Asunto(s)
Antivirales/análisis , Tratamiento Farmacológico de COVID-19 , Conducta Cooperativa , Descubrimiento de Drogas/métodos , Descubrimiento de Drogas/organización & administración , Evaluación Preclínica de Medicamentos/métodos , Publicación de Acceso Abierto , Animales , Antivirales/farmacología , Antivirales/uso terapéutico , COVID-19/epidemiología , COVID-19/virología , Ensayos Clínicos como Asunto , Proteasas 3C de Coronavirus/antagonistas & inhibidores , Proteasas 3C de Coronavirus/química , Colaboración de las Masas , Cristalografía por Rayos X/instrumentación , Reposicionamiento de Medicamentos , Objetivos , Humanos , Cooperación Internacional , Israel/epidemiología , SARS-CoV-2/genética , SARS-CoV-2/aislamiento & purificación , Medios de Comunicación Sociales , Sincrotrones , Factores de Tiempo , Reino Unido/epidemiología , Comunicación por Videoconferencia , Voluntarios , Organización Mundial de la Salud/organización & administraciónRESUMEN
All experimental assay data contains error, but the magnitude, type, and primary origin of this error is often not obvious. Here, we describe a simple set of assay modeling techniques based on the bootstrap principle that allow sources of error and bias to be simulated and propagated into assay results. We demonstrate how deceptively simple operations--such as the creation of a dilution series with a robotic liquid handler--can significantly amplify imprecision and even contribute substantially to bias. To illustrate these techniques, we review an example of how the choice of dispensing technology can impact assay measurements, and show how large contributions to discrepancies between assays can be easily understood and potentially corrected for. These simple modeling techniques--illustrated with an accompanying IPython notebook--can allow modelers to understand the expected error and bias in experimental datasets, and even help experimentalists design assays to more effectively reach accuracy and imprecision goals.