirar, y ambos conservan los resultados poco favorables.
Más allá del mapa de calorLa incertidumbre como guía de adónde deben ir unos recursos limitados.
Ciencia bien contadaLas ciencias de la vida vuelven, esta vez como un problema estadístico y no de laboratorio húmedo.Son resultados de investigación retrospectivos. No se han demostrado ahorros prospectivos en el laboratorio, beneficio clínico ni transferencia a experimentos de órgano en chip con perfusión. Datos de desarrollo: Farin et al.; datos de confirmación: Kryeziu et al.; ambos públicos.