Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Ước lượng đường cong đáp ứng liều mạnh mẽ áp dụng cho phân tích dữ liệu sàng lọc mật độ cao
Tóm tắt
Việc tự động hóa quá trình ước lượng đường cong sigmoid thành công rất khó khăn khi áp dụng cho các tập dữ liệu lớn. Trong bài báo này, chúng tôi mô tả một thuật toán mạnh mẽ để ước lượng các đường cong đáp ứng liều sigmoid bằng cách ước lượng bốn tham số (sàn, cửa sổ, độ dịch chuyển và độ dốc), cùng với việc phát hiện các điểm ngoại lai. Chúng tôi đề xuất hai cải tiến so với các phương pháp hiện tại cho việc ước lượng đường cong. Cải tiến đầu tiên là phát hiện các điểm ngoại lai được thực hiện trong bước khởi tạo với những điều chỉnh tương ứng của các hàm ước lượng đạo hàm và sai số. Khía cạnh thứ hai là cải thiện chất lượng trọng số của các điểm dữ liệu bằng cách sử dụng tính toán trung bình trong hàm Tukey's biweight. Việc tự động ước lượng đường cong của 19.236 thí nghiệm đáp ứng liều cho thấy phương pháp mà chúng tôi đề xuất vượt trội hơn so với các phương pháp ước lượng hiện tại do hàm nlinfit của MATLAB®; và phần mềm Prism của GraphPad cung cấp.
Từ khóa
#đường cong đáp ứng liều #ước lượng đường cong #phát hiện điểm ngoại lai #thuật toán mạnh mẽ #phân tích dữ liệuTài liệu tham khảo
Joseph MZ:Applications of high content screening in life science research. Comb Chem High Throughput Screen. 2009, 12 (9): 870-876. 10.2174/138620709789383277.
Siqueira-Neto JL, Moon SH, Jang JY, Yang GS, Lee CB, Moon HK, Chatelain E, Genovesio A, Cechetto J, Freitas-Junior LH:An image-based high-content screening assay for compounds targeting intracellular Leishmania donovani amastigotes in human macrophages. PLOS Neglect Trop D. 2012, 6 (6): e1671-10.1371/journal.pntd.0001671.
Genovesio A, Kwon YJ, Windisch MP, Kim NY, Choi SY, Kim HC, Jung SY, Mammano F, Perrin V, Boese AS, Casartelli N, Schwartz O, Nehrbass U, Emans N:Automated genome-wide visual profiling of cellular proteins involved in HIV infection. J Biomol Screen. 2011, 16 (9): 945-958. 10.1177/1087057111415521.
Motulsky H, Christopoulos A: Fitting Models to Biological Data Using Linear and Nonlinear Regression: a Practical Guide to Curve Fitting . 2004, Oxford University Press Inc., New York, USA
Levenberg K:A method for the solution of certain problems in least squares. Quart Applied Math. 1944, 2: 164-168.
Marquardt D:An algorithm for least-squares estimation of nonlinear parameters. SIAM J Applied Math. 1963, 11 (2): 431-441. 10.1137/0111030.
Ayiomamitis A:Logistic curve fitting and parameter estimation using nonlinear noniterative least-squares regression analysis. Comput Biomed Res. 1986, 19 (2): 142-150. 10.1016/0010-4809(86)90012-1.
Rey D: Automatic best of fit estimation of dose response curve. Konferenz der SAS-Anwender in Forschung und Entwicklung 2007. [http://www.uni-ulm.de/ksfe2007]
Wang Y, Jadhav A, Southal N, Huang R, Nguyen DT:A Grid algorithm for high throughput fitting of dose-response curve data. Curr Chem Genomics. 2010, 4: 57-66. 10.2174/1875397301004010057.
Hoaglin D, Mosteller F, Tukey J: Understanding Robust and Exploratory Data Analysis . 1983, John Wiley and Sons Inc., New York, USA
Boyd Y, Vandenberghe L: Convex Optimization . 2009, Cambridge University Press, Cambridge
Ritz C, Streibig JC:Bioassay analysis using R. J Stat Soft. 2005, 12 (5): 1-22.
MathWorks Matlab 2013: nlinfit – Nonlinear regression[http://www.mathworks.com/help/stats/nlinfit.html]
IDBS 2013: XLfit – for curve fitting and data analysis[http://www.excelcurvefitting.com]
Press WH, Teukolsky SA, Vetterling WT, Flannery BP: Numerical Recipes in C: the Art of Scientific Computing (3rd edition) . 2007, Cambridge University Press, New York, USA
Holland PW, Welsch RE:Robust regression using iteratively reweighted least-squares. Comm Stat Theor Meth. 1977, A6: 813-827. 10.1080/03610927708827533.
Maronna R, Martin RD, Yohai V: Robust Statistics – Theory and Methods . 2006, Wiley, Chichester, England