Curso HCA — Glossário

Glossário vivo do curso.
Regra do curso: se um termo aparece 2× em aula, ele entra aqui.

Como usar este glossário

Definição: curta e operacional (o suficiente para usar no dia a dia).
Por que importa no HCA: impacto prático em desenho, aquisição ou análise.
Como reconhecer/medir: indicador observável, métrica ou sinal típico.
Erros comuns: confusões frequentes em projetos reais.
Relacionados: termos que o aluno deve linkar e ler em seguida.

Capítulo 1 — Pergunta, hipótese e unidades

Termos-base para transformar uma pergunta biológica em um teste claro, com unidade correta e interpretação honesta.

Hipótese
- Definição: afirmação testável sobre como uma variável (ou condição) afeta um desfecho observado.
- Por que importa no HCA: define o que você vai medir (fenótipo), como comparar condições e qual evidência conta como suporte.
- Como reconhecer/medir: consegue ser escrita como “Se X, então Y”, com Y observável (ex.: mudança em perfil fenotípico, contagem celular, intensidade, morfologia).
- Erros comuns: hipótese vaga (“vai mudar alguma coisa”); confundir objetivo com hipótese; mudar a hipótese depois de ver o resultado.
- Relacionados: Hipótese nula, Hipótese alternativa, Experimentos exploratórios, Unidade experimental

Hipótese nula (H0)
- Definição: modelo “padrão” assumido para teste estatístico, geralmente “não há diferença/efeito” entre condições (ou efeito = 0).
- Por que importa no HCA: ancora a inferência: p-valor e IC respondem “os dados são compatíveis com H0?”; ajuda a evitar conclusões baseadas só em visualizações.
- Como reconhecer/medir: você consegue formular qual métrica/perfil comparado deveria ser igual sob H0 (ex.: tratamento = controle após normalização).
- Erros comuns: interpretar “não rejeitar H0” como “provou que não existe efeito”; usar H0 genérica sem definir métrica/unidade.
- Relacionados: Hipótese alternativa, Experimentos confirmatórios, Unidade observacional

Hipótese alternativa (H1/Ha)
- Definição: hipótese que compete com H0; descreve que existe efeito/diferença (direcional ou não).
- Por que importa no HCA: orienta poder estatístico, escolha de métrica e expectativa de sinal (ex.: aumento/diminuição; mudança de perfil).
- Como reconhecer/medir: consegue dizer o sentido esperado (quando aplicável) e em qual escala/unidade (poço, placa, experimento).
- Erros comuns: Ha “flexível demais” (qualquer coisa serve); usar teste unilateral sem justificativa; declarar direcionalidade depois de ver os dados.
- Relacionados: Hipótese nula, Experimentos confirmatórios, Unidade experimental

Experimentos exploratórios
- Definição: estudos para descobrir padrões, gerar hipóteses e mapear variabilidade; não têm como foco principal “provar” uma hipótese pré-registrada.
- Por que importa no HCA: HCA é naturalmente rico para exploração (muitas features); exploração bem feita gera hipóteses melhores e evita overclaim.
- Como reconhecer/medir: múltiplas visualizações, QC/diagnóstico, busca de clusters/assinaturas; perguntas evoluem durante a análise.
- Erros comuns: tratar exploração como confirmação; testar muitas coisas sem controle e concluir causalidade; não separar claramente o que foi explorado vs confirmado.
- Relacionados: Experimentos confirmatórios, Hipótese

Experimentos confirmatórios
- Definição: estudos desenhados para testar uma hipótese específica com critérios de decisão definidos (métricas, unidade, comparação, regras de exclusão).
- Por que importa no HCA: evita “p-hacking” e conclusões frágeis; força clareza de unidade experimental e replicação biológica.
- Como reconhecer/medir: plano explícito: quais condições, qual métrica principal, como normaliza, quantas réplicas, como testa, o que conta como sucesso/fracasso.
- Erros comuns: confirmar com o mesmo dataset usado para explorar; mudar endpoint/threshold após ver resultados; ignorar batch effects e unidade correta.
- Relacionados: Hipótese nula, Hipótese alternativa, Unidade experimental

Unidade biológica
- Definição: a entidade biológica sobre a qual você quer generalizar a conclusão (ex.: um doador, uma linhagem, uma cultura independente, um animal).
- Por que importa no HCA: define o nível em que “replicação biológica” existe; evita confundir repetição técnica com evidência biológica.
- Como reconhecer/medir: você consegue listar quais repetições são verdadeiramente independentes biologicamente (dias diferentes, passagens diferentes, doadores diferentes).
- Erros comuns: chamar campos/poços de “replicação biológica”; misturar passagens/dias sem registrar; generalizar além da unidade biológica real.
- Relacionados: Unidade experimental, Unidade observacional

Unidade experimental
- Definição: menor unidade que pode receber um tratamento independentemente (onde a randomização/atribuição acontece).
- Por que importa no HCA: é a unidade correta para inferência estatística; evita pseudorreplicação (ex.: tratar células individuais como independentes quando o tratamento é por poço).
- Como reconhecer/medir: pergunte: “o que eu randomizo?” e “o que eu trato separadamente?” — frequentemente é o poço (ou a placa) em HCA.
- Erros comuns: usar célula como unidade quando o tratamento é por poço; ignorar correlação intra-poço; misturar níveis (célula/poço/placa) sem modelo adequado.
- Relacionados: Unidade observacional, Unidade biológica, Experimentos confirmatórios

Unidade observacional
- Definição: unidade na qual as medidas são registradas (ex.: célula, campo, imagem, poço), podendo haver várias por unidade experimental.
- Por que importa no HCA: HCA tem muita “subamostragem” (milhares de células por poço); você precisa resumir/modelar corretamente sem inflar n artificialmente.
- Como reconhecer/medir: você consegue dizer “quantas observações por unidade experimental” (ex.: 9 campos/poço, 2.000 células/poço).
- Erros comuns: reportar n = número de células quando n experimental é número de poços/experimentos; fazer teste estatístico como se tudo fosse independente.
- Relacionados: Unidade experimental, Unidade biológica