Power calculations for larval zebrafish in light-dark transition test for developmental neurotoxicity
Notice bibliographique
Résumé
The link between environmental chemical exposures and neurodevelopmental disorders such as autism and attention-deficit/hyperactivity disorder underscores the need to develop efficient developmental neurotoxicity (DNT) assays for chemical evaluation. The zebrafish Light-Dark Transition Test (LDTT) assesses changes in zebrafish larval behavioral responses to chemical exposure by recording their distance moved under alternating light and dark conditions. To gain confidence in classifying a chemical as having a DNT effect for the LDTT assay, it is important to determine the minimum sample size to obtain a robust behavioral response. We calculated statistical power under common models based on LDTT data collected from four laboratories using standard protocol parameters, where each 96-well plate contained 5–7 test concentrations and 12–16 vehicle control wells (1 larva/well). Power calculations were conducted to identify concentration effects using t-tests, analysis of variance (ANOVA), and repeated measures ANOVA (RMANOVA), with data from four endpoints: Total Distance, Movement Similarity, Distance Change, and Distance Shift. The tests showed the highest power for the Movement Similarity and Distance Change endpoints, which had the lowest intra- and inter-laboratory variability, resulting in a smaller necessary sample size to estimate dose effects. The use of these endpoints more than doubled the power of the statistical tests for the Total Distance endpoints using the same sample size and typically required between 8-32 samples to achieve 80% power at a 20% effect size. This work demonstrates that the LDTT can be improved for detecting DNT effects by careful consideration of endpoint selection, data transformation, and type of statistical test. • New light-dark transition endpoints streamline zebrafish neurodevelopment research • Statistical power differs across zebrafish endpoints and light-dark phases • Data normalization by vehicle control per plate minimizes inter-lab variations • Normalized data doubled statistical power in the study protocol • 8-32 samples needed per dose group for 80% power at 20% effect size
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».