CN103930886A - 使用副本的meta 分析进行真实世界误差的计算 - Google Patents

Abstract

一种系统，包含方法和装置，用于在一些包含样本的副本上执行数字分析，每个副本含有多个含有样本的液滴，并且用于测量样本中的靶的浓度。统计meta分析技术可以应用于降低所测出的靶浓度的有效方差。

Description

使用副本的META 分析进行真实世界误差的计算

优先权申请的交叉引用

本申请基于于2011年7月13日提交的序列号为61/507,560的美国临时专利申请，并且根据U.S.C35章119(e)条要求于2011年7月13日提交的序列号为61/507,560的美国临时专利申请的权益，出于各种目的该美国临时专利申请通过引用以其整体的方式合并到本文中。

其他资料的交叉引用

出于各种目的本申请通过引用将将如下资料以它们的整体的方式合并了它们：于2006年5月9日授权的序列号为7,041,481的美国专利；于2010年7月8日公开的公开号为2010/0173394A1的美国专利申请；于2011年9月29日公开的公开号为WO2011/120006A1的PCT专利申请；于2011年9月29日公开的公开号为WO2011/120024A1的PCT专利申请；于2011年11月1日提交的序列号为13/287,120的美国专利申请；于2011年7月12日提交的序列号为61/507,082的美国临时专利申请；于2011年7月20日提交的序列号为61/510,013的美国临时专利申请；以及JosephR.Lakowicz所著的光激发光光谱学原理（1999年第二版），(JosephR.Lakowicz,PRINCIPLESOFPHOTOLUMINESCENCESPECTROSCOPY(2ndEd.1999))。

引言

数字分析通常依赖于检测样本中的分析物的个体拷贝的存在和活跃性的能力。在一个示例性的数字分析中，一个样本被分割成一组通常具有相等体积的划分，一般来说，每个划分平均含有不到大致一个分析物拷贝。如果若干分析物拷贝随机分布于若干划分之中，一些划分则可能含有零拷贝，其他则可能只含有一个拷贝，并且如果划分数量足够大，则其他就可能含有两个拷贝、三个拷贝，甚至更大数量的拷贝。泊松分布描述了正确地发现划分中的0、1、2、3、或者更多拷贝的概率，其基于划分中已知的平均分析物浓度。相反地，这些划分中（因而在这个样本中）的分析物的浓度可以根据发现已知数量的划分中的拷贝的概率进行估计。

对发现零拷贝和发现一个或更多拷贝的概率估计可以在数字化分析中进行测量。每个划分可以进行测试以确定该划分是否含有至少一个分析物拷贝的阳性划分，或者含有零分析物拷贝的阴性划分。发现划分中的零拷贝的概率可以通过测试为阴性的那些划分中的一部分（“阴性部分”）进行近似，并且发现至少一个拷贝的概率可以通过测试为阳性的那些划分中的一部分（“阳性部分”）进行近似。然后阳性部分或阴性部分可以用于泊松方程式以确定划分中的分析物的浓度。

数字分析时常依赖于划分中的核酸靶的扩增以支持对单一分析物拷贝的检测。扩增可以通过聚合酶链反应PCR进行执行，以实现数字化PCR分析。所扩增的靶可以是分析物本身或产生在划分形成之前或之后产生的分析物替代物。靶的扩增可以使用任何适合的方法（例如来自包含在反应中的光激发光的（例如，荧光的或磷光的）探针的光）进行检测。特别地，探针能包含某种染料，其提供指示靶是否进行了扩增的光激发光（例如荧光或磷光）信号。

在一个如上所述类型的数字分析中，所期望的是，将有可用于相对大量的含有样本的液滴中的每一个的至少包含光激发光强度的数据。这通常将包含成千、成万、成十万个液滴，或者更多。统计工具通常可以应用于分析这些数据。例如，统计技术可以应用于以某种置信水平确定任何靶是否存在于未扩增的样本中。在一些情况下，这种信息可以以数字化（“是”或“否”）结果的形式进行简单地提取，然而在其他情况下，还可以期望确定样本中的靶的浓度的估值，即，每单位体积靶拷贝的数量。

使用统计方法，即使液滴体积是未知的且未测量出允许对液滴体积进行直接确定的参数，估计靶浓度也是可能的。更加明确地，因为靶被假设为随机分布在液滴中，因此特定的液滴含有一定数量的靶拷贝的概率可以通过将液滴浓度作为一个函数参数的泊松分布函数进行建模。

由于测量误差，测出的靶浓度方差可能超出所期望的泊松方差。换言之，除了统计方差，靶浓度的测量结果可能被一定量的“真实世界”测量误差进行特征化。这种真实世界测量误差的来源可以包含，例如，移液误差、液滴产生和处理相关的波动（例如，液滴大小、液滴分离、液滴流速等等）、光源相关的波动（例如，强度、光谱轮廓等等）、检测器相关的波动（例如，阈值、增益、噪声等等）、和污染物（例如，非来源于样本的靶、限制剂等等）、以及其他。这些误差可能非期望地降低特定的靶浓度估计的置信水平，或者相当于，增加已知置信水平的置信区间。

因此，需要一种新途径，能够有效降低靶浓度方差。

发明内容

本公开内容提供了一种系统，包含方法和装置，用于对一些包含样本的副本执行数字化分析，每个副本含有多个含有样本的液滴，并且测量样本中的靶的浓度。统计meta分析技术可以应用于降低测出的靶浓度的有效方差。

附图简要说明

图1是根据本公开的各个方面的基于多个含有样本的副本的靶浓度数据的示意图描述。

图2是根据本公开的各个方面描述了产生改善了统计属性的meta副本的方法的流程图。

图3是根据本公开的各个方面描述了用于估计含有样本的液体中的靶的浓度的系统的示意图。

图4是根据本公开的各个方面描述了在一个数字分析中降低靶浓度的有效统计方差的方法的流程图。

图5是根据本公开的各个方面显示了其中将检测出的液滴的数量描绘为荧光强度测量函数的示例性实验数据的柱状图。

详细说明

本公开内容提供了一种系统，包含方法和装置，其用于执行关于样本的数字分析。该系统可以包括：将样本分成多个副本，每个副本含有多个含有样本的液滴，并且测量样本中的靶的浓度。统计meta分析技术可以应用于降低测出的靶浓度的有效方差。

图1根据本技术的各个方面示意性地描述了一组靶浓度测量结果，通常用100表示。样本，例如样本液体，可以分成多个划分，每个含有许多含有样本的液滴。例如，特定的样本液体可以置于多个样本槽中且每个样本槽可以分别地进行处理和分析，以确定该槽中的靶分子的浓度的估计。在这个情况下，含有相同样本液体的槽（或其他容器）可以称为“副本”或“副本槽”。因为每个副本被期望为包含大量含有样本的液滴，因此液滴中的靶的存在性可以通过每个副本的稍有不同的泊松分布函数进行表征，包括不同的均值和方差。图1左边描述了基于多个副本102a、102b、102c、102d和102e（集体称为，副本102）的多个靶浓度测量结果，每个副本包含多个含有样本的液滴。这些副本102通过一个事实进行特征化，即它们中的每个含有一定量含有样本的相同液滴，所以每个副本102的液滴中的靶的浓度被期望为在统计限制中是相同的。图1右边描述了“meta副本”104的属性。如下更加详细所述，meta副本104是基于副本102的假想副本，但其具有改进的统计特征。

一般地，副本102中的液滴将是水性液滴，其是与某种例如形成乳液的油相关的，尽管本技术通常应用于任何含有样本的液滴和/或其他划分的集合。因为靶被假设为随机分布在副本102中的液滴中，因此特定的液滴含有一定数量的靶拷贝的概率可以通过将液滴浓度作为函数一个参数的泊松分布函数进行建模。因此，液滴浓度的均值和方差可以根据关于每个副本的分布函数进行提取。每个副本102的平均浓度值在图1中分别被描述为m_a、m_b、m_c、m_d、m_e。

在没有真实世界测量误差的系统中，泊松分布函数方差等于它的均值。然而更加通常地，总体的测出的浓度方差和对应于每个副本的v_a、v_b、v_c、v_d、v_e均包含泊松方差v_p（图1中表示为v_pa、v_pb、v_pc、v_pd、v_pe）和某个测量误差方差v_m（图1中表示为v_ma、v_mb、v_mc、v_md、v_me）。这可能增加总体方差达到非期望的水平，并且不能利用多个副本存在的统计优势。然而，如下所述，统计meta分析技术可以应用于降低测出的靶浓度的有效方差，使得meta副本104具有平均浓度值和小于任何单个副本的方差的方差v。而且，同样如下所述，meta分析可以支持对真实世界测量误差的量进行确定。

图2是根据本技术的各个方面描述了产生对应于多个含有样本的副本的假想meta副本和相对于单个的副本改善了统计属性的方法的流程图，该方法通常以200指示。

在步骤202处，准备了一组副本。这可以包括：准备含有样本的液体，产生含有样本的液滴的乳液，增加适当的聚合酶链反应试剂和光激发光报告分子、和/或DNA扩增、以及其他。例如，在以下专利文档中描述的，准备含有样本的副本用于核酸扩增的示例性技术：于2010年7月8日公开的公开号为2010/0173394A1的美国专利申请；以及于2010年12月22日提交的序列号12/976,827的美国专利申请，这些文档通过引用并入本文。副本可以通过在例如独立的槽或其他容器中形成相同的完全反应混合物的例如两个、三个、四个、或更多拷贝来进行准备。

在步骤204处，确定了每个副本的液滴的均值和方差。这通常包括：测量一个副本中的每个含有样本的液滴的光激发光，基于测出的光激发光确定每个液滴中的靶的浓度，然后按照靶浓度符合例如泊松分布函数的特定的分布函数的假设提取浓度的均值和方差。例如，在以下专利文档中，描述了估计多个含有样本的液滴中的靶的浓度的均值和方差的示例性技术：于2009年9月21日提交的序列号为61/277,216的美国临时专利申请；以及于2010年7月8日公布的公开号为2010/0173394A1的美国专利申请，这些专利文档通过引用并入本文。

在步骤26处，计算了所有（或多个）副本的组合的加权均值靶浓度。更加明确地，考虑分别具有个体均值浓度为m₁，m₂，…，m_k和泊松方差为υ₁，υ_２，…，υ_K几的k个副本。我们将副本i的权重定义为它的方差的倒数：

$w_i=\frac{1}{{\mathrm{\ν}}_i}---\left(1\right)$

此处，含有相对较小方差的副本比含有相对较大方差的副本具有较大权重。那么加权均值靶浓度按照如下计算：

$\stackrel{\‾}{m}=\frac{{\mathrm{\Σ}}_{i=1}^k{w}_i{m}_i}{{\mathrm{\Σ}}_{i=1}^k{w}_i}---\left(2\right)$

此处，含有相对较大权重（即，较小方差）的副本比含有相对较小权重（即，较大方差）的副本贡献较多。

在步骤208，估计系统的真实世界方差，这是基于所确定的每个副本的均值浓度与多个副本的加权均值浓度的偏差进行的。这是按照如下来实现的。定义了一个度量围绕加权均值的浓度波动的随机变量。

$T={\mathrm{\Σ}}_{i=1}^k{w_i(m_i-\stackrel{\‾}{m})}^2---\left(3\right)$

T是近似标准的正态随机变量的平方和，因而可以近似为卡方分布。该分布的均值为自由度的数量，df＝k-1。如果T小于df，则说明没有附加的真实世界方差。如果T大于df，则指示有附加的真实世界方差r＝T-df。

在步骤210处，计算了副本测量结果的新权重，包含真实世界方差的影响。更加明确地，因为T是基于标准正态变量的，因此通过应用一个适当的修正因子以原始的单位我们将r按比例缩减到r′。

$r^{\′}=\frac{r}{\mathrm{\Σ}{w}_i-\frac{{\mathrm{\Σw}}_i^2}{{\mathrm{\Σw}}_i}}---\left(4\right)$

我们将r′增加到泊松方差中以给出每个副本的总体方差。然后我们按照如下重新定义了每个副本的权重：

${w_i}^{\′}=\frac{1}{{\mathrm{\ν}}_i+r^{\′}}---\left(5\right)$

在步骤212处，基于重新定义的权重计算了meta副本的新方差和加权均值：

${\mathrm{\ν}}^{\′}=\frac{1}{\mathrm{\Σ}{w_i}^{\′}}---\left(6\right)$

${\stackrel{\‾}{m}}^{\′}=\frac{{\mathrm{\Σ}}_{i=1}^k{w_i}^{\′}{m}_i}{{\mathrm{\Σ}}_{i=1}^k{w_i}^{\′}}---\left(7\right)$

在步骤214中，可以估计真实世界测量误差。具体地，通过将r′设置为零，我们可以估计当只存在泊松误差时的meta数据方差。通过将其与包含真实世界误差的方差估计进行比较允许对真实世界误差引起的方差进行估计。

图3是根据本公开内容的各个方面描述用于估计含有样本的液体中的靶的浓度的系统的示意图，该系统通常以300进行指示。系统300包含多个副本302a、302b、302c，每个含有多个含有样本的液滴，例如，悬浮在基底液体中或另外与基底液体相关。尽管三个副本在图3中进行了描述，然而任何数量的两个或更多副本都可以与本技术结合起来进行使用。

系统300也包含检测器304，其被配置为测量含在副本中的液滴放射出的光激发光。本技术不需要任何特定类型的光激发光检测器，因此检测器304将不再更加详细进行描述。在以下文档中描述了适合于与本技术结合起来使用的检测器：于2009年9月21日提交的序列号为61/277,203的美国临时专利申请；于2010年7月8日公开的公开号为2010/0173394A1的美国专利申请；于2010年3月25日提交的序列号为61/317,684的美国临时专利申请；以及于2011年3月25日提交的序列号为PCT/US2011/030077的PCT专利申请。

系统300还包含处理器306，其被配置为计算meta副本均值靶浓度值和meta副本靶浓度方差。处理器306可以通过执行如上所述的关于方法200的一些或所有步骤来实现这类计算。更加具体地，处理器306可以配置为：基于检测器的光激发光测量结果确定每个副本的液滴的均值靶浓度和靶浓度的总体方差，估计靶浓度的真实世界方差，并且基于所估计的真实世界方差来计算meta副本均值靶浓度值和meta副本靶浓度方差。

对meta副本属性进行的确定可以包含各种其他处理步骤。例如，处理器306还可以配置为：计算副本的加权均值靶浓度，并且通过计算围绕加权均值的靶浓度波动估计靶浓度的真实世界方差。此外，处理器306可以配置为：基于所估计的真实世界方差计算用于副本的改进的权重，并且使用改进的权重计算meta副本均值靶浓度值和meta副本靶浓度方差。而且，处理器306可以配置为：估计当只存在泊松误差时的meta副本靶浓度方差，并且通过将当只存在泊松误差时的方差估计与包含真实世界误差的方差估计进行比较来估计真实世界误差引起的靶浓度方差。

图4是描述了在一个数字分析中降低靶浓度的有效统计方差的方法的流程图，该方法通常以400进行指示。

在步骤402处，方法400包含准备多个副本，每个副本含有已知的或相同量的含有样本的液体。如前所述，依据本技术的含有样本的液体可以包含，例如，水性的含有样本的液滴，其是与某种例如形成油乳液的油相关的。

在步骤404处，方法400包含测量每个副本中的含有样本的液滴的光激发光。特定的含有样本的液滴放射的光激发光可以指示，例如，核酸靶是否存在于液滴中且是否通过聚合酶链反应进行了扩增。在一些情况下，如前所述，含有样本的液滴的体积可能是未知的，然而在其他一些情况下，液滴体积可能是已知的或者可以独立于光激发光测量进行估计。

在步骤406处，方法400包含对每个副本的均值靶浓度和靶浓度方差进行的计算，其是基于每个副本的液滴中的靶的存在或不存在进行的，其是按照测出的副本中的液滴的光激发光进行指示的。这可以通过如下假设进行实现，例如，假设液滴的靶浓度符合特定的分布函数，例如泊松分布函数。

现在将进行描述用于估计副本中的均值靶浓度的示例性技术。这些技术假设表示每个液滴的光激发光强度的数值集合是可以使用的。所述技术可以应用于峰值光激发光数据（即，含有特定数量靶拷贝的液滴放射的最大光激发光强度），但是不限于此类型数据。所述技术可以推广到可以用于将含有靶的液滴与空液滴区分开的任何测量结果。

如果m是样本的靶浓度（每单位体积靶拷贝数量），V_d是液滴的体积（在这个例子中假设为常量），并且λ=mV_d是每液滴靶拷贝平均数量，给定液滴将含有的k个靶分子的概率由泊松分布给出：

$P(k;\mathrm{\λ})=\frac{{\mathrm{\λ}}^k\mathrm{Exp}(-\mathrm{\λ})}{k!}---\left(8\right)$

如果，例如，每液滴平均有3个靶核酸拷贝，则泊松分布会指出液滴预计5.0%的会含有零拷贝，14.9%会含有一个拷贝，22.4%会含有2个拷贝，22.4%会含有3个拷贝，16.8%会含有4个拷贝，等等。能合理地假设，如果在该体积中有一个或多个靶核酸分子，则液滴将反应。总体上，95%液滴会是阳性的，5%会是阴性的。因为通常地，每液滴不同的初始拷贝数量可以在扩增之后进行辨别，因此考虑了这种情况的分析的总体描述可以对浓度计算精度进行改进。

图5显示了样本数据集，在该样本数据集中检测出的液滴的数量被描绘为相对于荧光强度的测量结果的柱状图。数据指出在强度值刚刚小于300处的液滴计数的峰值，和几个大约从500到700处的不同强度阳性项峰值。不同的阳性项强度是不同的初始靶浓度引起的。在大约500处的峰值代表了液滴中的一个初始靶的拷贝，大约在600处的峰值代表了两个初始拷贝，以此类推，直到峰值变得不可辨识。

我们可以定义拷贝初始数量K，其之后没有了检测概率的差别。我们现在可以如下定义变量X，其用于描述将把给定的光激发光测量结果定义为阳性检测（X=1）的概率。按照如下方程式(9)指示，将其定义成了含有任何可辨别的阳性项（右边第一项）加上饱和的阳性项（右边第二项）加上不正确地识别为阳性项的阴性项（右边第三项）的液滴的概率的和。

其也可以通过代入泊松概率的方程式(8)以λ的形式进行描写：

将把给定的测量结果定义为阴性项（X=0）的概率也可以定义为：

对如上方程式进行简化以用于一种设备，其中K=1，即，其中落入相同的光激发光峰值中，或者阳性项和阴性项之间的间隔的每液滴一个或更多靶拷贝足够清晰以至于可以忽略P_fa。然而在一些情况下，在阴性液滴和阳性液滴的光激发光峰值之间可能有显著的重叠，以至于不能忽略P_fa。这个例子适用于两者之中任何一种情况。

变量X的均值为实现的积和概率的和：

或者

并且其标准偏差通过如下给出：

因为X是如此定义的，即阴性液滴对应于X=0且阳性的液滴对应于X=1，因此X的均值也是阳性液滴的一部分：

方程式(13)和(14)可以重新描写为：

$\frac{N_{+}}{N}=\underset{1\&le;i<K}{\mathrm{\&Sigma;}}{P}_{d_i}\frac{{\mathrm{\&lambda;}}^i\mathrm{Exp}(-\mathrm{\&lambda;})}{i!}+P_{d_k}\{1-\underset{0\&le;i<K}{\mathrm{\&Sigma;}}\frac{{\mathrm{\&lambda;}}^i\mathrm{Exp}(-\mathrm{\&lambda;})}{i!}\}+P_{\mathrm{fa}}\mathrm{Exp}(-\mathrm{\&lambda;})---\left(16\right)$

以及

因为他们是高度非线性，方程式（16）和（17）在不具有概率P_di和P_fa的先前知识的情况下，不能轻易地用于求得λ。就出现了一种特殊情况，当所有液滴都被检测时（P_di=1），只有一个光激发光状态是可以辨别的（K=1），且阳性和阴性峰值可以容易地进行识别以至于错误检测的概率是可以忽略时（P_fa=0）。在这种情况下，可以解出方程式（16）的λ为：

$\mathrm{\&lambda;}=\ln (1+\frac{N_{+}}{N_{\_}})---\left(18\right)$

假设已知平均液滴体积V_d，那么副本的均值靶浓度为m=λ/V_d。如果继续假设液滴中的靶符合泊松分布，则副本的靶浓度的泊松方差等于它的均值。

在步骤408处，方法400包含基于每个副本的均值靶浓度和靶浓度方差计算多个副本的加权均值靶浓度。这个步骤可以以类似于方法200的步骤206的方式进行执行，即，把每个均值靶浓度的权重（换言之，每个副本的统计权重）定义为它的方差的倒数。

在步骤410处，方法400包含估计与对应于每个副本的靶浓度相关的真实世界方差。这个步骤可以包含，例如，如前所述，将围绕加权均值靶浓度的浓度波动的度量与该多个副本的自由度的数量进行比较。真实世界方差可以通过应用修正因子进行修正，修正因子取决于每个副本的加权，例如，如上关于方法200的步骤210所述。

在步骤412处，方法400包含基于每个副本的所估计的真实世界方差、均值靶浓度和靶浓度方差计算meta副本加权均值靶浓度和meta副本靶浓度方差。这可能涉及相同或相似的计算。

如上所述的公开内容可以囊括多个具有独立效用的不同的发明。尽管这些发明中的每一个都以其优选的一种或若干形式进行了公开，然而如本文所公开和所示出的其特定的实施方式不必被认为是限制性的，因为可能存在大量的变化。本发明的主题包含所有本文所公开的各个元件、特征、功能、和/或属性的新颖性和创造性的组合和子组合。如下要求特别的指出了某些被认为具有新颖性和创造性的组合和子组合。呈现在元件、特征、功能、和/或属性的其他组合和子组合中的发明可以在基于此或相关申请而要求优先权的申请中进行要求。这些要求，无论是否针对一个不同的发明或同一个发明，且无论对于原始要求在范围上是否是比较大、比较小、相等、或不同，也被认为包含在本公开内容中的发明的主题中。而且，用于识别元件的顺序指示符，例如第一、第二、或第三，用于在若干个元件之间进行辨别，并且不指示这些元件的某种特别的位置或顺序，除非另外进行明确的说明。

Claims (20)

1.一种产生对应于多个含有样本的副本的meta副本的方法，包括：

准备至少两个副本，每个含有多个含有样本的液滴，所述样本包含靶；

确定每个副本的液滴的均值靶浓度和靶浓度方差；

估计所述靶浓度的真实世界方差；并且

基于所估计的真实世界方差计算meta副本均值靶浓度和meta副本靶浓度方差。

2.根据权利要求1所述的方法，其中确定每个副本的均值靶浓度包括：测量所述副本中的每个含有样本的液滴的光激发光，基于测出的光激发光确定在所述副本中的每个含有样本的液滴中的靶浓度，并且通过假设在所述副本中的含有样本的液滴中的靶浓度符合特定的统计分布函数来计算所述副本的均值靶浓度。

3.根据权利要求2所述的方法，其中所述特定的统计分布函数为泊松分布函数。

4.根据权利要求1所述的方法，其中估计所述靶浓度的真实世界方差包括：计算多个所述副本的加权均值靶浓度，计算靶浓度围绕加权均值的波动度量，并且基于所述波动度量计算真实世界方差的估值。

5.根据权利要求4所述的方法，其中计算所述meta副本均值靶浓度和meta副本靶浓度方差包括：计算所述多个副本中的每一个的方差，基于每个副本的方差计算其重新定义的权重，并且基于所述重新定义的权重确定所述meta副本均值靶浓度和meta副本靶浓度方差。

6.根据权利要求1所述的方法，还包括通过将基于所估计的真实世界方差的meta副本靶浓度方差与仅存在泊松误差时的meta数据方差的估值进行比较来估计真实世界测量误差。

7.一种用于估计含有样本的液体中的靶浓度的系统，包括：

多个副本，每个含有多个含有样本的液滴，所述样本包含靶；

检测器，所述检测器被配置为测量所述液滴放射的光激发光；以及

处理器，所述处理器被配置为基于所述检测器的光激发光测量结果确定所述副本中的每个副本的均值靶浓度和靶浓度方差，并且还被配置为基于所述副本的均值靶浓度和靶浓度方差确定meta副本均值靶浓度和meta副本靶浓度方差。

8.根据权利要求7所述的系统，其中所述处理器被配置为：基于测出的光激发光确定所述副本中的每个含有样本的液滴中的靶浓度，并且通过假设所述副本中的含有样本的液滴中的靶浓度符合特定的统计分布函数来计算每个副本的均值靶浓度。

9.根据权利要求8所述的系统，其中所述分布函数为泊松分布函数。

10.根据权利要求7所述的系统，其中所述处理器被配置为：估计仅存在泊松误差时的meta副本靶浓度方差，并且通过将仅存在泊松误差时的meta副本靶浓度方差与所述meta副本靶浓度方差进行比较来估计真实世界误差引起的靶浓度方差。

11.根据权利要求10所述的系统，其中所述处理器还被配置为计算所述副本中每个副本的加权均值靶浓度，并且其中估计真实世界误差引起的靶浓度方差包括计算围绕加权均值的靶浓度波动。

12.根据权利要求11所述的系统，其中所述处理器还被配置为基于真实世界误差引起的靶浓度方差计算每个副本的改进权重，并且其中计算meta副本均值靶浓度和meta副本靶浓度方差是使用所述改进权重进行的。

13.一种在数字分析中降低靶浓度的有效统计方差的方法，包括：

准备多个副本，每个含有已知量的含有样本的液体，其中所述含有样本的液体包含水性的含有样本的液滴；

测量所述副本中的每个副本的含有样本的液滴的光激发光；

基于所述副本的含有样本的液滴的光激发光计算每个副本的均值靶浓度和靶浓度方差；

基于每个副本的均值靶浓度和靶浓度方差计算所述多个副本的加权均值靶浓度；

计算与对应于每个副本的靶浓度相关的真实世界方差；并且

基于每个副本的所估计的真实世界方差、所述均值靶浓度和所述靶浓度方差计算meta副本加权均值靶浓度和meta副本靶浓度方差。

14.根据权利要求13所述的方法，其中所述含有样本的液滴的光激发光指示核酸靶是否已经通过聚合酶链式反应进行了扩增。

15.根据权利要求13所述的方法，其中所述含有样本的液滴具有未知的个体体积。

16.根据权利要求13所述的方法，其中每个含有样本的液滴含有一定数量的靶拷贝的概率通过泊松分布函数进行建模。

17.根据权利要求13所述的方法，其中估计所述真实世界方差包括：将围绕所述加权均值靶浓度的浓度波动的度量与所述多个副本的自由度的数量进行比较。

18.根据权利要求13所述的方法，其中估计所述真实世界方差包括：将所计算的meta副本靶浓度方差与当仅存在泊松误差时的meta副本靶浓度方差的估值进行比较。

19.根据权利要求13所述的方法，其中计算所述加权均值靶浓度包含将每个副本权重定义为其靶浓度方差的倒数。

20.根据权利要求19所述的方法，其中估计所述真实世界方差包括：应用取决于每个副本的权重的修正因子。