Combien de souris faut-il pour comprendre le microbiote ? express
Quand on entreprend des travaux, on n'achète pas la peinture au jugé, mais en fonction de la surface des murs. En science, le calcul du nombre d'échantillons est une estimation similaire, mais les enjeux sont plus élevés. En dessous du compte, l'étude devient une loterie : on peut passer à côté d'un effet réel, ou prendre du bruit pour une découverte. Au-dessus, ce sont des tubes supplémentaires, des mois gaspillés et, dans les expériences sur animaux, des vies perdues en vain.
Dans le microbiote, ce problème est particulièrement délicat. Les communautés bactériennes de l'intestin ou de la peau ressemblent à une ville bruyante : certains habitants sont des foules, d'autres des poignées. Si l'on cherche à savoir chez lesquels la population a changé après un régime ou une maladie, un signal faible se noie facilement dans le vacarme. Les auteurs de l'étude proposent de ne pas deviner, mais de calculer : leur programme power.nb, telle une calculatrice pour travaux, à partir de trois nombres — l'ampleur du changement, la quantité de bactéries de ce type et la fiabilité souhaitée — fournit le nombre d'échantillons nécessaire.
La conclusion est simple : la ville microbienne exige un recensement à grande échelle. Sans cela, nous risquons d'étudier un mirage pendant des années.
Résumé original
tel que rédigé par les auteurs, en anglais 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.
Dans un gramme de contenu intestinal, il y a plus de bactéries que d'étoiles dans notre Galaxie — environ cent milliards.