Kalibrācijas līknes kalkulators | Lineārā regresija laboratorijas analīzēm

Kas ir kalibrācijas līkne un kāpēc tā ir svarīga

Kad jūs kaut ko mēra laboratorijā — vai tas būtu olbaltumvielu koncentrācija asinīs vai piesārņotāji ūdenī — jūsu ierīce sniedz signālu, nevis koncentrāciju. Tieši tāpēc kalibrācijas līknes ir būtiskas. Domājiet par to kā par valodas tulkošanu: jūsu ierīce runā absorbcijas vienībās vai maksimālo laukumu, un jums ir nepieciešams to pārvērst izmantojamās koncentrācijas vērtībās.

Kalibrācijas līkne nosaka matemātisko sakarību starp ierīces atbildi un zināmām koncentrācijām. Tā darbojas praksē: jūs izmēra vairākus standartus ar zināmām koncentrācijām, attēlo rezultātus, novelk līniju caur šiem punktiem un pēc tam izmanto šo līniju, lai noteiktu nezināmās koncentrācijas pēc to atbildēm. To, kas padara šo pieeju uzticamu, ir lineārās regresijas analīze, kas atrod vislabāko līniju caur jūsu datiem un parāda, cik uzticama ir šī līnija, izmantojot R² vērtību.

Kalibrācijas līkņu īstā vara slēpjas to universālajā pielietojamībā. Vai jūs izmantojat UV-Vis spektrofotometru, analizējat paraugus HPLC vai kvantificējat DNS ar fluorometru, princips paliek nemainīgs: izmērīt zināmus standartus, izveidot līkni, paredzēt nezināmos. Šis kalkulators automātiski veic matemātiskos aprēķinus, sniedzot slīpuma, intervāla un R² vērtības, lai jūs varētu fokusēties uz analīzi, nevis skaitļu rēķināšanu.

Kā darbojas kalibrācijas līknes

Matemātika aiz kalibrācijas līknēm

Būtībā kalibrācijas līkne atspoguļo matemātisku sakarību starp koncentrāciju (x) un atbildes signālu (y). Lielākajai daļai analītisko metožu šī sakarība seko lineāram modelim:

$y = mx + b$

Kur:

$y$ = instrumenta atbildes signāls (atkarīgais mainīgais)
$x$ = koncentrācija (neatkarīgais mainīgais)
$m$ = slīpums (metodes jutīgums)
$b$ = y-ass šķērsojums (fona signāls)

Kalkulators nosaka šos parametrus, izmantojot mazāko kvadrātu metodi lineārajā regresijā, kas minimizē starpību starp novērotajām atbildēm un lineārā modeļa paredzētajām vērtībām.

Galvenās veicamās aprēķinu darbības ietver:

Slīpuma (m) aprēķins: $m = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sum_{i=1}^{n}(x_i - \bar{x})^2}$
Y-ass šķērsojuma (b) aprēķins: $b = \bar{y} - m\bar{x}$
Noteikšanas koeficienta (R²) aprēķins: $R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{n}(y_i - \bar{y})^2}$

Kur $\hat{y}_i$ apzīmē paredzēto y-vērtību noteiktai x-vērtībai.
Nezināmās koncentrācijas aprēķins: $x_{unknown} = \frac{y_{unknown} - b}{m}$

Rezultātu interpretācija

Slīpums (m) pastāsta par metodes jutīgumu. Stāvāks slīpums nozīmē, ka nelielās koncentrācijas izmaiņas rada lielas atbildes signāla izmaiņas — tas parasti ir vēlamais rezultāts, jo palīdz atšķirt līdzīgas koncentrācijas. Tomēr pārāk stāvs slīpums var liecināt, ka jūs strādājat tuvu augšējai detektēšanas robežai. Praksē esmu atradis, ka slīpumu salīdzināšana starp dažādām partijām palīdz identificēt instrumenta nobīdi pirms tā kļūst par problēmu.

Y-ass šķērsojums (b) pārstāv fona signālu, kad koncentrācija ir nulle. Šeit ir kas interesants: nenulles šķērsojums nav obligāti slikts. Dažām metodēm ir raksturīgs fona signāls — piemēram, fluorescences analīzēs bieži novēro pamata fluorescenci no reaģenta tukšās plates. Svarīga ir konsekvence. Ja jūsu šķērsojums pēkšņi mainās starp kalibrācijām, tas ir sarkanais karogs, kas signalizē par piesārņojumu, reaģenta degradāciju vai instrumenta problēmām.

Noteikšanas koeficients (R²) mēra, cik labi jūsu dati seko taisnei. Jūs redzēsiet vērtības no 0 līdz 1,0, kur 1,0 nozīmē ideālu linearitāti. Regulatorajam darbam un publikācijas kvalitātes datiem mērķējiet uz R² > 0,99. Ja pastāvīgi iegūstat R² < 0,995, izmeklējiet šos izplatītos cēloņus: pipetēšanas kļūdas, standartu degradāciju, darbošanos ārpus lineārā diapazona vai matricas efektus. Reizēm sakarība vienkārši nav lineāra — tas ir signāls izmēģināt citu koncentrācijas diapazonu vai kalibrācijas modeli.

Kā lietot šo kalibrācijas līknes kalkulatoru

Sākšana aizņem tikai dažas klikšķus. Šeit ir darba plūsma, kuru seko lielākā daļa laboratoriju:

1. solis: Ievadiet kalibrācijas datu punktus

Ievadiet zināmās koncentrācijas vērtības kreisajā kolonnā
Ievadiet atbilstošās atsaukšanās vērtības labajā kolonnā
Kalkulators pēc noklusējuma sākas ar diviem datu punktiem
Noklikšķiniet uz pogas "Pievienot datu punktu", lai iekļautu papildu standartus
Izmantojiet miskastes ikonu, lai noņemtu nevēlamus datu punktus (minimums divi nepieciešami)

2. solis: Ģenerēt kalibrācijas līkni

Kad esat ievadījis vismaz divus derīgus datu punktus, kalkulators automātiski:

Aprēķinās lineārās regresijas parametrus (slīpumu, šķērsojumu un R²)
Parādīs regresijas vienādojumu formātā: y = mx + b (R² = vērtība)
Ģenerēs vizuālu grafiku, kas rāda jūsu datu punktus un labāko pielāgoto līniju

3. solis: Aprēķināt nezināmas koncentrācijas

Lai noteiktu nezināmu paraugu koncentrāciju:

Ievadiet sava nezināmā parauga atsaukšanās vērtību norādītajā laukā
Noklikšķiniet uz pogas "Aprēķināt"
Kalkulators parādīs aprēķināto koncentrāciju, pamatojoties uz jūsu kalibrācijas līkni
Izmantojiet kopēšanas pogu, lai viegli pārvietotu rezultātu jūsu ierakstos vai pārskatos

Padomi ticamu rezultātu iegūšanai

Lūk, kas atšķir labu kalibrāciju no izcilas kalibrācijas, balstoties uz to, kas praksē patiešām darbojas:

Izmantojiet vismaz 5-7 kalibrācijas punktus—divi vai trīs punkti var dot līniju, bet tie neparādīs, vai attiecība ir patiešām lineāra. Vairāk punkti atklāj līkumu un ārējos punktus, kurus citādi palastu garām.
Ietveriet savus nezināmos—pārliecinieties, ka jūsu zemākais standarts ir zem un augstākais standarts ir virs jūsu gaidāmajām paraugu koncentrācijām. Ekstrapolācija ārpus jūsu kalibrācijas diapazona ir risks.
Izvietojiet punktus stratēģiski—vienmērīgs izvietojums darbojas lielākajā daļā gadījumu, bet, ja strādājat tuvu noteikšanas robežai, sakopojiet vairāk punktus zemajā daļā, kur precizitāte ir vissvarīgākā.
Veiciet dublikātus vai trīskārtējus—atsevišķi mērījumi slēpj pipetēšanas kļūdas un instrumenta mainīgumu. Atkārtojumi parāda jūsu metodes patieso precizitāti.
Pārbaudiet linearitāti, pirms uzticaties savai līknei—R² > 0,99 ir zelta standarts analītiskajā darbā. Viss, kas ir zemāks par 0,995, ir vērts izmeklēšanas. Dažreiz jums ir nepieciešams sašaurināt savu koncentrācijas diapazonu vai pārslēgties uz svērto regresijas modeli.

Reālās pasaules pielietojumi

Kalibrācijas līknes jūs atradīsit praktiski katrā analītiskajā laboratorijā. Šeit ir vietas, kur tās padara mērījumus jēgpilnus:

Analītiskā ķīmija

Kad jūs kvantificējat savienojumus, kalibrācijas līknes pārvar plaisu starp neapstrādātiem detektora signāliem un faktiskajām koncentrācijām:

UV-Redzamās spektrofotometrijas—izmēriet, cik daudz gaismas paraugs absorbē, lai noteiktu koncentrāciju. Tas darbojas jebkam no farmaceitiskajām aktīvajām sastāvdaļām līdz pārtikas krāsvielām. Tipiska lietojuma piemērs: kofeīna kvantifikācija enerģijas dzērienos, kur absorbcija 273 nm tieši korelē ar koncentrāciju.
Augsti efektīvā šķidrumu hromatogrāfija (HPLC)—farmaceitiskās analīzes darba zirgs. Hromatogrammas virsmas vai augstumi kartē uz koncentrāciju caur jūsu kalibrācijas līkni. Zāļu testēšanas laboratorijās šī pieeja kvantificē visu no sāpju līdzekļiem tabletēs līdz piemaisījumiem sajauktās preparātās.
Atomu absorbcijas spektroskopija (AAS)—būtiska mikroelementu mērīšanai. Vides laboratorijas to izmanto ikdienā, lai pārbaudītu svinu dzeramajā ūdenī vai arsēnu augsnes paraugos, kur noteikšanas robežas daļās uz miljardu prasa rūpīgi konstruētas kalibrācijas līknes.
Gāzu hromatogrāfija (GC)—metode gaistošiem un daļēji gaistošiem savienojumiem. No asins alkohola līmeņa mērīšanas tiesu medicīnas laboratorijās līdz pesticīdu atlieku kvantifikācijai pārtikā, GC kalibrācijas līknes pārvērš aiztures laikus un virsmas koncentrācijas datos.

Bioķīmija un molekulārā bioloģija

Dzīvības zinātņu laboratorijas nepārtraukti veic kalibrācijas līknes, bieži vairākas reizes dienā:

Proteīnu kvantifikācija—vai nu izmantojat Bredfordas, BCA vai Lori metodes, jūs veidojat standarta līkni ar BSA vai citu proteīnu standartu. Tipiska situācija: šūnu lizātu sagatavošana Vesterna blotēšanai, kur nepieciešams vienāds proteīnu daudzums starp joslām. Kalibrācijas līkne nodrošina precizitāti.
DNS/RNS kvantifikācija—spektrofotometrija 260 nm dod jums absorbciju; jūsu standarta līkne (bieži izmantojot zināmas koncentrācijas lambda DNS standartu) to pārvērš ng/μL. Fluorometriskām metodēm kā Qubit, divu standartu kalibrācija ir vienkāršota tā paša principa versija.
ELISA testi—tie gandrīz vienmēr izmanto kalibrācijas līknes. Jūs izmērāt krāsas attīstību (vai fluorescenci) caur zināmu antigēnu/antivielu koncentrāciju sēriju, tad interpolējat savus paraugus no šīs līknes. Klīniskajā diagnostikā šī pieeja kvantificē visu no insulīna līmeņiem līdz vīrusu slodzei.
qPCR analīze—kaut gan relatīvā kvantifikācija izlaiž kalibrācijas līknes, absolūtā kvantifikācija uz tām balstās. Jūs izveidojat zināma parauga sērijas atšķaidījumus, veicat qPCR, uzzīmējat Ct vērtības pret log(koncentrāciju) un izmantojat šo standarta līkni, lai noteiktu kopiju skaitu nezināmajos.

Vides testēšana

Regulatīvā atbilstība vides analīzē lielā mērā balstās uz kalibrācijas līknēm. Ūdens attīrīšanas iekārtas ikdienā testē nitrātus, fosfātus un smagos metālus—katrs mērījums izsekojams līdz EPA sertificētiem standartiem caur kalibrācijas līkni. Augsnes laboratorijas, kas analizē piesārņotas vietas, prasa kvantitatīvus datus rekultivācijas lēmumiem, ne tikai "jā/nē" detektēšanu. Gaisa kvalitātes monitoringa stacijas, kas mēra daļiņas un gāzes kā NO₂ vai SO₂, paļaujas uz nepārtrauktu kalibrāciju, lai nodrošinātu datu precizitāti sabiedrības veselības lēmumiem.

Farmaceitiskā rūpniecība

Farmācijā kalibrācijas līknes nav izvēles—tās ir regulatīvas prasības. Katrs partijas izlaides tests aktīvās sastāvdaļas saturam izmanto HPLC vai UV-Vis ar svaigi sagatavotām kalibrācijas līknēm. Izšķīšanas testēšana validē, cik ātri tabletes izdala zāles, ar laika punktu mērījumiem, kas uzzīmēti pret kalibrācijas standartiem. Stabilitātes pētījumi, kas seko zāļu noārdīšanai mēnešos vai gados, prasa konsekventu kalibrāciju, lai konstatētu subtilus izmaiņas. Bioanalītiskās laboratorijas, kas analizē klīnisko pētījumu paraugus, saskaras ar stingrākajām prasībām, bieži prasot R² > 0,99 un kvalitātes kontroles vairākos koncentrācijas līmeņos.

Pārtikas un dzērienu industrija

Pārtikas drošības testēšana paļaujas uz kalibrācijas līknēm, lai izpildītu regulatīvos ierobežojumus. Laboratorijas, kas testē pesticīdu atliekas, spēj noteikt savienojumus miljondaļās vai zemāk—precizitāte, kas prasa labi raksturotu kalibrāciju. Uztura marķēšana prasa precīzu vitamīnu, minerālu un makrouzturvielu kvantifikāciju. Garšas savienojumu, krāsvielu vai konservantu kvalitātes kontrole izmanto kalibrācijas līknes, lai nodrošinātu partijas pēc partijas konsekvenci un atbilstību pārtikas piedevu noteikumiem.

Kad lineārā kalibrācija nav pietiekama

Lineārā kalibrācija darbojas lieliski daudzām metodēm, bet ne visām. Šeit ir risinājumi, kad sastopat nelinearitāti:

Polinomiālā kalibrācija (kvadrātiska vai kubiska vienādojumi) risina izliektas attiecības. Jūs to sastapsiet imūnanalīzēs augstās koncentrācijās, kur antigēna-antivielas saistīšanās piesātinās, vai spektroskopiskās metodēs tuvu augšējai detektēšanas robežai. Mīnuss? Polinomiālās līknes var uzvesties neprognozējami kalibratora diapazona malās.

Logaritmiskā transformācija pārveido nelineārus datus lineārā formā. Šī pieeja ir īpaši noderīga situācijās, kur atbildes reakcija mainās vairākos lieluma pakāpēs - piemēram, devas-atbildes līknēs farmakoloģijā vai mikrobu augšanas testos. Transformācija padara datus lineārus, lai varētu pielietot standarta lineāro regresiju.

Svērtā lineārā regresija risina heteroscedasticitāti - sarežģītu terminu, kas nozīmē "dispersijas izmaiņas koncentrācijas diapazonā". Zemās koncentrācijās mērījumu kļūdas dominē; augstās koncentrācijās kļūdas ir proporcionāli mazākas. Svēršanas faktori kā 1/x vai 1/x² piešķir lielāku nozīmi datiem, kur tie ir ticamāki. Šī pieeja arvien biežāk tiek pieprasīta bioanalītiskās metodes validācijā.

Standarta pievienošanas metode darbojas, kad matricas efekti padara ārējo kalibrāciju neuzticamu. Tā vietā, lai izmantotu atsevišķus standartus, jūs pievienojat zināmas analīta daudzumu tieši paraugiem. Tas prasa vairāk laika, bet novērš matricas traucējumus - būtiski sarežģītos paraugos kā asinis, augsnes ekstrakti vai pārtikas matricas.

Iekšējā standarta kalibrācija kompensē zudumus paraugu sagatavošanas un ievadīšanas variabilitātē. Jūs pievienojat zināmu savienojumu (ķīmiski līdzīgu analītam, bet atšķiramu) visam - gan standartiem, gan paraugiem. Mērot attiecības, nevis absolūtās atbildes, jūs izslēdzat procedurālās variācijas. GC-MS un LC-MS metodes lielā mērā paļaujas uz šo pieeju precīzai kvantifikācijai.

Kalibrācijas metožu attīstība

Lai gan nezināmo salīdzināšana ar standartiem sniedzas līdz senajām svaru un mēru sistēmām, matemātiskais pamats, ko izmantojam šodien, parādījās 1805. gadā, kad Adrians Marī Ležandrs ieviesa mazāko kvadrātu metodi. Karls Frīdrihs Gauss vēlāk pilnveidoja šos konceptus, izveidojot statistisko ietvaru, kas ir pamatā mūsdienu lineārajai regresijai.

Kalibrācijas līknes kļuva par būtiskiem rīkiem ar instrumentālās analīzes uzplaukumu 20. gadsimta vidū. 1940.-50. gadi atnesa plaši izmantotu spektrofotometriju, kam sekoja hromatogrāfiskās tehnikas 1960.-70. gados. Katrs progress prasīja uzticamu kalibrāciju, lai pārvērstu instrumentu signālus jēgpilnās koncentrācijās.

Laboratoriju datorizācija 1970.-80. gados pārveidoja kalibrāciju no manuālas grafiku zīmēšanas uz automatizētiem aprēķiniem. Vēl svarīgāk, ka regulējošās iestādes kā FDA, EPA un ICH noteica formālās validācijas prasības. Mūsdienu analītiķiem ir jāparāda linearitāte, precizitāte, precizēšana un detektēšanas robežas — viss balstīts uz pareizu kalibrācijas līknes konstruēšanu.

Mūsdienu izaicinājumi virza kalibrācijas metodes tālāk. Ultra-zemu līmeņu analīze daļās no triljoniem prasa sarežģītas modeļus, kas ņem vērā matricas efektus un heteroskedasticitāti. Labā ziņa ir tā, ka statistiskās programmatūras un skaitļošanas jauda padara uzlabotu kalibrāciju pieejamu jebkurai laboratorijai, kas ir gatava ieguldīt laiku metodes izstrādē.

Koda piemēri

Šeit ir piemēri, kā realizēt kalibrācijas līknes aprēķinus dažādās programmēšanas valodās:

Excel

1' Excel VBA funkcija lineārai regresijai kalibrācijas līknē
2Function CalculateUnknownConcentration(response As Double, calibrationPoints As Range) As Double
3    Dim xValues As Range, yValues As Range
4    Dim slope As Double, intercept As Double
5    Dim i As Integer, n As Integer
6    
7    ' Iestatīt x un y vērtības
8    n = calibrationPoints.Rows.Count
9    Set xValues = calibrationPoints.Columns(1)
10    Set yValues = calibrationPoints.Columns(2)
11    
12    ' Aprēķināt slīpumu un šķērsgriezumu, izmantojot LINEST
13    slope = Application.WorksheetFunction.Slope(yValues, xValues)
14    intercept = Application.WorksheetFunction.Intercept(yValues, xValues)
15    
16    ' Aprēķināt nezināmo koncentrāciju
17    CalculateUnknownConcentration = (response - intercept) / slope
18End Function
19
20' Lietošana izklājlapā:
21' =CalculateUnknownConcentration(A1, B2:C8)
22' Kur A1 satur atsauksmes vērtību un B2:C8 satur koncentrācijas-atsauksmes pārus
23

Python

1import numpy as np
2from scipy import stats
3import matplotlib.pyplot as plt
4
5def create_calibration_curve(concentrations, responses):
6    """
7    Izveidot kalibrācijas līkni no zināmiem koncentrācijas-atsauksmes pāriem.
8    
9    Parametri:
10    concentrations (masīvam līdzīgs): Zināmās koncentrācijas vērtības
11    responses (masīvam līdzīgs): Atbilstošās atsauksmes vērtības
12    
13    Atgriež:
14    tuple: (slīpums, šķērsgriezums, r_kvadrāts, grafiks)
15    """
16    # Pārvērst ievadi numpy masīvos
17    x = np.array(concentrations)
18    y = np.array(responses)
19    
20    # Veikt lineāro regresiju
21    slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
22    r_squared = r_value ** 2
23    
24    # Izveidot paredzēšanas līniju
25    x_line = np.linspace(min(x) * 0.9, max(x) * 1.1, 100)
26    y_line = slope * x_line + intercept
27    
28    # Izveidot grafiku
29    plt.figure(figsize=(10, 6))
30    plt.scatter(x, y, color='red', label='Kalibrācijas punkti')
31    plt.plot(x_line, y_line, color='blue', label=f'y = {slope:.4f}x + {intercept:.4f}')
32    plt.xlabel('Koncentrācija')
33    plt.ylabel('Atsauksme')
34    plt.title('Kalibrācijas līkne')
35    plt.legend()
36    plt.grid(True, linestyle='--', alpha=0.7)
37    plt.text(min(x), max(y) * 0.9, f'R² = {r_squared:.4f}', fontsize=12)
38    
39    return slope, intercept, r_squared, plt
40
41def calculate_unknown_concentration(response, slope, intercept):
42    """
43    Aprēķināt nezināmo koncentrāciju no atsauksmes vērtības, izmantojot kalibrācijas parametrus.
44    
45    Parametri:
46    response (float): Izmērītā atsauksmes vērtība
47    slope (float): Slīpums no kalibrācijas līknes
48    intercept (float): Šķērsgriezums no kalibrācijas līknes
49    
50    Atgriež:
51    float: Aprēķinātā koncentrācija
52    """
53    return (response - intercept) / slope
54
55# Piemēra lietošana
56concentrations = [0, 1, 2, 5, 10, 20]
57responses = [0.1, 0.3, 0.5, 1.1, 2.0, 3.9]
58
59slope, intercept, r_squared, plot = create_calibration_curve(concentrations, responses)
60print(f"Kalibrācijas vienādojums: y = {slope:.4f}x + {intercept:.4f}")
61print(f"R² = {r_squared:.4f}")
62
63# Aprēķināt nezināmo koncentrāciju
64unknown_response = 1.5
65unknown_conc = calculate_unknown_concentration(unknown_response, slope, intercept)
66print(f"Nezināmā koncentrācija: {unknown_conc:.4f}")
67
68# Rādīt grafiku
69plot.show()
70

JavaScript

1/**
2 * Aprēķināt lineāro regresiju kalibrācijas līknei
3 * @param {Array} points - Masīvs ar [koncentrācijas, atsauksmes] pāriem
4 * @returns {Object} Regresijas parametri
5 */
6function calculateLinearRegression(points) {
7  // Izvilkt x un y vērtības
8  const x = points.map(point => point[0]);
9  const y = points.map(point => point[1]);
10  
11  // Aprēķināt vidējos
12  const n = points.length;
13  const meanX = x.reduce((sum, val) => sum + val, 0) / n;
14  const meanY = y.reduce((sum, val) => sum + val, 0) / n;
15  
16  // Aprēķināt slīpumu un šķērsgriezumu
17  let numerator = 0;
18  let denominator = 0;
19  
20  for (let i = 0; i < n; i++) {
21    numerator += (x[i] - meanX) * (y[i] - meanY);
22    denominator += Math.pow(x[i] - meanX, 2);
23  }
24  
25  const slope = numerator / denominator;
26  const intercept = meanY - slope * meanX;
27  
28  // Aprēķināt R-kvadrātu
29  const predictedY = x.map(xVal => slope * xVal + intercept);
30  const totalSS = y.reduce((sum, yVal) => sum + Math.pow(yVal - meanY, 2), 0);
31  const residualSS = y.reduce((sum, yVal, i) => sum + Math.pow(yVal - predictedY[i], 2), 0);
32  const rSquared = 1 - (residualSS / totalSS);
33  
34  return {
35    slope,
36    intercept,
37    rSquared,
38    equation: `y = ${slope.toFixed(4)}x + ${intercept.toFixed(4)}`,
39    calculateUnknown: (response) => (response - intercept) / slope
40  };
41}
42
43// Piemēra lietošana
44const calibrationPoints = [
45  [0, 0.1],
46  [1, 0.3],
47  [2, 0.5],
48  [5, 1.1],
49  [10, 2.0],
50  [20, 3.9]
51];
52
53const regression = calculateLinearRegression(calibrationPoints);
54console.log(regression.equation);
55console.log(`R² = ${regression.rSquared.toFixed(4)}`);
56
57// Aprēķināt nezināmo koncentrāciju
58const unknownResponse = 1.5;
59const unknownConcentration = regression.calculateUnknown(unknownResponse);
60console.log(`Nezināmā koncentrācija: ${unknownConcentration.toFixed(4)}`);
61

R

1# Funkcija kalibrācijas līknes izveidošanai un nezināmās koncentrācijas aprēķināšanai
2create_calibration_curve <- function(concentrations, responses, unknown_response = NULL) {
3  # Izveidot datu ietvaru
4  cal_data <- data.frame(
5    concentration = concentrations,
6    response = responses
7  )
8  
9  # Veikt lineāro regresiju
10  model <- lm(response ~ concentration, data = cal_data)
11  
12  # Izvilkt parametrus
13  slope <- coef(model)[2]
14  intercept <- coef(model)[1]
15  r_squared <- summary(model)$r.squared
16  
17  # Izveidot grafiku
18  plot <- ggplot2::ggplot(cal_data, ggplot2::aes(x = concentration, y = response)) +
19    ggplot2::geom_point(color = "red", size = 3) +
20    ggplot2::geom_smooth(method = "lm", formula = y ~ x, color = "blue", se = FALSE) +
21    ggplot2::labs(
22      title = "Kalibrācijas līkne",
23      x = "Koncentrācija",
24      y = "Atsauksme",
25      subtitle = sprintf("y = %.4fx + %.4f (R² = %.4f)", slope, intercept, r_squared)
26    ) +
27    ggplot2::theme_minimal()
28  
29  # Aprēķināt nezināmo koncentrāciju, ja tā ir norādīta
30  unknown_conc <- NULL
31  if (!is.null(unknown_response)) {
32    unknown_conc <- (unknown_response - intercept) / slope
33  }
34  
35  # Atgriezt rezultātus
36  return(list(
37    slope = slope,
38    intercept = intercept,
39    r_squared = r_squared,
40    equation = sprintf("y = %.4fx + %.4f", slope, intercept),
41    plot = plot,
42    unknown_concentration = unknown_conc
43  ))
44}
45
46# Piemēra lietošana
47concentrations <- c(0, 1, 2, 5, 10, 20)
48responses <- c(0.1, 0.3, 0.5, 1.1, 2.0, 3.9)
49
50# Izveidot kalibrācijas līkni
51result <- create_calibration_curve(concentrations, responses, unknown_response = 1.5)
52
53# Drukāt rezultātus
54cat("Kalibrācijas vienādojums:", result$equation, "\n")
55cat("R²:", result$r_squared, "\n")
56cat("Nezināmā koncentrācija:", result$unknown_concentration, "\n")
57
58# Rādīt grafiku
59print(result$plot)
60

Bieži uzdotie jautājumi

Kas ir kalibrācijas līkne un kā tā darbojas?

Kalibrācijas līkne ir jūsu tulkošanas atslēga starp to, ko jūsu instruments izmēra (absorbance, virsmas laukums, fluorescences intensitāte) un to, ko jūs īstenībā vēlaties zināt (koncentrācija). Jūs to izveidojat, izmērot vairākus standartus ar zināmām koncentrācijām, attēlojot rezultātus un iezīmējot līniju (vai līkni) caur šiem punktiem. Kad jūs esat izveidojuši šo attiecību, varat izmērīt nezināmu paraugu, paskatīties, kur tā atbilde atrodas līknē, un nolasīt tā koncentrāciju. Domājiet par to kā par mērīšanas lineāla izveidi īpaši jūsu instrumentam un analīzes metodei.

Cik kalibrācijas punktus man vajadzētu izmantot?

Sāciet ar vismaz 5-7 punktiem. Jā, matemātiski jums vajag tikai divus punktus, lai uzzīmētu līniju, bet tas neko nepasaka par to, vai attiecība ir patiešām lineāra. Ar 5-7 punktiem jūs varat pamanīt līkņainību, identificēt ārējos punktus un iegūt nozīmīgu statistiku par jūsu piemērošanas kvalitāti. Veicot klīnisko vai regulatīvo darbu? Pārbaudiet jūsu metodes prasības - dažas pieprasa specifiskus skaitļus. Vairāk punkti dod jums labāku statistisko pārliecību, bet pastāv praktiska robeža, kur jūs tikai palielināt paraugu sagatavošanas laiku bez būtiskas līknes uzlabošanas. Lielākā daļa laboratoriju atrod, ka 6-8 punkti ir optimālais līdzsvars starp precizitāti un efektivitāti.

[Turpinājums sekos līdzīgā stilā, pilnībā iztulkojot visu dokumentu]

Atsauces un papildu literatūra

Regulatīvās vadlīnijas un standarti

Starptautiskā saskaņošanas konference (ICH) Q2(R1) - Analītisko procedūru validācija: Teksts un metodika. Zelta standarts farmaceitisko metožu validācijai.
ASV Pārtikas un zāļu administrācija (FDA) - Bioanalītisko metožu validācijas vadlīnijas rūpniecībai. Definē pieņemamības kritērijus kalibrācijas līknēm zāļu izstrādē.
ASV Vides aizsardzības aģentūra (EPA) - Metodes un vadlīnijas vides testēšanas kalibrācijas prasībām.
Eurachem vadlīnija - Analītisko metožu piemērotība: Laboratorijas rokasgrāmata metožu validācijai un saistītām tēmām (2. izd., 2014).

Tehniskā dokumentācija

NIST Ķīmijas tīmekļa grāmata - Atsauces dati ķīmiskajiem savienojumiem un mērīšanas standartiem.
IUPAC Ieteikumi - Starptautiskās tīrās un lietišķās ķīmijas savienības standarti analītiskajai nomenklatūrai un praksēm.

Zinātniskā literatūra

Harris, D. C. (2015). Kvantitatīvā ķīmiskā analīze (9. izd.). W. H. Freeman and Company.
Skoog, D. A., Holler, F. J., & Crouch, S. R. (2017). Instrumentālās analīzes principi (7. izd.). Cengage Learning.
Miller, J. N., & Miller, J. C. (2018). Statistika un ķemometrija analītiskajai ķīmijai (7. izd.). Pearson Education Limited.
Almeida, A. M., Castel-Branco, M. M., & Falcão, A. C. (2002). Lineārās regresijas pārskatīšana kalibrācijas līknēm: svēršanas shēmas bioanalītiskajām metodēm. Hromatogrāfijas žurnāls B, 774(2), 215-222.
Currie, L. A. (1999). Noteikšanas un kvantifikācijas robežas: izcelsme un vēsturiskais pārskats. Analītiskā ķīmija Acta, 391(2), 127-134.

Šis kalibrācijas līknes kalkulators veic regresijas matemātiku, lai jūs varētu fokusēties uz savu analīzi. Ievadiet savus standartus, iegūstiet slīpuma un R² vērtības, un pārvērtiet instrumentu atbildes koncentrācijās. Vai jūs veicat vienu paraugu vai validējat visu metodi, uzticamai kalibrācijai ir izšķiroša nozīme precīzā kvantifikācijā.

Kalibrācijas līknes kalkulators | Lineārā regresija laboratorijas analīzēm

Vienkāršs Kalibrācijas Līknes Kalkulators

Ievadiet Kalibrācijas Datu Punktus