ZenithSync Assay Planner
एक प्रयोग को आगे क्या मापना चाहिए?

दो प्लेटें, एक वक्र, और ख़रीदने लायक तीन वेल।
इस साइट के लिए Blender में बनाया गया एक चित्रण। यह विचार को समझाता है; यह परियोजना का डेटा नहीं है।
परियोजनाओं की मूल तस्वीरें, आरेख और वीडियो उनकी मूल भाषा में दिखाए गए हैं।
हर माप प्रयोग के बजट का एक हिस्सा ख़र्च करता है। अगर एक नियंत्रण और पहले से मापी गई सबसे कम और सबसे अधिक ख़ुराकें मौजूद हों, तो किसी दवा के डोज़-रिस्पॉन्स वक्र को पक्का करने के लिए प्रयोगशाला को अगले कौन-से कुछ वेल ख़रीदने चाहिए? मैंने एक प्लानर बनाया जो इस पर विचार करता है कि क्या पहले से ज्ञात है, अनिश्चितता कहाँ बची है, और एक साझा नियंत्रण एक साथ कई उपचार मापों को कैसे प्रभावित करता है।
साझा-नियंत्रण समस्या
उपचार की प्रतिक्रिया को एक मापे गए नियंत्रण के सापेक्ष पढ़ा जाता है। जब कई प्रतिक्रियाएँ वही संदर्भ साझा करती हैं, तो उनकी त्रुटियाँ आपस में जुड़ जाती हैं: अगर नियंत्रण की रीडिंग ज़्यादा आए, तो हर कॉन्ट्रास्ट एक साथ कम आता है। प्लानर नियंत्रण को पूरी तरह ज्ञात मानने के बजाय इस निर्भरता को बनाए रखता है, और जब एक और उपचार वेल की तुलना में एक और नियंत्रण वेल ज़्यादा मददगार हो, तो वह उसे ख़रीदने का विकल्प चुन सकता है।
शून्य से शुरू होने वाला वक्र
प्रतिक्रिया को log ख़ुराक पर एक गॉसियन प्रक्रिया के रूप में मॉडल किया गया है, जिसके कर्नेल को इस तरह समायोजित किया गया है कि शून्य ख़ुराक पर दवा का प्रभाव ठीक शून्य हो। इसलिए नियंत्रण में दवा का कोई प्रभाव नहीं होता, लेकिन साझा नॉइज़ के ज़रिए वह फिर भी जानकारी देता है। हाइपरपैरामीटर एक डेवलपमेंट डेटासेट पर लीव-वन-ऑर्गेनॉइड-आउट वैलिडेशन से एक बार चुने गए, जहाँ सभी 28 फ़ोल्ड ने एक ही सेटिंग चुनी, और फिर उन्हें फ़्रीज़ कर दिया गया।
बैच का सटीक चुनाव
तय बजट के लिए प्लानर वेल के हर संभव समूह को जाँचता है और वह समूह चुनता है जो नियोजित ख़ुराकों पर सबसे कम औसत अनिश्चितता छोड़ता है। अदला-बदली योग्य वेल को समूहित किया जाता है, ताकि एक प्रतिनिधि कई समतुल्य समूहों की जगह ले सके: पुष्टि-चरण में 13,408 प्रतिनिधियों ने 2,113,536 उपसमुच्चयों को कवर किया। टेस्ट में एक छोटा प्रति-उदाहरण दिखाता है कि यह क्यों मायने रखता है: सबसे अच्छा अकेला वेल हमेशा सबसे अच्छी जोड़ी का हिस्सा नहीं होता।
दावे को ऐसे डेटा पर परखना जो उसने पहले नहीं देखा था
पुष्टि डेटासेट की प्रतिक्रियाएँ खोलने से पहले प्रोटोकॉल फ़्रीज़ करके उस पर टाइमस्टैम्प लगा दिया गया था। उस डेटासेट में हर कॉन्टेक्स्ट के लिए दो समानांतर प्लेटें हैं: वेल एक प्लेट से चुने जाते हैं और दूसरी के आधार पर आँके जाते हैं। 148 ऑर्गेनॉइड सैंपल और 100 रोगियों के 6,496 कॉन्टेक्स्ट में, उसी मॉडल के तहत सटीक चयन ने यादृच्छिक चयन की तुलना में मीन स्क्वेयर्ड एरर 32.82% कम किया। ज़्यादा मज़बूत ग्रीडी बेसलाइन की तुलना में सुधार 0.66% था, और सटीक खोज के लाभ का ईमानदार आकार यही है।
रिकॉर्ड में क्या रहा
डेवलपमेंट डेटासेट पर यही तुलना अनिर्णायक रही: हर बूटस्ट्रैप अंतराल में शून्य शामिल था। पहले के एक लिवर-चिप पायलट से भी कोई सकारात्मक परिणाम नहीं मिला। दोनों रिपॉज़िटरी में पुष्टि-परिणाम के साथ मौजूद हैं, और साथ में मूल्यांकक का पहला रन भी, जो क्रैश हो गया था; उसे सुरक्षित रखा गया और केवल सीरियलाइज़ेशन के लिए संशोधित किया गया।
नियंत्रण कुआं मॉडल का हिस्सा है।
- 01
सहप्रसरण रखें
एक ही मापे गए नियंत्रण को कई उपचार रीडिंग से घटाने पर साझा त्रुटि पैदा होती है। यदि मूल त्रुटियाँ स्वतंत्र हों और उनका वैरिएंस s² हो, तो कॉन्ट्रास्ट-नॉइज़ कोवैरिएंस R = s²(I + 11ᵀ) होता है: विकर्ण पर 2s² और उसके बाहर s²। संयुक्त गॉसियन मॉडल इस निर्भरता को बनाए रखता है; उसकी त्रुटि, इसे नज़रअंदाज़ करने वाले एब्लेशन से 11.36% कम थी।
- 02
परिमित डिज़ाइन स्थान खोजें
ऑप्टिमाइज़र तय-बजट वाला बैच इस तरह चुनता है कि डिज़ाइन की गई ख़ुराकों पर बराबर वज़न वाला पोस्टीरियर वैरिएंस, C − C[:,A] C[A,A]⁻¹ C[A,:], न्यूनतम हो। सत्यापित अदला-बदली योग्य वेल को समूहित किया जाता है, ताकि हर गिनती-पैटर्न के लिए केवल एक प्रतिनिधि का मूल्यांकन हो। इससे सीमित (bounded) समस्या का इष्टतम हल बदले बिना गिनी जाने वाली संभावनाएँ घटती हैं, और टेस्ट में इसे ब्रूट फ़ोर्स से जाँचा जाता है।
- 03
रुकें, फिर मूल्यांकन करें
मॉडल से जुड़े चुनाव एक अलग सार्वजनिक ऑर्गेनॉइड अध्ययन पर पुष्टि से पहले ही तय कर दिए गए थे। सटीक (exact), ग्रीडी और यादृच्छिक नीतियाँ एक ही प्रेडिक्शन मॉडल और माप-बजट साझा करती हैं। इन्फ़रेंस में पहले सैंपल के भीतर कॉन्टेक्स्ट का और रोगी के भीतर सैंपल का औसत लिया जाता है, फिर पूरे रोगियों का रीसैंपलिंग किया जाता है, ताकि दोहराए गए कॉन्टेक्स्ट को स्वतंत्र साक्ष्य न गिना जाए।
कोवैरिएंस ऑब्जेक्टिव डिज़ाइन और मापे गए वेल की स्थितियों पर निर्भर करता है, प्रतिक्रिया के मानों पर नहीं। यह एक फ़िक्स्ड-मॉडल बैच डिज़ाइन है; प्रेडिक्शन मापों के साथ अपडेट होते हैं, लेकिन चयन का नियम प्रतिक्रिया-अनुकूली (response-adaptive) नहीं है। एंडपॉइंट कच्चे log उपचार-माइनस-नियंत्रण सिग्नल की त्रुटि है, जीवन-क्षमता (viability) नहीं।
गणितीय और योगदान लेखापरीक्षा पढ़ेंईमानदार सीमाएँ।
- ये सार्वजनिक डेटा पर पूर्वव्यापी परिणाम हैं। किसी वास्तविक प्रयोगशाला में बचत प्रदर्शित नहीं की गई है।
- नाममात्र 90% अंतरालों ने अलग रखी गई रीडिंग में से 98.05% को कवर किया, इसलिए वे अच्छी तरह कैलिब्रेटेड होने के बजाय रूढ़िवादी (conservative) हैं।
- किसी क्लिनिकल लाभ, पीयर रिव्यू या प्रतियोगिता में स्थान का दावा नहीं किया गया है। टीम का एकमात्र सदस्य और एकमात्र समीक्षक मैं ही था।
एक नज़दीकी नज़र।
सिंथेटिक वर्णन के साथ मूल प्रोजेक्ट वॉकथ्रू। समीक्षा चरण के दौरान रिकॉर्ड किया गया। प्रतिलेख पढ़ें ↗

एक योजना जिसका आप निरीक्षण कर सकते हैं।
स्थानीय इंटरफ़ेस चयनित कुओं, उनकी भूमिकाओं और मॉडल की प्रतिक्रिया अनुमानों को सूचीबद्ध करता है। आगे के निरीक्षण के लिए परिणाम डाउनलोड किया जा सकता है।
सार्वजनिक अनुसंधान भंडार से प्रोजेक्ट स्क्रीनशॉट।
यह कहाँ जुड़ता है।
एजेंट का बेहतर मूल्यांकनदोनों देखने से पहले प्रोटोकॉल तय कर देते हैं, और दोनों असुविधाजनक नतीजों को भी दर्ज रखते हैं।
हीट मैप से आगेअनिश्चितता, यह तय करने में मार्गदर्शक कि सीमित संसाधन कहाँ लगें।
विज्ञान, स्पष्ट शब्दों मेंजीवविज्ञान फिर लौटता है, इस बार वेट-लैब की नहीं, सांख्यिकी की समस्या के रूप में।ये पूर्वव्यापी (retrospective) शोध परिणाम हैं। प्रयोगशाला में भविष्य की बचत, क्लिनिकल लाभ, और परफ़्यूज़्ड ऑर्गन-ऑन-अ-चिप प्रयोगों पर लागू होना प्रदर्शित नहीं किया गया है। डेवलपमेंट डेटा: Farin et al.; पुष्टि डेटा: Kryeziu et al.; दोनों सार्वजनिक।