dxy logo
首页丁香园病例库学术专区全部版块
搜索
登录

剂量反应案例研究:四参数 Logistic 模型(上篇)

用户头像
发布于 2020-08-03 · IP 北京北京
6350 浏览
这个帖子发布于 6 年零 107 天前,其中的信息可能已发生改变或有所发展。

研究目标:确定并对比有无增强剂条件下的 EC50 值

摘要:本篇案例分析,将利用 GraphPad Prism 8 中常见的「四参数 Logistic 回归模型」,分析来自某项剂量反应试验的数据。 该试验目标是预估在有无增强剂(booster)的条件下,跳蚤治疗的 EC50 值。其试验结果是 500 只跳蚤中被杀死的跳蚤数量。


在试验开始之前,我们先来看看什么是四参数 Logistic 模型(4PL)。

四参数 Logistic 方程有如下两种形式:

1)一种是浓度 X 已经用以 10 为底的对数做了变换; 

Model

Y=Bottom + (Top-Bottom)/(1+10^((LogEC50-X)*HillSlope))

2)一种是 X 没有变换过。对于任何一种方式,Prism 中的参数估计值、标准误和置信区间都是相同的;

Model

Y=Bottom + (X^Hillslope)*(Top-Bottom)/(X^HillSlope + EC50^HillSlope)


该模型中的四个参数包括:Top, Bottom, Hill Slope, EC50。

Top 是指最大响应。 在这项试验中,研究者认为高浓度时约为 400。 这相当于杀死的 80% 的跳蚤。

Bottom 是指基线响应。 在浓度为零的情况下,研究者预测被杀死的跳蚤约为 0。

Hill Slope 是指曲线的坡度。 大于 1 的值表示呈陡坡,小于1的值表示呈缓坡。 某些时候,它被设置为 1。

EC50 是指 Top 和 Bottom 之间引起反应的剂量。如果增强剂有效,「有增强剂」的 EC50 浓度应低于「无增强剂」的 EC50 浓度。

本试验中,Logistic 剂量反应模型的四个参数如下:

img

img

图 1 常规图


在对常规模型了解之后,我们使用实际的数据集来拟合此模型。

研究者进行一项小型试验,在四种浓度下各重复测量三次。在试验过程中,他们计算在 500 只跳蚤中被杀死的跳蚤数量。对于「无增强剂」组的数据,第二浓度组的数据被破坏了,所以如下方图 2 我们只得到三行数据。

img

图 2 新建数据表

img

图 3 数据表-输入数据


通过该试验数据绘制出的图 4 显示,随着剂量增加,反应也会增加。因此采用刺激模型比抑制模型更为合适。

img

图 4 自动生成的图表


因为实际的浓度非常小,取对数可以让我们在一个更合理的范围上计算浓度。转换这些X值不会改变参数的最佳拟合值或它们的标准误差或置信区间。

img

图 5 将浓度转换为对数显示


img

图 6 数据表-对数转换结果


img

图 7 四对数数据表的图表显示


我们可以从该初始数据集进行分析,操作如下:

【Analyze > XY analyses > Nonlinear regression (curve fit) > Dose-response -Stimulation > log (agonist) vs. response -- Variable slope (four parameters)】

【分析> XY 分析>非线性回归(曲线拟合)>剂量反应-刺激>对数(激动剂)与反应-可变斜率(四个参数)】

img

图 8 Analyze 操作步骤


在结果表(图 9)中,可以看到「有增强剂」模型有一组完整的参数估计和置信区间,但另一边「无增强剂」模型被标记为「不明确的」,这表示其显示的数据结果是不可信的。

img

图 9 结果页


自 8.2 版本起,Prism 可以查看是哪些参数会导致不明确的拟合。这些被称为不稳定参数,可以在分析时通过从置信度选项卡(Confidence tab)中选择「识别不稳定参数(Identify unstable parameters)」来设置,或者在工具栏的 Analyze 右侧的按钮(如下图)来修改参数。

img

img

图 10 设置「识别不稳定参数」


可以看到在「无增强剂」模型中,Top 参数是不稳定的(如图11)。在这个模型中存在一个不稳定参数并不奇怪,因为四参数 logistic 模型需要 4 个或更多X浓度数据,而「无增强剂」数据集中只有 3 个浓度的值。

img

图 11 结果页-分析结果更新


当我们遇到不明确的模型时,可以试着通过将一个或多个参数设置为常数(constant)来减少模型中的参数数量。这需要我们了解反应(response)的行为方式。在这个试验中,研究者相信在非常低的浓度下其反应应该是零,目前的数据也证实了这一点,所以我们将通过输入 0 作为 Bottom 参数的约束来减少每个模型的参数数量,从 4 个减少到 3 个。这将两个模型的参数总数从 8 个减少到 6 个。一般来说,你估计的参数越少,模型收敛(converge)的可能性就越大。操作如下:

【Analyze > XY analyses > Nonlinear regression (curve fit) > Dose-response -Stimulation > log (agonist) vs. response -- Variable slope (four parameters)】

【分析> XY分析>非线性回归(曲线拟合)>剂量反应-刺激>对数(激动剂)与反应-可变斜率(四个参数)】

img

图 12 设置 Bottom 参数约束


如下图 13,将 Bottom 设置为 0,但「无增强剂」模型中仍然有不稳定的参数。

img

图 13 结果页分析结果更新


再次减少需要估算的参数数量。研究者认为这两种模型应该具有相同的曲线坡度(Hill Slope)。通过共享坡度(Hill Slope)参数,参数数量将从 6 个减少到 5 个。操作如下:

【Analyze > XY analyses > Nonlinear regression (curve fit) > Dose-response -Stimulation > log (agonist) vs. response -- Variable slope (four parameters)】

【分析> XY 分析>非线性回归(曲线拟合)>剂量反应-刺激>对数(激动剂)与反应-可变斜率(四个参数)】

img

图 14 设置 Hill Slope 参数的约束

 

这样一来两个模型都收敛了,可以看到对于所有参数我们都有相应的估计和置信区间(如图 15)。

img

图 15 结果页分析结果更新


研究者希望这两条曲线的 Maximal response 都在 400 左右,而这些模型的曲线图都没有呈现出接近这个值的趋势。

img

图 16 图表


之后研究者会继续通过调整其它参数,是分析结果达到最优。

下文请转到“剂量反应案例研究:四参数 Logistic 模型(下篇)”

回复21 4

全部讨论(0)

默认最新
avatar
分享帖子
share-weibo分享到微博
share-weibo分享到微信
返回顶部