¿Cuántos ratones se necesitan para entender el microbioma? exprés
Cuando uno emprende una reforma, no compra la pintura a ojo, sino según la superficie de las paredes. En ciencia, contar muestras es una estimación parecida, solo que las apuestas son más altas. Si te quedas corto, el trabajo se convierte en una lotería: puedes pasarte por alto un efecto real, o puedes confundir el ruido con un descubrimiento. Si te pasas, son más tubos de ensayo, meses perdidos y, en experimentos con animales, vidas desperdiciadas.
En el microbioma, este problema es especialmente complicado. Las comunidades de bacterias en el intestino o en la piel se parecen a una ciudad ruidosa: unos habitantes son multitudes, otros son un puñado. Si buscas cuáles de ellos han cambiado su número tras una dieta o una enfermedad, una señal débil se ahoga fácilmente en el estruendo. Los autores del trabajo proponen no adivinar, sino calcular: su programa power.nb, como una calculadora para reformas, a partir de tres números —cuán fuerte es el cambio, cuántas bacterias de ese tipo hay y qué fiabilidad queremos— da el número necesario de muestras.
La conclusión es simple: la ciudad microbiana exige un censo amplio. Sin él, corremos el riesgo de estudiar un espejismo durante años.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2606.16726
Determining an appropriate sample size for a study is a crucial step in planning scientific research. Appropriate sample size planning avoids both inadequate and inflated sample sizes. Inflated sample sizes wastes resources, time and effort of human subjects, and lives of experimental animals. Inadequate sample sizes, a much more common problem, wastes even more resources through the inability to detect biologically meaningful differences and encourages questionable research practices like $$p$$-hacking. Microbiome studies are particularly challenged by small sample sizes, particularly in studies of human subjects or expensive animal models. In practice, the statistical power of taxa within a differential abundance study is influenced by the effect size (typically quantified as fold change), mean abundance of individual taxa, and the number of samples. We present a novel approach for sample size calculation for differential abundance studies as a function of effect size, mean abundance and statistical power of taxa. Our method is implemented in the power.nb R package, available at https://michaelagronah.com/power.nb/articles/stub.html. We applied our model for sample size calculation using estimates of mean abundance and fold change of taxa obtained from thirty real-world microbiome datasets. Our results showed that differential abundance microbiome studies require larger sample sizes than are currently prevalent in the literature to achieve adequate statistical power. Our framework will help researchers make informed decisions about appropriate sample sizes.
En un gramo de contenido intestinal hay más bacterias que estrellas en nuestra galaxia: alrededor de cien mil millones.