CN103038774A - 基于模型的qPCR的系统和方法 - Google Patents
基于模型的qPCR的系统和方法 Download PDFInfo
- Publication number
- CN103038774A CN103038774A CN2011800274237A CN201180027423A CN103038774A CN 103038774 A CN103038774 A CN 103038774A CN 2011800274237 A CN2011800274237 A CN 2011800274237A CN 201180027423 A CN201180027423 A CN 201180027423A CN 103038774 A CN103038774 A CN 103038774A
- Authority
- CN
- China
- Prior art keywords
- curve
- amplification
- modelling
- model
- amplification curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/20—Polymerase chain reaction [PCR]; Primer or probe design; Probe optimisation
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6844—Nucleic acid amplification reactions
- C12Q1/6851—Quantitative amplification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/10—Signal processing, e.g. from mass spectrometry [MS] or from PCR
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Organic Chemistry (AREA)
- Epidemiology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Wood Science & Technology (AREA)
- Genetics & Genomics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Zoology (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Microbiology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了确定PCR扩增曲线循环阈值的方法。该方法包括接收用于PCR扩增反应的多个生物样品的数据集。数据集包括多条扩增曲线,每条扩增曲线都与多个生物样品中的一个生物样品相关。该方法还包括实施非线性优化,其包含每条扩增曲线与其互补模型化扩增曲线的拟合以确定模型化效率曲线和相关扩增曲线的最佳拟合参数集。模型化扩增曲线基于模型效率曲线。该方法包括基于模型化效率曲线与模型化扩增曲线的互补关系确定每个生物样品的循环阈值。
Description
引用的相关申请
本发明要求2010年4月11日提交的美国临时申请61/322,895号的优先权,在此将其通过引用整体并入。
背景技术
聚合酶链式反应(PCR)仪器使得对生物样品中的DNA或RNA水平实施可靠定量变得可能。商业上可提供的PCR仪器,以及相关的数据获取和分析软件,可处理由生物样品产生的qPCR试验数据。这些系统通过计算阈值循环值(CT或CRT)作为分级PCR循环数来报告定量结果,其中报告信号高于软件自动或人工手动设定的阈值。确定的CT值可用于估算DNA物质的初始量。
本领域已知的分析PCR扩增曲线的各种方法都依赖,至少部分依赖定义一部分PCR扩增曲线的线性指数范围,以便确定样品的循环阈值。由于使这些曲线模型化的复杂性,使用PCR扩增曲线建模确定样品循环阈值的方法难以成功运用。PCR扩增曲线的各种模型要求至少约15个参数或更多,以便使PCR扩增曲线近似模型化。此外,扩增曲线的起始和更后点可能对参数变化有噪音且不灵敏。
发明概述
在一个示例性实施方式中,提供了确定PCR扩增曲线循环阈值的方法。该方法包括接收用于PCR扩增反应的多个生物样品的数据集。数据集包括多条扩增曲线,每条扩增曲线都与多个生物样品中的一个生物样品相关。该方法还包括实施非线性优化,其包含每条扩增曲线与其互补模型化扩增曲线的拟合,以确定模型化效率曲线和相关扩增曲线的最佳拟合参数集。模型化扩增曲线是基于模型化效率曲线。该方法包括基于模型化效率曲线与模型化扩增曲线的互补关系来确定每个生物样品的循环阈值,在各种实施方式中,非线性优化是约束非线性优化。
附图简要说明
图1是描述分析qPCR样品扩增曲线数据的系统和方法的多种实施方式的流程图。
图2是可用于样品PCR扩增的PCR仪器的框图。
图3是可用于PCR仪器的控制和接口的示例性计算机系统的组件的框图。
图4是根据基于模型qPCR的系统和方法的多种实施方式模型化效率和相关模型化标度扩增曲线以及实际扩增曲线图解示意图。
图5是在基于模型qPCR的系统和方法的多种实施方式中改变X位移参数的图解示意图。
图6是在基于模型qPCR的系统和方法的多种实施方式中改变α弯曲参数的图解示意图。
图7是在基于模型qPCR的系统和方法的多种实施方式中改变X0’相对位移参数的图解示意图。
图8是在基于模型qPCR的系统和方法的多种实施方式中改变α扩增和上升基线的图解示意图。
图9是针对非扩增样品的检验而实施的多种实施方式的摘要表格。
图10是根据多种实施方式噪音标准化扩增曲线振幅对用于各种扩增和非扩增曲线/孔的调整的X位移值的图解示意图。
发明的详细描述
本发明涉及分析多个生物样品的PCR扩增曲线的方法和系统的实施方式。
如MIQE指南(MIQE Guidelines)所述的,可通过文献所述的各种可选方法(相关术语)计算分级循环值。(Bustin SA,Benes V, Garson JA,Hellemans J,Huggett J,Kubista M,Mueller R,Nolan T,Pfaffl MW,ShipleyGL, Vandesompele J, Wittwer, CT: The MIQE guidelines: minimuminformation for publication of quantitative real-time PGR experiments(MIQE指南:实时定量PCR实验的公开最小信息).Clin Chem 2009,55:61 1-622.)。根据MIQE推荐,本文件通常使用CQ表示分级qPCR循环值。然而,当我们需要特别辨别基线阈值(CT)和相对阈值(CRT)方法时,会分别使用CT和CRT。
根据本发明系统和方法的各种实施方式,基于模型确定循环阈值利用反应效率模型作为基础,由此可建立模型扩增曲线。对于各种实施方式,可实施扩增模型的约束非线性优化,以确定样品扩增曲线的最佳拟合参数集。然后各种实施方式可使用最佳拟合参数集来建立模型化效率曲线和模型化扩增曲线,由此可确定循环阈值。根据各种实施方式,可选择部分扩增曲线并用于获得约束非线性优化拟合。
对于各种实施方式,预处理数据可包括清理以消除例如随机噪音,例如棘波,平滑以降低系统噪音,以及将每条扩增曲线重新标度成标准化标度。在各种实施方式中,可对数据实施至少一种检验以鉴别非扩增样品。根据各种实施方式,可以为针对每个生物样品而确定的每一循环阈值指定特性值。
图1描述了具有步骤10-40的方法100,其是根据本发明的分析PCR扩增曲线的方法和系统。方法100可通过图3所描述的计算机系统实施。特别是,根据本文所述实施方式的方法可通过执行存储在存储器306中的计算机指令的处理器304来实施。对于图1的步骤10,可接收PCR样品扩增曲线的数据集。
方法和系统的各种实施方式可使用从试验所实施的全部多个扩增循环中收集的PCR扩增数据的数据集。这些信号可存储在多种计算机可读介质中,并可在分析期间进行动态分析或后分析,下文将具体讨论。用于证实分析PCR扩增数据的方法和系统的实施方式特性的一种试验类型,可使用荧光探针试剂,并可使用FAM和VIC染料标记。然而,本领域普通技术人员可认识到,包含标记探针试剂在内的多种试验也可用于生成能根据本发明方法和系统各种实施方式进行分析的数据。
根据各种实施方式,术语“标记探针”通常是指用于扩增反应的分子,通常是用于定量或实时PCR分析,以及终点分析。这些标记探针可用于监测目标多核苷酸的扩增。在一些实施方式中,扩增反应中存在的寡核苷酸探针适合用于监测与时间成函数的扩增子生成量。这些寡核苷酸探针包括但不限于本文所述的5'-外切核酸酶试验荧光探针(也可参见美国专利No.5,538,848)、多种茎-环分子信标(参见例如美国专利Nos.8,103,478和5,925,517和Tyagi and Kramer,1996,NatureBiotechnology 14:303-308)、无茎或线性信标(参加例如WO 99/21881)、PNA MOLECULAR BEACONSTM (参见例如美国专利Nos.6,355,421和6,593,091)、线性PNA信标(参见例如Kubista et al.,2001,SPIE4264:53-58)、 非FRET探针(参见例如美国No.6,150,097),探针(美国专利No.6,548,250)、茎-环和双螺旋ScorpionTM探针(Soiinas et al.,2001,Nucleic Acids Research 29:E96和美国专利No.6,589,743)、凸环探针(美国专利No.6,590,091)、伪结探针(美国专利No.6,589,250)、环状子(美国专利No.6,383,752)、MGB ECLIPSETM探针(Epoch Biosciences)、发夹探针(美国专利No.6,596,490)、肽核酸(PNA)亮探针、自装配微粒探针和二茂铁修饰探针,如美国专利No.6,485,901;Mhlanga et al.,2001,Methods 25:463-471;Whitcombe et al.,1999,NatureBiotechnology.17:804-807;isacsson et al.,2000,Molecular Cell Probes.14:321-328;Svanvik et al.,2000,Anal Biochem.281:26-35;Wolffs et al.,2001,Biotechniques 766:769-771;Tsourkas et al.,2002,Nucleic AcidsResearch.30:4208-4215;Riccelli et al.,2002,Nucleic Acids Research30:4088-4093;Zhang et al.,2002 Shanghai.34:329-332;Maxwell et al.,2002,J.Am.Chem.Soc.124:9606-9612;Broude et al.,2002,Trends Biotechnol.20:249-56;Huang et al.,2002,Chem Res.Toxicol.15:118-126;和Yu et al.,2001,J.Am.Chem.Soc 14:11155-11161所述。标记探针也可以包含黑洞淬灭子(Biosearch)、Iowa Black(IDT)、QSY淬灭子(Molecular Probes)和Dabsyl和Dabcel磺酸盐/羧化物淬灭子。标记探针也可包含两个探针,其中例如荧光基团位于一个探针上,而淬灭子位于另一个探针上,其中两个探针与目标杂交在一起淬灭信号,或其中与目标杂交通过荧光变化改变信号标记。标记探针也可包含以磺酸基团取代羧基的荧光素染料的磺酸盐衍生物,亚磷酰胺形式的荧光素,亚磷酰胺形式的CY5(例如可从Amersham获得)。
根据本发明用于分析PCR扩增曲线的方法和系统的各种实施方式,可使用如图2所示框图描述的热循环仪的多个实施方式。如图2所示,热循环仪可包括热盖214,其位于包含在样品支持装置中的多个样品216上。在各种实施方式中,样品支持装置可以是具有多个样品区的玻璃或塑料载片,该样品区在样品区和热盖214之间具有盖。样品支持装置的一些实例可包括但不限于多孔板,例如标准微量滴定96孔板、384孔板,或微卡,或实质平坦的支持物,例如玻璃或塑料载片。样品支持装置各种实施方式的样品区可包括由凹陷、凹入、凸起和其组合,它们在基底表面上形成的规则或不规则排列的阵列。在热循环仪的各种实施方式中,包括样品块218、加热和冷却的元件220和热交换器222。
图2中,热循环系统200的各种实施方式提供了在试验实施的全部扩增循环数中可实时获取多个生物样品中的每个样品信号的检测系统。检测系统可具有发射电磁能的照明光源,和检测器或成像器210,其用于接收来自样品支持装置中样品216的电磁能。控制系统224可用于控制检测、热盖和热块组装的功能。终端用户可通过热循环仪200的用户接口226进入控制系统。如图3所述的计算机系统300可用于控制热循环仪的功能,以及用户接口功能。此外,计算机系统300可提供数据处理、显示和报告制作功能。所有这些仪器控制功能可专用于本地热循环仪,或计算机系统300可提供部分或全部控制,分析和报告功能的远程控制,下文将具体讨论。
本领域技术人员可知各种实施方式的操作都可使用硬件、软件、固件或其适当组合来执行。例如,可使用在软件、固件或硬连线逻辑电路(logic)的控制下的处理器或其他数字电路系统来执行一些处理。(本文中术语“逻辑电路”是指固定硬件、程序控制的逻辑电路和/或其适当组合,本领域技术人员可知如何组合以执行所列功能)。软件和固件可存储在计算机可读介质中。可使用类似电路执行一些其他处理,这是本领域普通技术人员所公知的。此外,存储器或其他存储器,以及通信部件可用于本发明实施方式中。
图3是说明在图2热循环仪系统200的实施方式的基础上根据各种实施方式可以用于执行处理功能的计算机系统300的框图。计算机系统300可包括一个或多个处理器,例如处理器304。处理器304可采用普通或特定目的的处理装置例如微处理器、控制器或其他控制逻辑电路执行。在该实例中,处理器304与总线302或其他通信介质相连。
而且,应该认识到图3的计算机系统300可具体成任意多种形式,例如架装计算机、主机、超级计算机、服务器、客户端、台式计算机、便携计算机、本式计算机、手持计算机装置(如PDA、手机、智能电话、掌上电脑等)、群集网格、上网本、嵌入式系统或任何其他类型的特定或普通目的计算机装置,只要对于给定应用或环境是理想的或适宜的。此外,计算机系统300可包括常规网络系统,其包括客户端/服务器环境和一个或多个数据库服务器,或LIS/LIMS基本结构的集成。多种常规网络系统,包括局域网(LAN)或广域网(WAN),包括无线和/或有线部件,都是本领域已知的。此外,客户端/服务器环境、数据库服务器和网络在本领域中有很详细的文献报道。。
计算机系统300可包括总线302或用于信息通讯的其他通信机制,和用于处理信息的与总线302相连的处理器304。
计算机系统300也包括存储器306,其可以是随机存取存储器(RAM)或其他动态存储器,其与总线302相连用于存储由处理器304执行的指令。存储器306也可用于在存储处理器304执行指令期间存储临时变量或其他中间信息。计算机系统300还包括只读存储器(ROM)308或与总线302相连的其他静态存储器,用于存储处理器304的静态信息和指令。
计算机系统300也可包括存储装置310,例如磁盘、光盘或固态驱动器(SSD),并与总线302相连用于存储信息和指令。存储装置310可包括介质驱动器和可移除的存储接口。介质驱动器可包括支持固定的或可移除的存储介质的驱动器或其他机制,例如硬盘驱动器、软盘驱动器、磁带驱动器、光盘驱动器、CD或DVD驱动器(R或RVV)、闪存驱动器或其他可移除或固定介质驱动器。如示例所解释的,存储介质可包括其中存储了特定计算机软件、指令或数据的计算机可读存储介质。
在可选实施方式中,存储装置310可包括用于实现计算机程序或其他指令或数据装载至计算机系统300中的其他类似部件。这种部件可包括例如可移除的存储单元和接口,例如程序盒和盒接口、可移除的存储器(例如闪速存储器或其他可移除的存储器模块)和存储器插槽,和可实现将软件和数据从存储装置310转移至计算机系统300的其他可移除的存储单元和接口。
计算机系统300也可包括通信接口318。通信接口318可用于实现软件和数据在计算机系统300与外部装置之间的转移。通信接口318的实例可包括调制解调器、网络接口(例如以太网或其他NIC卡)、通信端口(例如USB端口、RS-232C串行端口)、PCMCIA插槽和卡、蓝牙等。通过通信接口318转移的软件和数据采用信号形式,其可以是电子、电磁、光学或能被通信接口318接收的其他信号。这些信号可通过通路例如无线介质、导线或电缆、光纤或其他通信介质传送并被通信接口318接收。通路的一些示例报刊电话线、手机联接和RF联接、网络接口、局域或广域网和其他通信通路。
计算机系统300可通过总线302与显示器312相连,例如阴极射线管(CRT)或液晶显示器(LCD),用于向计算机用户显示信息。输入装置314包括字母数字和其他电钥与总线302相连,用于向处理器304传达信息和命令选择。输入装置也可以是配有触屏输入功能的显示器,例如LCD显示器。其他类型的用户输入装置有光标控制316,例如鼠标、轨迹球或光标方向键,用于向处理器304传达方向信息和命令选择和控制光标在显示器312上的运动。该输入装置通常在两个轴上具有两个自由度,第一轴(如x)和第二轴(如y),这可实现装置到平面内的指定位置。计算机系统300提供了数据处理,并提供了这些数据的可信度。与本发明实施方式的某些执行方式一致,数据处理和可信值是由计算机系统300响应执行包含在存储器306内的一个或多个序列的一个或多个指令的处理器304来提供的。这些指令可从另一计算机可读介质例如存储装置310,读取至存储器306。执行包含在存储器306中的指令序列可使处理器304实施本文所述的处理状态。可选地,硬连线电路可用于取代软件指令或与其结合以执行本发明的实施方式。因而执行本发明实施方式不限于硬件电路和软件的任何特定组合。
本文所述的术语“计算机可读介质”和“计算机程序产品”通常是指与向处理器304提供一个或多个序列或一个或多个指令用于执行的任何介质。这些指令通常称为“计算机程序代码”(可归于计算机程序的形式或其他类型),若被执行,能够使计算机系统300实施本发明的实施方式的特性或功能。这类以及其他形式的计算机可读介质可采取多种形式,包括但不限于不挥发介质、可挥发介质和传送介质。不挥发介质包括例如固态光盘或磁盘,例如存储装置310。可挥发介质包括动态存储器,例如存储器306。传送介质包括同轴电缆、铜线和光纤,包括含有总线302的线。
常见形式的计算机可读介质包括例如软盘(floopy disk)、软盘(flexibledisk)、硬盘、磁带或任何其他磁介质、CD-ROM、任何其他光学介质、穿孔卡、纸带、具有洞模式的任何其他物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其他存储条或盒、下文所述的载波或计算机可读取的任何其他介质。
多种形式的计算机可读介质可用于携带一个或多个序列的一个或多个指令至处理器304用于执行。例如,指令最初可携带在远程计算机的磁盘上。远程计算机可将指令下载至其动态存储器中并使用调制解调器通过电话线送出指令。定位至计算机系统300的调制解调器可接收电话线上的数据并使用红外变送器将数据转化成红外信号。与总线302相连的红外检测器可接收红外信号所携带的数据并将数据置于总线302上。总线302携带数据至存储器306,由此处理器304取回并执行指令。在处理器304执行之前或之后,存储器306接收的指令可任选地存储在存储装置310中。
应认识到,为阐述清楚,以上叙述参照了不同功能单元和处理器来描述本发明的实施方式。然而,显而易见的是在不偏离本发明的情况下可在不同功能单元,处理器或结构域之间进行任何适宜的功能分配。例如,示意由独立处理器或控制器所实施的功能可由相同处理器或控制器实施。因此,提及特定功能单元仅视为提到用于提供所述功能的适宜方式,而非表示严格的逻辑或物理结构或组织。
在一些实施方式中,可进行多个样品扩增曲线中每条的预处理。这种预处理可以用于清除、降低和其他减轻PCR扩增曲线中可干扰数据分析步骤中数据有效处理的不利特性的影响。在方法和系统的各种实施方式中,预处理数据可使用多种预处理方法来清除,例如,棘波、陷波和噪音。根据各种实施方式,可使用多种方法清理PCR扩增曲线用于棘波和陷波过滤。在各种实施方式中,平滑PCR扩增曲线可减少噪音。对于各种实施方式,可使用窗口平滑功能完成平滑,其可利用本领域已知的任意多个平滑窗口。根据各种实施方式,重新标度PCR扩增曲线可将多条曲线调整至常用标度,在各种实施方式中,样品PCR扩增曲线可标度在0-1区域。
参照图1的步骤20,对于本发明所述的用于分析PCR扩增曲线的各种方法和系统,实时RT-PCR效率的分析表达式可提供使PCR扩增曲线数据模型化的基础。对于各种实施方式,实时RT-PCR效率的三参数分析表达式可提供使PCR扩增曲线数据模型化的基础。在各种实施方式中,3个参数可包括曲线位移参数、曲线弯曲参数和曲线位移调整参数。效率表达式可用于在循环乘循环的基础上迭代地递归地生成PCR扩增曲线,其中由此生成的扩增曲线具有确定的基线。根据本发明的各种实施方式,可在效率模型的各种实施方式基础上建立PCR扩增曲线的相应模型。这表示在循环乘循环基础上可基于PCR效率曲线的显式模型使PCR扩增曲线进行隐式模型化。在此方法中,生成拟合大部分数据的模型曲线,只需要更少的参数,从而使得更易于实施约束优化。
对于基于效率模型的扩增曲线模型的各种实施方式,可添加定义模型的其他参数,在各种实施方式中,5-参数扩增曲线模型可包括扩增曲线基线的斜率参数和相对扩增参数。在各种实施方式中,可采用约束非线性优化,其中可为每条扩增曲线确定用于扩增曲线模型的最佳拟合参数集。
应当认识到实施方式不限于3个或5个参数。例如,根据一些实施方式,可采用4个或更多参数使效率曲线或扩增曲线模型化。
如图1的步骤20所描述的,参照图4,对于本发明系统和方法的各种实施方式,一旦每个样品扩增曲线的最佳拟合参数集确定后,就可建立模型化效率曲线和模型化扩增曲线。在图4中,曲线I是模型化效率曲线,曲线II是样品扩增曲线,而曲线III是模型化扩增曲线。使用5参数扩增曲线模型的方法和系统的各种实施方式可提供模型化扩增曲线与样品扩增曲线的最接近拟合,如绘图IV所述(其显示了曲线III和曲线II之间的10倍差异)。作为拟合量度,可为多个曲线交叉点中的每个点生成样品扩增曲线和模型化扩增曲线数据之间的剩余差异的表达式。对于图IV,这种拟合量度是图形显示的,其中剩余可乘以因数10以观察曲线II和III交叉剩余。
在第n个离散(分级)循环步骤中的效率nΔχ,被假定成平滑单调减少函数,通常(但不是必须)从1开始(对于分级循环步骤n=1)并趋于0(对于循环步骤n=∞)。因此由Δχ给出循环步骤大小离散度。注意,在通常情况中,若Δχ是1,则nΔχ变成第n个循环。在各种实施方式中,根据荧光曲线位移参数(X位移)荧光曲线弯曲参数(α弯曲)以及位移调整参数(X0)使效率模型化。
根据图1的系统和方法的各种实施方式,可给出如下步骤20,3参数效率模型:
其中
nΔx=第n个离散循环步骤;
X位移=扩增曲线位移参数
α弯曲=扩增曲线弯曲参数;以及
x0=相对位移调整参数,
重排,模型可写成:
其中:
应注意的是基因表达水平标度这样的速率,在该速率下,随着循环数增加效率接近零。换而言之,当基因表达高时,在相对小的循环数效率接近零。相反当基因表达低时,在相对大的循环数效率接近零。因而,基因表达代理参数可充当反应循环数的标度因子,该参数与基因表达密切相关。
可认为当nΔχ=X位移+X0,效率正好变成0.5。因此(X位移+X0)的总和是分级“半效率”循环。因而以上给出的效率等式中,X位移+X0起基因表达代理的作用。使用其他技术确定实际的基因表达。
该效率等式的重要部分是分母中的X位移 α弯曲指数。其反映了指数是X位移的函数。以此方式,此等式中数据集至数据集间α弯曲变化非常小。因此,非线性优化更稳定。
根据定义
E(nΔx,X位移,α弯曲,xα)≡(1+e(nΔx,X位移,α弯曲,xα))Δx
根据图1的系统和方法的各种实施方式,给出了如下的步骤20,5参数扩增模型:
其中PCR扩增曲线模型的两个其他参数是:
Θ上升基线=扩增曲线上升基线斜率参数;和
α扩增=扩增曲线相对扩增参数。
该模型易于扩展至多于5个参数,通过例如除上升基线项之外添加常数项形成6参数模型。其他明显扩展包括补偿PCR反应过程或早或晚偏离5参数模型,通过使用其他X位移、α弯曲、x0和/或α扩增参数形成9参数模型例如:
相似的同类扩展包括6-参数模型(使用常数项例如C0)
7参数模型例如
8参数模型例如
10参数模型例如
以及参数化模型的其他相似组合。
也可建立少于5参数的模型。在强制限制α扩增+Θ上升基线=1的基础上,可以除去1个独立参数以建立4参数模型例如:
相似地,通过将αbend设定为额定值例如0.67可以建立3参数模型,从而形成
相似地,通过将X0设定为额定值例如0.0可以建立2参数模型,从而形成
因此,模型化荧光曲线被确定为每个循环中效率的效果的对数集成。
以上用于曲线扩增模型中的最佳拟合参数的非线性约束优化参数方案等于非线性基线步骤。本领域普通技术人员可理解,约束优化可通过例如使用了置信域以及Newton型非线性检索技术的Matlab's Isqnonlin等程序进行。
根据明确定义的效率模型隐式定义扩增荧光曲线的优势在于,其能够使用相对少的模型参数更好地拟合更多数的循环。这获得了更稳定的约束非线性参数优化/倒转。使用约束非线性优化可形成更稳定的方案集。更常用的无约束优化技术会形成时常不稳定的方案或获得明显不正确的最小值。基于模型的qPCR系统和方法的实施方式中的参数的标度特性使得更易于设定约束优化所需的参数约束。
一旦运算法则寻找到表征效率曲线的非线性参数,就可实施相对阈值。相对于反应进展的常规水平/所有曲线可利用的相对关键反应资源有效性进行阈值转换。根据各种实施方式,分析曲线总体,以提出用于确定每条曲线基因表达水平(Cq<->CT)的荧光阈值。
CT被确定为当扩增曲线的荧光水平达到该阈值时的分级循环。因此,荧光阈值是总值且必须考虑特别量度以处理总体极端值。根据一些实施方式,在现有运算法则中,RT-PCR反应进展/相对关键反应资源利用率的测量用于为每条曲线选择荧光阈值。参数化效率曲线
e(nΔx,x位移,α弯曲,xα)可以是反应进展/相对关键反应资源有效性的量度。对于简化,将效率简写成e(n),则以下表达式可用作反应进展/相对关键反应资源有效性的优选量度,并近似于:
η反应进度≈e(n)
应该注意的是,对于正值xo(相对位移调整参数),效率在反应起始时是单位元素(unity),并随着循环数n变大而降至零。允许负值的xo,造成效率小于循环0时的单位元素。这可以是污染或非特异PCR扩增的标志。因此,可确定每条曲线的反应进展/相对关键反应资源有效性而无需依赖被分析的曲线总体中的其他曲线。通过设定相对于正常水平的反应进展/相对关键反应资源有效性的曲线阈值,就可更容易地比较不同板孔生成的曲线和某些特定类型条件下的差异。
在图5,展示了可证实X位移参数对模型化效率和模型化扩增曲线影响的系列图。本领域普通技术人员可理解,循环阈值与样品中目标寡核苷酸的起始浓度或拷贝数有关。对于各种实施方式,图5显示了模型化效率曲线和对应的模型化扩增曲线如何随X位移参数而呈函数变化。
图6图解了α弯曲参数对于模型化效率和模型化扩增曲线的影响。根据方法和系统的各种实施方式,α弯曲参数可在约0.15-2.0之间变化。如图6所示,模型化效率曲线与模型化扩增曲线的互补集的α弯曲参数在约0.6-1.0之间变化。
图7显示了xo’相对位移参数对模型化效率和模型化扩增曲线的影响的图解描述。根据各种实施方式,xo’可以在约-2至0.3之间。因为xo’项与起始循环xo以及X位移相关,其与起始浓度或拷贝数相关。图7描述了根据一些实施方式,模型化效率和模型化扩增曲线的对应集如何随在约0至约-1.36之间变化的xo’相对位移参数而变化。
图8图解了α扩增和Θ上升基线参数对于模型化扩增曲线的影响。根据本发明方法和系统的各种实施方式,α扩增和Θ上升基线参数的总和近似1。例如,在极限情况下,对于无扩增样品,α扩增=0,而上升基线项则近似1。图8中,对于值从0.6降至0的Θ上升基线参数以及值从0.4升至1的α扩增,显示了一组模型化扩增曲线。
对于图1所示方法和系统的各种实施方式,步骤30,在为样品扩增曲线建立了模型化效率和模型化扩增曲线的互补集之后,可确定循环阈值。对于各种实施方式,根据在对应模型化效率曲线中选定的值可确定模型化样品扩增曲线的循环阈值。在各种实施方式中,由此确定的循环阈值可称为循环相对阈值,或CRT。
如上所述,参照图4,曲线I、II、III分别对应模型化效率曲线、实际样品扩增曲线和模型扩增曲线。根据由模型化效率和对应的模型化扩增曲线确定CRT值的各种实施方式,首先基于在模型化效率曲线中选定的效率确定模型化扩增曲线的参照阈值。在各种实施方式中,所选效率约0.275是例如用于确定参照阈值的值。在图4的示例性代表中,曲线I上的A点对应模型效率曲线中效率=0.275的交叉点。参照阈值水平如曲线III的B点所示。在确定参照阈值之后,在各种实施方式中,可确定相对于阈值分级值。根据各种实施方式,使用相对阈值分级约0.67设定相对阈值分级。图4中,参照阈值乘以相对阈值分级以确定相对阈值分级,如曲线III的C点所示。根据各种实施方式,未调整CRT值是对应相对阈值分级设定的循环交点,并图4中显示为横轴上D点。对于各种实施方式,针对样品扩增曲线确定的CRT值是未调整CRT值减去CRT调整因子,该因子是约1.5个循环。AutoCtID孔测量结果的平均C1是在大量“相同”生物样品上获得的。平均CRT测量结果是针对“相同”生物样品的相同数据库获得的。获得该调整因子作为该平均CRT值和平均CT值之间的差异。在图4中,确定的样品CRT值被显示为横轴上的E点。
各种实施方式中所选效率的值、相对阈值分级和CRT调整因子可根据分析的样品曲线数据库按经验确定。在方法和系统的各种实施方式中,所选效率的值可以高达约0.5。当PCR反应开始可感知地缓慢降低时,效率阈值的好的起始值是小于0.5的值。确定效率阈值和相对扩增分级的最佳组合需要大量“相同”生物样品的ID孔测量结果数据库。本领域技术人员可理解,可采用手动优化来选择能获得较低测量结果标准偏差的效率阈值和相对扩增分级值的组合。通常,该过程可进行2参数约束优化处理,其中目标函数是标准偏差。该约束优化处理可用于选择效率阈值和相对扩增分级参数的最佳配对。对于各种实施方式,选择的效率可选自约0.15至0.5。在各种实施方式中,相对阈值分级可以在约0.1至约1.25之间。根据各种实施方式,CRT调整因子可在约-2至约2之间变化。
在各种实施方式中,附加的偏移调整可改善模型化扩增曲线的线性。建立参数化、模型化扩增曲线的能力可用于建立模型化扩增曲线的详细数据库,作为基因表达代理X位移+X0成函数。在一个实施方式中,可以对X位移+X0的值在0.5至50之间以0.1的增加建立模型化扩增曲线的数据库。此处,X位移+X0可作为Cq的代理使用。用于建立模型化曲线的参数值可略微随机化,并可在每条曲线中添加噪音。在每个额定参数水平,曲线可产生高达64次。这可导致非常大的曲线数据库,对于该数据库而言,Cq代理的额定值是已知的。在数据库中获得曲线的CRT值后,可以计算有关已知的Cq代理值的CRT“偏差”。由此,CRT对CRT“偏差”的偏差表。这使得偏差调整CRT值以便其在0.5-50Cq循环范围内更为线性变得可能。应注意,因为CRT算法基于模型化曲线和约束优化,可能使设定的Cq测量结果超出所用的PCR扩增循环的最大数(通常是40循环)。例如,扩增曲线可设定为40-50个循环。在各种实施方式中,偏差调整可以在+/-0.00至1.5Cq之间,但通常小于0.5Cq。
根据各种实施方式,本领域技术人员可认识到CRT算法会产生几个参数,所述参数都可用作Cq测量结果的基础(适当地偏差位移以将结果与其他Cq测量结果的平均值对齐之后)。与由效率曲线的参照效率阈值产生的扩增曲线的参照阈值相关的分级循环值(参照循环)是的Cq很好的可选基础。这等于在优选版的CRT算法中将相对阈值分级设定为1.0,且会产生很好的结果。可选地,前述的CQ"代理",X位移+X0也可用作Cq测量结果的基础。本领域技术人员还应当认识到最佳拟合效率曲线也可用作生成效率校正版的CRT、参照循环或X位移+X0并以这些校正版作为Cq测量结果的基础。例如,如果效率恒定在1.0(或其他值)而不是变量。效率校正可以寻找等量循环。
参照如前所述的图1,步骤40,本领域普通技术人员可容易地认识到,存在很多将循环阈值信息用多种装置以多种格式输出至终端用户的方式;例如,但不限于通过效率和扩增曲线数据、最终循环阈值数值、和循环阈值质量评分。例如,关于效率和扩增曲线数据的格式,数据可以是图片格式呈现为书面报告,或其组合。关于输出装置,可以将循环阈值信息输出到例如但不限于打印机、阴极射线管(CRT)显示器、液晶显示器(LCD)和发光二级管(LED)显示器等装置。
根据本发明用于分析PCR扩增曲线数据的方法和系统的各种实施方式,可对样品数据进行多个检验以鉴别非扩增样品。对于各种实施方式,样品扩增曲线的特征,、每个样品扩增曲线的约束参数倒置、被分析的曲线的总体,可用于评估样品是否是非扩增样品,在各种实施方式中,特征例如但不限于标准化、模型化曲线振幅、加权RMS(均方根)曲线模型拟合误差和单个样品扩增曲线RMS噪音水平,可帮助确定曲线是否来自扩增孔或来自非扩增孔,也可能是受污染的孔。
在图9中,列出了多种检验,所述检验都可用于评估样品是否是非扩增的。图3所示的处理器304可执行检验。根据各种实施方式,样品扩增数据需要通过所有检验以归类成扩增的。在其他实施方式中,采用至少一种检验来评估样品扩增数据归类为扩增还是非扩增。
阈值扩增检验可指示噪音标准化扩增曲线振幅是否高于某一阈值。如果扩增曲线高于所述阈值,则这指示扩增。噪音较多的曲线和更小的CRT值的阈值更高。
模型曲线拟合检验可指示实际扩增曲线是否很好地拟合最佳拟合参数荧光曲线模型。在一些实施方式,模型曲线拟合检验具有0.075的RMS值。如果实际扩增曲线能很好地拟合模型化扩增曲线,则这可以指示扩增。
噪音阈值检验可指示曲线是否噪音很大,在一些实施方式,所用的阈值可以是0.0625。如果扩增曲线高于噪音阈值,则有噪音,并可以指示非扩增。
最大循环检验可指示预测的CRT值是否高于指示扩增的最大循环数。在一个实施方式中,该检验的阈值会扩展(约8-10个循环)超出最大循环数。这允许算法预测超出最大循环数的CRT值。
最小循环检验可指示预测的CRT值是否低于指示扩增的最小循环数。在一些实施方式中,最小循环数可以是1.25。
终点扩增检验可指示曲线的终值是否大于在其最大值之下的某一阈值数,如果曲线小于最大值之下的阈值数,则这可以指示扩增。在一些实施方式中,可以以低于其最大值约20%设定阈值。
模型效率阈值检验可指示起始模型化效率值是否高于指示扩增的某一阈值。在一些实施方式中,阈值可设定在0.65。起始效率值几乎总是1。但是,在某些情况中,例如当该孔被污染,该起始效率降至单位元素之下。如此,该检验也可指示样品或孔是否被污染或其是否可以成为非特异PCR扩增的指示器。
相对噪音检测指示被分析的总体中所有曲线的最小噪音水平与现有曲线的噪音水平的比值是否高于某一阈值。在一些实施方式中,阈值可以是0.015。如果曲线的比值高于此阈值,则其可以指示扩增。噪音曲线可指示来自其他样品孔的干扰。
相对标度检验可指示曲线荧光值的范围与分析总体的所有曲线荧光值的最大范围的比值是否高于某一阈值。在一些实施方式中,效率阈值是0.275。高于所述阈值的比值可指示扩增。
下降检验可指示荧光曲线是否从曲线内任意处的之前最大值具有大于不止某一跌落或下降。如果扩增曲线大于阈值跌落,则这可以指示非扩增。在一些实施方式中,跌落是从之前最大值跌落20%。
直线检验可指示确定扩增曲线是否被直线最佳表征的阈值。在一些实施方式中,如果直线模型的R2高于0.99,则扩增曲线被认为与非扩增孔相关。相似地,该直线模型可用于计算扩增曲线与线的相交的次数。如果相交数太大,则扩增曲线可以视为与非扩增孔相关。
在这方面,一些检验可以更强地指示样品数据是否已被扩增。根据各种实施方式,阈值扩增检验可用作样品数据是否已被扩增的强指示器,在各种实施方式中,阈值扩增检验可指示噪音标准化扩增曲线振幅是否高于某一阈值。在概念上,本领域普通技术人员可知,噪音会影响阈值的确定,因为阈值通常定义为超过确定噪音水平的信号。对于阈值扩增检验的各种实施方式,可使用由α扩增与噪音表达式的比值衍生的噪音标准化扩增因子。根据各种实施方式,可以为由此确定的噪音标准化扩增因子确定阈值水平,该阈值可设定确定样品是否已被扩增的限制。
例如,参照图10,按经验确定了,对于每条扩增曲线,若有噪音、具有更小的CRT值和/或具有更小α弯曲值,则应当将阈值应该设定得更高。在优选实施方式中,不是使具有更小的CRT和/或α弯曲值的噪音曲线的阈值更高,而是将噪音标准化扩增曲线振幅标度成变得小于原始扩增曲线振幅且不改变阈值。因此我们将阈值曲线的值定义成曲线调整的X位移值的函数。若扩增曲线的噪音标准化振幅高于阈值曲线,则阈值检验是真实的。根据曲线的调整的X位移值确定阈值。该检验的假值指示曲线/孔是非扩增的。
图10显示了多个扩增和非扩增曲线/孔的噪音标准化扩增曲线振幅对调整的X位移值的图。作为调整的X位移函数的阈值曲线被清楚地指示并在此实施方式中通过图10中的阈值曲线1010定义。应该注意的是调整的X位移值小于阈值的曲线/孔称为非扩增的。在一些实施方式中,调整的X位移的阈值是2.250。
在图10中,扩增曲线1020及其相关孔被确定为“扩增的”。扩增曲线1030及其相关孔被确定为“非扩增的”。被人标注的扩增曲线1040及其相关孔被不适当地确定为扩增的或非扩增的。
该示例中的数据集表示超过700个孔。在该数据集中,有8个错误认定。错误认定中有一个是假阳性(EP),表示曲线/孔称为扩增的但被标注为非扩增的。其他7个错误认定是假阴性(FN),表示曲线/孔称为非扩增的但被标注为扩增的。这些FN认定中有少数被称为非扩增的,因为CRT值大于最大循环数。另外,在这种情况中,算法可能已准确认定相应扩增曲线为扩增的。
在另一示例中,根据各种实施方式,可通过扩增曲线的近似RMS噪音与参照噪音值的比值的平方根衍生出噪音表达式。对于各种实施方式,噪音标准化扩增因子可由样品扩增曲线的α扩增与如此确定的噪音表达式的比值衍生得到。根据阈值扩增检验的各种实施方式,对于具有高于参照噪音值的近似RMS噪音值噪音扩增曲线,噪音标准化扩增曲线振幅变得小于原始扩增曲线振幅。在各种实施方式中,这样的结果会使得扩增曲线不太可能被认定为扩增的。相反,对于各种实施方式,对于少噪音的扩增曲线,其具有低于参照噪音值的近似RMS噪音值,噪音标准化扩增曲线振幅变得大于原始扩增曲线振幅。根据各种实施方式,这样的结果会使得曲线更可能被认定为扩增的。
对于用于分析PCR扩增曲线数据的方法和系统的各种实施方式,可以为针对每个样品确定的每个循环阈值确定特性值。根据各种实施方式,为每个样品确定的循环阈值的概率是可作出的正确循环阈值。如此,特性值可用作终端用户的附加信息来评估所确定的样品循环阈值。
尽管已经结合具体实施方式描述了用于分析PCR扩增曲线数据的方法和系统的各种实施方式的原理,但应该清楚地理解,所做的这些描述仅是示例而不是限定本发明的范围。本文所公开的内容是用于示意和描述。无意将所公开的内容详尽或限制为所述的具体形式。多种修饰和变化对于本领域技术人员而言是显而易见的。选择和描述所公开的内容是为了最好地解释所述领域的公开实施方式的原理和实践应用,从而使本领域技术人员理解适合所构想的特定应用的多种实施方式和多种修饰。公开内容的范围由权利要求以及等同意思所定义。
Claims (29)
1.确定PCR扩增曲线循环阈值的方法,所述方法包括:
接收用于PCR扩增反应的多个生物样品的数据集,其中所述数据集包括多条扩增曲线,每条扩增曲线都与所述多个生物样品中的一个生物样品相关;
实施非线性优化,其包含每条扩增曲线与模型化扩增曲线的拟合,以确定模型化效率曲线和所述扩增曲线的最佳拟合参数集,其中所述模型化扩增曲线基于模型化效率曲线;以及
基于所述模型化效率曲线与所述模型化扩增曲线的互补关系确定每个生物样品的循环阈值。
2.如权利要求1所述的方法,其中所述非线性优化是约束非线性优化。
3.如权利要求1所述的方法,还包括:
基于最佳拟合参数集生成所述模型化效率曲线;以及
基于所述模型化效率曲线生成相关的扩增曲线。
4.如权利要求1所述的方法,其中使所述模型化效率曲线显式模型化,而使模型扩增曲线基于所述显式模型化效率曲线隐式模型化。
5.如权利要求3所述的方法,其中确定所述循环阈值基于预定的效率参数值。
6.如权利要求1所述的方法,还包括鉴别非扩增样品。
7.如权利要求6所述的方法,其中所述鉴别非扩增样品包括实施选自以下的检验:阈值扩增、模型曲线拟合、噪音阈值、最大循环、最小循环、终点扩增、模型效率阈值、最小噪音、相对噪音、相对标度或跌落。
8.如权利要求1所述的方法,还包括:
基于所述最佳拟合参数集生成基线模型扩增曲线,其中所述循环阈值确定基于所述基线模型扩增曲线与对应的效率曲线之间的互补关系。
9.如权利要求1所述的方法,其中所述模型化效率曲线的最佳拟合参数集包括三个参数。
10.如权利要求9所述的方法,其中所述三个最佳拟合参数集是曲线位移参数、曲线弯曲参数和曲线位移调整参数。
11.如权利要求1所述的方法,还包括基于所述模型化效率曲线与所述模型化扩增曲线的互补关系生成超出最大PCR循环数的估计Cq的设定。
12.由处理器可执行的指令编码的计算机可读介质,用于确定PCR扩增曲线的循环阈值,所述指令包括以下指令:
接收用于PCR扩增反应的多个生物样品的数据集,其中所述数据集包括多条扩增曲线,每条扩增曲线都与所述多个生物样品中的一个生物样品相关;
实施非线性优化,其包含每条扩增曲线与模型化扩增曲线的拟合,以确定模型化效率曲线和所述扩增曲线的最佳拟合参数集,其中所述模型化扩增曲线基于模型化效率曲线;以及
基于所述模型化效率曲线与所述模型化扩增曲线的互补关系确定每个生物样品的循环阈值。
13.如权利要求12所述的计算机可读介质,其中所述非线性优化是约束非线性优化。
14.如权利要求12所述的计算机可读介质,其中所述指令还包括以下指令:
基于最佳拟合参数集生成所述模型化效率曲线;以及
基于所述模型化效率曲线生成相关的扩增曲线。
15.如权利要求12所述的计算机可读介质,其中使所述模型化效率曲线显式模型化,而使所述模型化扩增曲线基于所述显式模型效率曲线隐式模型化。
16.如权利要求15所述的计算机可读介质,其中确定所述循环阈值基于预定的效率参数值。
17.如权利要求12所述的计算机可读介质,其中所述指令还包括鉴别非扩增样品的指令。
18.如权利要求17所述的计算机可读介质,其中所述鉴别非扩增样品包括实施选自以下的检验:阈值扩增、模型曲线拟合、噪音阈值、最大循环、最小循环、终点扩增、模型效率阈值、最小噪音、相对噪音、相对标度或跌落。
19.如权利要求12所述的计算机可读介质,其中所述指令还包括以下指令:
基于所述最佳拟合参数集生成基线模型扩增曲线,其中所述循环阈值确定基于所述基线模型扩增曲线与对应的效率曲线之间的互补关系。
20.确定PCR扩增曲线循环阈值的系统,所述系统包括:
处理器;以及
存储所述处理器可执行指令的存储器,所述指令包含以下指令:
接收用于PCR扩增反应的多个生物样品的数据集,其中所述数据集包括多条扩增曲线,每条扩增曲线都与所述多个生物样品中的一个生物样品相关;
实施非线性优化,其包含每条扩增曲线与模型化扩增曲线的拟合,以确定模型化效率曲线和扩增曲线的最佳拟合参数集,其中所述模型化扩增曲线基于模型化效率曲线;以及
基于所述模型化效率曲线与所述模型化扩增曲线的互补关系确定每个生物样品的循环阈值。
21.如权利要求20所述的系统,其中所述非线性优化是约束非线性优化。
22.如权利要求20所述的系统,其中所述存储器还存储以下指令:
基于所述最佳拟合参数集生成模型化效率曲线;以及
基于模型化效率曲线生成相关的扩增曲线。
23.如权利要求20所述的系统,其中使所述模型效率曲线显式模型化,而使所述模型化扩增曲线基于所述显式模型效率曲线隐式模型化。
24.如权利要求22所述的系统,其中确定所述循环阈值基于预定的效率参数值。
25.如权利要求20所述的系统,其中所述存储器还存储鉴别非扩增样品的指令。
26.如权利要求25所述的系统,其中所述鉴别非扩增样品包括实施选自以下的检验:阈值扩增、模型曲线拟合、噪音阈值、最大循环、最小循环、终点扩增、模型效率阈值、最小噪音、相对噪音、相对标度或跌落。
27.如权利要求20所述的系统,其中所述存储器还存储以下指令:
基于所述最佳拟合参数集生成基线模型扩增曲线,其中所述循环阈值确定基于所述基线模型扩增曲线与对应的效率曲线之间的互补关系。
28.如权利要求20所述的系统,其中所述模型效率曲线的最佳拟合参数集包括三个参数。
29.如权利要求28所述的系统,其中所述三个最佳拟合参数集是曲线位移参数、曲线弯曲参数和曲线位移调整参数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US32289510P | 2010-04-11 | 2010-04-11 | |
US61/322,895 | 2010-04-11 | ||
PCT/US2011/031988 WO2011130184A2 (en) | 2010-04-11 | 2011-04-11 | SYSTEMS AND METHODS FOR MODEL-BASED qPCR |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103038774A true CN103038774A (zh) | 2013-04-10 |
CN103038774B CN103038774B (zh) | 2017-09-22 |
Family
ID=44799263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180027423.7A Active CN103038774B (zh) | 2010-04-11 | 2011-04-11 | 基于模型的qPCR的系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (2) | US20110276317A1 (zh) |
EP (1) | EP2558971B1 (zh) |
JP (2) | JP5848750B2 (zh) |
CN (1) | CN103038774B (zh) |
SG (1) | SG184481A1 (zh) |
WO (1) | WO2011130184A2 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105556525A (zh) * | 2013-06-28 | 2016-05-04 | 生命技术公司 | 用于使数据质量可视化的方法和系统 |
CN107622185A (zh) * | 2017-10-27 | 2018-01-23 | 华东医药(杭州)基因科技有限公司 | 一种数字pcr浓度计算方法 |
CN111149170A (zh) * | 2017-09-28 | 2020-05-12 | Seegene株式会社 | 分析试样内靶分析物的方法及装置 |
CN115135775A (zh) * | 2020-02-25 | 2022-09-30 | 罗伯特·博世有限公司 | 用于执行qPCR方法的方法和设备 |
CN116246694A (zh) * | 2023-03-24 | 2023-06-09 | 苏州国科芯感医疗科技有限公司 | 一种实时数字pcr定量确定方法及装置 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125132A1 (en) * | 2012-10-15 | 2016-05-05 | John Santalucia | Determining nucleic acid concentration by counting nucleic acid copies |
ES2832544T3 (es) * | 2014-08-27 | 2021-06-10 | Hoffmann La Roche | Un procedimiento de análisis y sistema para analizar una reacción de amplificación de ácido nucleico |
KR20160039529A (ko) * | 2014-10-01 | 2016-04-11 | 주식회사 씨젠 | 증폭곡선을 보정하는 방법 및 시료 분석을 위한 정보를 획득하는 방법, 그 기록매체, 그 컴퓨터 프로그램, 컴퓨터 장치 |
US9809849B2 (en) * | 2015-02-06 | 2017-11-07 | Life Technologies Corporation | Methods and systems for pure dye instrument normalization |
WO2016127082A1 (en) * | 2015-02-06 | 2016-08-11 | Life Technologies Corporation | Methods and systems for determining optical regions of interest |
BR112017016791B1 (pt) | 2015-02-06 | 2023-02-14 | Life Technologies Corporation | Método, sistema e mídia de armazenamento legível por computador para validar um instrumento |
SG11201706356XA (en) * | 2015-02-06 | 2017-09-28 | Life Technologies Corp | Methods and systems for experiment design and analysis |
CN108388132B (zh) * | 2018-03-19 | 2021-02-12 | 青岛理工大学 | 一种聚合酶链反应过程系统控制模型建模方法 |
CN108490776B (zh) * | 2018-03-19 | 2021-02-12 | 青岛理工大学 | 一种聚合酶链反应过程控制系统控制切换调度方法 |
CN109657731A (zh) * | 2018-12-28 | 2019-04-19 | 长沙理工大学 | 一种微滴数字pcr仪抗干扰分类方法 |
WO2023177760A1 (en) | 2022-03-15 | 2023-09-21 | Life Technologies Corporation | Qpcr curve detection |
WO2024025390A1 (ko) * | 2022-07-29 | 2024-02-01 | 주식회사 씨젠 | 파라미터의 임계값 설정용 인터페이스 제공 장치 및 방법 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5767259A (en) | 1994-12-27 | 1998-06-16 | Naxcor | Oligonucleotides containing base-free linking groups with photoactivatable side chains |
US5925517A (en) | 1993-11-12 | 1999-07-20 | The Public Health Research Institute Of The City Of New York, Inc. | Detectably labeled dual conformation oligonucleotide probes, assays and kits |
US5538848A (en) | 1994-11-16 | 1996-07-23 | Applied Biosystems Division, Perkin-Elmer Corp. | Method for detecting nucleic acid amplification using self-quenching fluorescence probe |
JP3898228B2 (ja) | 1996-04-12 | 2007-03-28 | ザ パブリック ヘルス リサーチ インスティチュート オブ ザ シティー オブ ニューヨーク インク | 検出プローブ、キット及びアッセイ |
KR100479782B1 (ko) * | 1996-06-04 | 2005-07-28 | 유니버시티 오브 유타 리서치 파운데이션 | 생물학적공정모니터링방법및시스템 |
US6485901B1 (en) | 1997-10-27 | 2002-11-26 | Boston Probes, Inc. | Methods, kits and compositions pertaining to linear beacons |
US6355421B1 (en) | 1997-10-27 | 2002-03-12 | Boston Probes, Inc. | Methods, kits and compositions pertaining to PNA molecular beacons |
US6383752B1 (en) | 1999-03-31 | 2002-05-07 | Hybridon, Inc. | Pseudo-cyclic oligonucleobases |
US6528254B1 (en) | 1999-10-29 | 2003-03-04 | Stratagene | Methods for detection of a target nucleic acid sequence |
DE10045521A1 (de) * | 2000-03-31 | 2001-10-04 | Roche Diagnostics Gmbh | Nukleinsäureamplifikationen |
US6596490B2 (en) | 2000-07-14 | 2003-07-22 | Applied Gene Technologies, Inc. | Nucleic acid hairpin probes and uses thereof |
US6350580B1 (en) | 2000-10-11 | 2002-02-26 | Stratagene | Methods for detection of a target nucleic acid using a probe comprising secondary structure |
US6593091B2 (en) | 2001-09-24 | 2003-07-15 | Beckman Coulter, Inc. | Oligonucleotide probes for detecting nucleic acids through changes in flourescence resonance energy transfer |
US7363168B2 (en) * | 2001-10-02 | 2008-04-22 | Stratagene California | Adaptive baseline algorithm for quantitative PCR |
US6589250B2 (en) | 2001-11-20 | 2003-07-08 | Stephen A. Schendel | Maxillary distraction device |
US7228237B2 (en) * | 2002-02-07 | 2007-06-05 | Applera Corporation | Automatic threshold setting and baseline determination for real-time PCR |
FR2878350B1 (fr) * | 2004-11-24 | 2007-02-16 | Bio Rad Pasteur Sa | Procede installation et programme d'ordinateur pour estimer l'effectif initial d'une population d'acides nucleiques, notamment par pcr |
WO2006048337A1 (en) | 2004-11-24 | 2006-05-11 | Bio-Rad Pasteur | A method, an installation, and a computer program for estimating the initial size of a population of nucleic acids, in particular by pcr |
US7680604B2 (en) * | 2005-03-11 | 2010-03-16 | Roche Molecular Systems, Inc. | PCR elbow determination by rotational transform after zero slope alignment |
US7991561B2 (en) * | 2005-09-29 | 2011-08-02 | Roche Molecular Systems, Inc. | Ct determination by cluster analysis with variable cluster endpoint |
JP4854334B2 (ja) * | 2006-03-06 | 2012-01-18 | 三洋電機株式会社 | 核酸増幅生成物のリアルタイム検出装置 |
US8285489B2 (en) * | 2008-09-09 | 2012-10-09 | Bio-Rad Laboratories, Inc. | Multi-stage, regression-based PCR analysis system |
KR101690355B1 (ko) * | 2009-09-14 | 2016-12-27 | 이에스에이비 아베 | 커뮤테이션 회로를 갖는 인버터 |
-
2011
- 2011-04-11 EP EP11769387.9A patent/EP2558971B1/en active Active
- 2011-04-11 WO PCT/US2011/031988 patent/WO2011130184A2/en active Application Filing
- 2011-04-11 US US13/084,438 patent/US20110276317A1/en not_active Abandoned
- 2011-04-11 SG SG2012074431A patent/SG184481A1/en unknown
- 2011-04-11 JP JP2013504987A patent/JP5848750B2/ja active Active
- 2011-04-11 CN CN201180027423.7A patent/CN103038774B/zh active Active
-
2015
- 2015-10-23 US US14/921,948 patent/US20160110495A1/en not_active Abandoned
- 2015-11-27 JP JP2015231320A patent/JP6363584B2/ja active Active
Non-Patent Citations (3)
Title |
---|
CHRISTIAN RITZ ET.AL: "qpcR: an R package for sigmoidal model selection in quantitative real-time polymerase chain reaction analysis", 《BIOINFORMATICS》 * |
IVAN MARTIN ET AL.: "Real-Time Quantitative RT-PCR Assays", 《METHODS OF MOLECULAR BIOLOGY》 * |
ROBERT G RUTLEDGE ET.AL: "A kinetic-based sigmoidal model for the polymerase chain reaction and its application to high-capacity absolute quantitative real-time PCR", 《BMC BIOTECHNOLOGY》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105556525A (zh) * | 2013-06-28 | 2016-05-04 | 生命技术公司 | 用于使数据质量可视化的方法和系统 |
CN105556525B (zh) * | 2013-06-28 | 2020-10-30 | 生命技术公司 | 用于使数据质量可视化的方法和系统 |
US11461338B2 (en) | 2013-06-28 | 2022-10-04 | Life Technologies Corporation | Methods and systems for visualizing data quality |
CN111149170A (zh) * | 2017-09-28 | 2020-05-12 | Seegene株式会社 | 分析试样内靶分析物的方法及装置 |
CN107622185A (zh) * | 2017-10-27 | 2018-01-23 | 华东医药(杭州)基因科技有限公司 | 一种数字pcr浓度计算方法 |
CN107622185B (zh) * | 2017-10-27 | 2020-08-21 | 领航基因科技(杭州)有限公司 | 一种数字pcr浓度计算方法 |
CN115135775A (zh) * | 2020-02-25 | 2022-09-30 | 罗伯特·博世有限公司 | 用于执行qPCR方法的方法和设备 |
CN116246694A (zh) * | 2023-03-24 | 2023-06-09 | 苏州国科芯感医疗科技有限公司 | 一种实时数字pcr定量确定方法及装置 |
CN116246694B (zh) * | 2023-03-24 | 2023-10-27 | 苏州国科芯感医疗科技有限公司 | 一种实时数字pcr定量确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2013533523A (ja) | 2013-08-22 |
EP2558971A2 (en) | 2013-02-20 |
EP2558971A4 (en) | 2016-11-09 |
EP2558971B1 (en) | 2021-02-17 |
JP5848750B2 (ja) | 2016-01-27 |
SG184481A1 (en) | 2012-11-29 |
US20110276317A1 (en) | 2011-11-10 |
WO2011130184A3 (en) | 2011-12-22 |
US20160110495A1 (en) | 2016-04-21 |
WO2011130184A2 (en) | 2011-10-20 |
JP6363584B2 (ja) | 2018-07-25 |
CN103038774B (zh) | 2017-09-22 |
JP2016076242A (ja) | 2016-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103038774A (zh) | 基于模型的qPCR的系统和方法 | |
Furlan et al. | Computational methods for RNA modification detection from nanopore direct RNA sequencing data | |
Metsky et al. | Designing sensitive viral diagnostics with machine learning | |
Jin et al. | Analysis of RNA-Seq data using TEtranscripts | |
CN103069427A (zh) | qPCR基因分型数据的可视化工具 | |
CN104093853B (zh) | 用于可视化和评估数据的方法和系统 | |
US11447815B2 (en) | Methods for the analysis of proximity binding assay data | |
CN111564178A (zh) | 基因多态性分析报告的生成方法、装置、设备及存储介质 | |
Serrao et al. | Establishing detection thresholds for environmental DNA using receiver operator characteristic (ROC) curves | |
US11227668B2 (en) | Systems and methods for genotyping by angle configuration search | |
Ziemann | Accuracy, speed and error tolerance of short DNA sequence aligners | |
Sharan et al. | A motif-based framework for recognizing sequence families | |
US20160026760A1 (en) | Systems and Methods for the Determination of a Copy Number of a Genomic Sequence | |
Robinson et al. | Alignment of time course gene expression data and the classification of developmentally driven genes with hidden Markov models | |
EP3642745A1 (en) | A method and system for gene signature marker selection | |
Farrell | smallrnaseq: short non coding RNA-seq analysis with Python | |
Ernst et al. | Large-scale epigenome imputation improves data quality and disease variant enrichment | |
Bradley et al. | Hierarchical Bayesian modeling identifies key considerations in the development of quantitative loop-mediated isothermal amplification assays | |
Caldonazzo Garbelini et al. | Discovering motifs and genomic patterns with SMT: a high-performance data structure for counting kmers | |
WO2014174143A1 (en) | Melt curve analysis | |
Benos et al. | Web-based identification of evolutionary conserved DNA cis-regulatory elements | |
Fu et al. | A Bayes Network Model to Determine MiRNA Gene Silence Mechanism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |