Data-analyysi täydentää kokeellista tutkimusta 

Se hetki, kun siirryt laboratoriosta koneen ääreen

Kuulostaako tämä tutulta? Kokeellinen laboratoriotyö on tuottanut paljon tulosta ja dataa on valtavat määrät. Data pitäisi analysoida kattavasti ja siitä pitäisi pystyä nostamaan esiin tärkeimpiä tuloksia ja johtopäätöksiä. Ehkä en aloitakaan sitä vielä tänään, huomenna on parempi päivä. Ei se Excel mihinkään karkaa, toisin kuin ajatusteni johdonmukaisuus.

Usein törmää siihen tilanteeseen, että kokeellista työtä tekevän tutkijan ajankäyttö ja osaaminen keskittyvät nimenomaan laboratoriossa tehtävään työhön ja vaativien kokeiden toteuttamiseen. Tämä vie paljon aikaa, jolloin tärkeiden data-analyysin työkalujen opettelu jää vähemmälle. Tutkijoilla on kuitenkin kokeellisen työn tuloksena paljon dataa ja sen tehokas analysointi ja tulkitseminen ovat ensiarvoisen tärkeitä tieteellisten julkaisujen kirjoittamisessa.

Jokainen voi opetella ohjelmoimaan!

Väitöskirjatyössäni tutkin ionikanavien toimintaa kantasoluista erilaistetussa silmän kudoksessa. Tämä on tärkeää in vitro solumallien kehittämisessä ja silmäsairauksien tutkimuksessa sekä tulevaisuuden kantasoluhoidoissa sokeuden hoitamiseksi. Työssä käytetään pääasiallisesti patch clamp nimistä menetelmää, jossa solukalvon sähköistä toimintaa mitataan elektrodien avulla. Työtäni helpotti huomattavasti se, että opettelin Pythonin perusteet. Jo näillä tiedoilla pystyin analysoimaan patch clamp mittauksista saatua dataa, mikä nopeutti ja selkeytti työtäni huomattavasti. Toisaalta tekemällä oppii myös uusia mielenkiintoisia asioita koodaamisesta. Jos tämä oli mahdollista patch clamp-menetelmällä mitatuilla solun sähköisillä vasteilla, niin miksipä ei sinunkin sovelluksessasi?

Haluankin kannustaa kokeellisen työn parissa työskenteleviä ammattilaisia varaamaan aikaa erilaisten data-analyysimenetelmien opettelemiseen ja uusien ratkaisujen kokeilemiseen. Tämä maksaa itsensä takaisin datan käsittelyn nopeutumisena ja selkeytymisenä sekä paremman kokonaiskuvan muodostamisena tutkimustuloksista. Ohjelmointi on haasteellista, mutta palkitsevaa. Parasta on huomata se, että minä opin ja minä osaan! Data-analyysin ja ohjelmoinnin työkalut tarjoavat uudenlaista kapasiteettia kokeelliseen työhön, mikäli ne vain otettaisiin kattavasti käyttöön.

Iina Korkka on väitöskirjatutkija Tampereen yliopistossa. Hän sai Tekniikan edistämissäätiön 5000 euron kannustusapurahan vuonna 2020.