6.7 Vitenskapelig metode i biologi

Hvordan vet vi det vi vet?

Du har lest om celler, evolusjon, økosystemer og genteknologi. Men hvordan vet biologene egentlig at alt dette stemmer? Svaret er den vitenskapelige metoden -- en systematisk måte å stille spørsmål, foreslå forklaringer, teste dem mot virkeligheten og revidere forståelsen.

Metoden er ikke bare en oppskrift, men en måte å tenke kritisk på. I dette kapittelet skal vi lære hvordan en god hypotese ser ut, hvordan man designer et kontrollert forsøk med kontrollgrupper og variabler, hvordan statistikk hjelper oss å skille reelle effekter fra tilfeldigheter, og hvordan vi vurderer om forsøket er pålitelig og om vi faktisk måler det vi tror vi måler.

Fra observasjon til hypotese

Den vitenskapelige metoden følger en systematisk gang. Det starter med en observasjon og en problemstilling -- et konkret, avgrenset spørsmål som kan undersøkes empirisk. «Påvirker gjødselkonsentrasjonen veksthastigheten til bønneplanter?» er en god problemstilling; «Hva er det beste med naturen?» er ikke testbar. Deretter innhentes bakgrunnsinformasjon fra litteraturen.

Så kommer kjernen: hypotesen, en foreløpig forklaring eller et forventet svar. En god hypotese er testbar (kan bekreftes eller avkreftes), falsifiserbar (det må være mulig å motbevise den -- Karl Poppers krav), og basert på bakgrunnskunnskap. Vi formulerer også en nullhypotese (H₀) som antar at den uavhengige variabelen ikke har noen effekt -- for eksempel «Det er ingen forskjell i veksthastighet mellom planter med og uten gjødsel.»

La oss bruke et eksempel: en elev ser at gress under et tre vokser dårligere enn gress i full sol. Problemstillingen blir «Påvirker mengden lys veksthastigheten til gress?» Hypotesen (H₁): «Gress med 8 timer daglig sollys vokser raskere enn gress med 2 timer, fordi mer lys gir høyere fotosynteserate.» Nullhypotesen (H₀): «Det er ingen forskjell i veksthastighet mellom de to lysbetingelsene.» Hypotesen er testbar (vi kan måle bladlengde), falsifiserbar (lys kan vise seg å ikke ha effekt) og bygd på kunnskap om fotosyntese. Etter hypotesen kommer eksperimentet, datainnsamling og analyse, konklusjon (basert på data, ikke håp) og til slutt kommunikasjon av resultatene.

Å bygge et rettferdig forsøk

Et godt eksperimentelt design er avgjørende for å trekke pålitelige konklusjoner, og det bygger på noen sentrale begreper. Den uavhengige variabelen er det forskeren bevisst endrer -- for eksempel gjødselkonsentrasjon (0, 2, 5, 10 g/L). Den avhengige variabelen er det som måles -- for eksempel plantehøyde etter fire uker. Kontrollerte variabler er alt annet som holdes konstant -- temperatur, lys, vannmengde, jordtype -- slik at eventuelle forskjeller skyldes den uavhengige variabelen og ikke noe annet.

Vi trenger en kontrollgruppe som ikke utsettes for den uavhengige variabelen (f.eks. planter uten gjødsel), og eksperimentgrupper med ulike nivåer. Uten kontrollgruppe er det umulig å vite om endringene skyldes behandlingen. Hvert forsøksledd bør ha flere paralleller (replikater) for å redusere tilfeldig variasjon -- minst tre i skoleforsøk. Randomisering (tilfeldig fordeling av forsøksobjekter) reduserer systematiske skjevheter, så ikke alle planter i én gruppe tilfeldigvis havner nærmest vinduet. Ved forsøk med mennesker eller dyr brukes ofte blindforsøk: enkeltblind (forsøkspersonen vet ikke hvilken behandling) eller dobbeltblind (verken person eller forsker vet), som reduserer placeboeffekt og observatørskjevhet.

I et gjødselforsøk med fire ledd (0, 2, 5, 10 g/L) er gjødselkonsentrasjonen den uavhengige variabelen, plantehøyden den avhengige, kontrollgruppen får rent vann (0 g/L), og kontrollerte variabler er temperatur, lys, vannmengde, jordtype, plantesort og pottestørrelse -- med for eksempel fem planter per gruppe, plassert tilfeldig.

Tilfeldighet eller ekte effekt?

Biologiske systemer varierer naturlig -- to organismer av samme art er aldri helt like. Statistikk hjelper oss å skille reelle effekter fra tilfeldig variasjon. Med deskriptiv statistikk beskriver vi data: gjennomsnittet angir sentraltendensen, standardavviket (SD) angir spredningen rundt gjennomsnittet, og standardfeilen (SE = SD/√n) angir usikkerheten i selve gjennomsnittsestimatet -- den blir mindre jo flere observasjoner vi har.

Ved hypotesetesting stiller vi nullhypotesen (ingen forskjell) mot en alternativ hypotese (reell forskjell). Nøkkeltallet er p-verdien -- sannsynligheten for å observere et resultat like ekstremt eller mer ekstremt enn det vi fikk, gitt at nullhypotesen er sann. Hvis $p < 0{,}05$ er resultatet statistisk signifikant: mindre enn 5 % sannsynlighet for at forskjellen skyldes tilfeldigheter, og vi forkaster nullhypotesen. Hvis $p > 0{,}05$ kan vi ikke utelukke tilfeldigheter, og vi beholder nullhypotesen. Vanlige tester er t-testen (to grupper), ANOVA (tre eller flere grupper) og kjikvadrat-testen (frekvenser, f.eks. genetiske krysningsforsøk).

Ta et gjødselforsøk: en t-test mellom kontroll og 5 g/L gir $p = 0{,}003$ -- statistisk signifikant, så 5 g/L gir reelt høyere planter. En t-test mellom kontroll og 10 g/L gir $p = 0{,}32$ -- ikke signifikant, så vi kan ikke si at 10 g/L gir høyere planter. Biologisk gir det mening: moderat gjødsel hjelper, men høy konsentrasjon kan hemme veksten ved osmotisk stress -- sammenhengen har et optimum. I grafer brukes feilstolper, og når man sammenligner gjennomsnitt mellom grupper brukes ofte SE, fordi man da er interessert i usikkerheten i gjennomsnittet, ikke i variasjonen innen gruppene.

Måler vi det vi tror?

Til slutt må vi vurdere kvaliteten på forsøket. Feilkilder er faktorer som påvirker resultatene uten å være variabelen vi studerer. Systematiske feil går alltid i samme retning og påvirker alle målinger likt -- som et termometer som konsekvent viser 1 °C for høyt. De kan ikke reduseres ved å gjenta forsøket. Tilfeldige feil varierer i begge retninger -- som naturlig variasjon mellom individer -- og kan reduseres ved flere paralleller.

To begreper er sentrale for kvalitet. Reliabilitet (pålitelighet) handler om hvor reproduserbare resultatene er: gir forsøket samme svar når det gjentas, og kan andre forskere gjenta det? Reliabilitet økes med flere paralleller, standardiserte prosedyrer og presist utstyr. Validitet (gyldighet) handler om hvorvidt forsøket faktisk måler det vi vil måle. Indre validitet er om effekten virkelig skyldes den uavhengige variabelen og ikke konfunderende faktorer -- den styrkes av kontrollgrupper, randomisering og blinding. Ytre validitet er om resultatene kan generaliseres til andre situasjoner, populasjoner eller arter.

Nøkkelen er at reliabilitet og validitet er forskjellige ting. Tenk på reliabilitet som «presisjon» og validitet som «treffsikkerhet». Et antibiotikum kan drepe 99 % av bakterier i reagensrør hver eneste gang (høy reliabilitet), men det forteller oss lite om det virker i pasienter (lav validitet for det spørsmålet), fordi reagensrøret ikke gjenspeiler kroppens komplekse miljø. En konfunderende variabel truer indre validitet: hvis plantene med mest gjødsel tilfeldigvis også fikk mest lys, kan vi ikke vite om vekstforskjellen skyldes gjødsel eller lys.

Oppsummering

Vi har sett hvordan biologene vet det de vet. Den vitenskapelige metoden går fra observasjon og problemstilling, via en testbar og falsifiserbar hypotese (med nullhypotese), til eksperiment, analyse, konklusjon og kommunikasjon. Eksperimentelt design krever en uavhengig variabel (det man endrer), en avhengig variabel (det man måler), kontrollerte variabler, en kontrollgruppe, paralleller, randomisering og noen ganger blinding.

Statistikk skiller ekte effekter fra tilfeldighet: gjennomsnitt og standardavvik beskriver data, mens en p-verdi under 0,05 er statistisk signifikant. t-test, ANOVA og kjikvadrat er vanlige tester. Til slutt vurderer vi kvaliteten gjennom feilkilder (systematiske og tilfeldige), reliabilitet (reproduserbarhet) og validitet (om vi måler det rette) -- to ulike ting man ikke må forveksle.