免疫测定的数据处理与曲线拟合.pptVIP

免疫测定中的数据处理与曲线拟合 免疫测定中的数据处理 数据处理与科学作图 免疫测定的数据处理及结果报告 临床免疫检测技术：RIA和EIA等； 数据处理的意义和目标： 只有在测定结果以一种有意义的方式报告时，测定结果才有用； 免疫测定结果的客观评价，对改善免疫测定的重复性以及免疫 测定的标准化都有重要意义。 数据处理报告的要求： 通俗易懂； 定性结果明确，定量范围明确； 处理后得到的数据要具有可重复性； 试验的评价不能建立在假定的正态分布上； 结果具有用于进一步分析处理（如流行病学）的充分性。 免疫测定以其测定结果的表达方式：定性，定量两类。 定性测定--- “有” 或“无” 判定结果：阴性，阳性。 判定依据：cut-off值，S/N or P/N比值。 判断依据确立原则：尽可能避免假阳性和假阴性结果的出现。 应用：传染性病原体的血清标志物检测。 定性测定数据处理 --cut-off值的确定 定性测定数据处理 --cut-off值的确定 使用ROC曲线设定cut-off 值： ROC曲线：横坐标为假阳性率FPR=[假阳性数/（假阳性+真阴性）] 纵坐标为真阳性率TPR=[真阳性数/（真阳性+假阴性）] ROC曲线的含义： 定量测定---测定待测物的含量 判定结果：浓度（U/L，μg/L）。 判断依据：测定未知标本的同时，以系列浓度标准品测得的剂量反应曲线（即标准曲线）以此推算未知标本的浓度。 剂量反应曲线：一般均为非线性的，不同的数学模式可以用来改善上述剂量反应曲线绘制的精密度，从而以较少的数据和计算获得较为准确的结果。 应用：非传染性血清学指标。 免疫测定中的剂量反应曲线 （相对于定量生化）： 非线性→测定反应和待测物浓度之间的关系不一定是一条简单的直线； 可能存在与系列标准品的测定数据拟合的多条曲线→可能因曲线的选择而造成偏差； 具有相对大的且方差不齐的测定误差，且在标准曲线的不同位置、在不同批的测定之间这种误差亦不同。 单纯线性回归往往不能反应真实情况 数据处理与科学作图 问题：给定一批离散的数据点，需确定满足特定要求的曲线或 曲面,从而获取整体的规律。 目标：用一个解析函数描述一组（二维）数据(通常是测量值)。 方法： 插值法 -- 数据假定是正确的，要求以某种方法描述数据点之 间所发生的情况； 曲线拟合或回归-- 设法找出某条光滑曲线，使它最佳 地拟合 数据，但不必要经过任何数据点。曲线及相应数学 公式表明数据对（如标准品浓度与测定信号）之间 的比例关系。 插值法 interpolative methods 假设：反应变量的已知绝对精密； 曲线构建：以观察到的数据构建曲线； 方法： 点对点（线性插值） 样条插值 spline function 点对点（线性插值） 假设：中间值落在数据点之间的直线上； 当数据点个数增加和它们之间距离减小时，线性插值就更精确； 适用范围：线性范围大或数据点多且相互紧密相连； 处理：为使数据更具有线性关系，可对数据进行某些方式的转换（如对数转换），然后在转换数据上进行线性插值。 采用某些更光滑的曲线来拟合数据点； 最常用的方法是3阶多项式，对相继数据点之间的各段建模，这种类型的插值被称为3次样条或简称为样条； 处理：为将每一个短曲线相互之间平滑地连起来，需对其进行修饰（smoothing），这需要反复重新计算所有的曲线直至每一片段与其数据点的拟合间的连接可以接受。 结点（knots，校准物的浓度值）越多意味着数据处理工作量的增大； 适用范围：当希望曲线密切遵循单个的校准物数据点时，或数据非常精密并有多个校准物时可选用，否则应避免使用； 特点：完全拟合试验数据； 每一片段基本上与其他部分无关； 问题：对数据点的精密度和准确性依赖大； 每一个片段都应有一个质控样本，而这往往是做不到的； 无法完全解决hooks出现引起的不准确； 有时较其他“复杂”模式更费时。 影响因素：确定某部分曲线的两个校准点的准确度和精密度。 曲线拟合问题的提法：已知一组（二维）数据，即平面上 n个点（xi,yi) i=1,…n, 寻求一个函数（曲线）y=f(x), 使 f(x) 在某种准则下与所有数据点最为接近，即曲线拟合得最好。 曲线构建：以符合数据点规律的经验模式构建曲线； 目标：反映对象整体的变化趋势； 达到最佳拟合的方法——线性最小二乘准则； 拟合模式： 双曲线模式 hyperbolic model 多项式模式 polynomial model Log-Logit转换 Logistic公式（两参数，四参数） 2阶曲线拟合与10阶曲线拟合 1）将校准物浓度的倒数对测定反应作图或以B0/B对校 准物浓度作图