ਕਿਊਪੀਸੀਅਰ ਪ੍ਰਭਾਵਿਤਾ ਗਣਕ: ਮਿਆਰੀ ਵਕਰਾਂ ਅਤੇ ਵਾਧੇ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ

ਸੀਟੀ ਮੁੱਲਾਂ ਅਤੇ ਵਾਧੇ ਦੇ ਕਾਰਕਾਂ ਤੋਂ ਪੀਸੀਅਰ ਪ੍ਰਭਾਵਿਤਾ ਦੀ ਗਣਨਾ ਕਰੋ। ਮਿਆਰੀ ਵਕਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ, ਵਾਧੇ ਦੀ ਪ੍ਰਭਾਵਿਤਾ ਨਿਰਧਾਰਿਤ ਕਰੋ, ਅਤੇ ਆਪਣੇ ਮਾਤਰਕ ਪੀਸੀਅਰ ਪ੍ਰਯੋਗਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।

ਕਿਊਪੀਸੀਐਰ ਪ੍ਰਭਾਵਤਾ ਗਣਕ

ਇਨਪੁਟ ਪੈਰਾਮੀਟਰ

ਛੋਟਾਂ ਦੀ ਗਿਣਤੀ

ਛੋਟਾਂ ਦਾ ਕਾਰਕ

ਸੀਟੀ ਮੁੱਲ

ਛੋਟ 1

ਮੁੱਲ ਸਕਾਰਾਤਮਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ

ਛੋਟ 2

ਮੁੱਲ ਸਕਾਰਾਤਮਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ

ਛੋਟ 3

ਮੁੱਲ ਸਕਾਰਾਤਮਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ

ਛੋਟ 4

ਮੁੱਲ ਸਕਾਰਾਤਮਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ

ਛੋਟ 5

ਮੁੱਲ ਸਕਾਰਾਤਮਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ

ਨਤੀਜੇ

All Ct values must be positive

ਨਤੀਜੇ ਦੇਖਣ ਲਈ ਕਿਰਪਾ ਕਰਕੇ ਵੈਧ ਡਾਟਾ ਦਰਜ ਕਰੋ।

ਮਿਆਰੀ ਵਕਰ

ਚਾਰਟ ਬਣਾਉਣ ਲਈ ਵੈਧ ਡਾਟਾ ਦਰਜ ਕਰੋ

ਜਾਣਕਾਰੀ

ਕਿਊਪੀਸੀਐਰ ਪ੍ਰਭਾਵਤਾ ਇਹ ਮਾਪ ਹੈ ਕਿ ਪੀਸੀਆਰ ਪ੍ਰਤੀਕ੍ਰਿਆ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੀ ਹੈ। 100% ਦੀ ਪ੍ਰਭਾਵਤਾ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਪੀਸੀਆਰ ਉਤਪਾਦ ਦੀ ਮਾਤਰਾ ਹਰ ਚੱਕਰ ਵਿੱਚ ਦੁੱਗਣਾ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਕਿ ਵਧਦੀਆਂ ਚਰਨਾਂ ਵਿੱਚ।

ਪ੍ਰਭਾਵਤਾ ਮਿਆਰੀ ਵਕਰ ਦੇ ਢਲਾਨ ਤੋਂ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜੋ ਕਿ Ct ਮੁੱਲਾਂ ਨੂੰ ਸ਼ੁਰੂਆਤੀ ਟੈਂਪਲੇਟ ਸੰਕੋਚਨ (ਛੋਟਾਂ ਦੀ ਸੀਰੀਜ਼) ਦੇ ਲੌਗਾਰਿਦਮ ਦੇ ਖਿਲਾਫ ਪਲਾਟ ਕਰਨ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਪ੍ਰਭਾਵਤਾ (E) ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੀ ਫਾਰਮੂਲੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:

E = 10^(-1/slope) - 1

📚

ਦਸਤਾਵੇਜ਼ੀਕਰਣ

qPCR Efficiency Calculator: ਆਪਣੇ ਮਾਤਰਕ PCR ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰੋ

qPCR Efficiency ਦਾ ਪਰਿਚਯ

ਮਾਤਰਕ ਪੋਲੀਮੇਰੇਜ਼ ਚੇਨ ਰਿਐਕਸ਼ਨ (qPCR) ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪੈਰਾਮੀਟਰ ਹੈ ਜੋ ਤੁਹਾਡੇ qPCR ਪ੍ਰਯੋਗਾਂ ਦੀ ਸਹੀਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ 'ਤੇ ਸਿੱਧਾ ਪ੍ਰਭਾਵ ਪਾਂਦਾ ਹੈ। qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਕੈਲਕੂਲੇਟਰ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਦੇ PCR ਰਿਐਕਸ਼ਨ ਹਰ ਥਰਮਲ ਚੱਕਰ ਨਾਲ ਟਾਰਗਟ DNA ਅਨੁਕੂਲਤਾ ਨੂੰ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਵਧਾ ਰਹੇ ਹਨ। ਆਦਰਸ਼ qPCR ਰਿਐਕਸ਼ਨਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ 90-110% ਦੇ ਵਿਚਕਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਜਿਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ PCR ਉਤਪਾਦ ਦੀ ਮਾਤਰਾ ਹਰ ਚੱਕਰ ਵਿੱਚ ਲਗਭਗ ਦੁਗਣੀ ਹੋ ਜਾਂਦੀ ਹੈ।

ਗਲਤ ਅਨੁਕੂਲਤਾ ਕਾਰਗੁਜ਼ਾਰੀ ਗਲਤ ਮਾਤਰਕ, ਭਰੋਸੇਯੋਗ ਨਤੀਜੇ, ਅਤੇ ਖਰਾਬ ਪ੍ਰਯੋਗਾਤਮਕ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ। ਆਪਣੇ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਅਤੇ ਨਿਗਰਾਨੀ ਕਰਨ ਦੁਆਰਾ, ਤੁਸੀਂ ਰਿਐਕਸ਼ਨ ਦੀਆਂ ਹਾਲਤਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰ ਸਕਦੇ ਹੋ, ਪ੍ਰਾਈਮਰ ਡਿਜ਼ਾਈਨ ਨੂੰ ਵੈਧ ਕਰ ਸਕਦੇ ਹੋ, ਅਤੇ ਆਪਣੇ ਮਾਤਰਕ PCR ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾ ਸਕਦੇ ਹੋ।

ਇਹ ਕੈਲਕੂਲੇਟਰ ਸਟੈਂਡਰਡ ਕਰਵ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜੋ ਚੱਕਰ ਥਰਸ਼ੋਲਡ (Ct) ਮੁੱਲਾਂ ਨੂੰ ਟੈਂਪਲੇਟ ਸੰਕਲਨ (ਸਿਰਲ ਡਿਲਿਊਸ਼ਨ ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ) ਦੇ ਲਾਗਰਿਦਮ ਦੇ ਖਿਲਾਫ ਪਲੱਟ ਕਰਦਾ ਹੈ, ਤੁਹਾਡੇ qPCR ਅਸਾਇ ਨੂੰ ਮਾਪਣ ਲਈ ਕਾਰਗੁਜ਼ਾਰੀ ਨਿਰਧਾਰਿਤ ਕਰਨ ਲਈ। ਇਸ ਸਟੈਂਡਰਡ ਕਰਵ ਦਾ ਨਤੀਜਾ ਸਲੋਪ ਫਿਰ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਇੱਕ ਸਿੱਧੀ ਗਣਿਤੀ ਫਾਰਮੂਲਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਫਾਰਮੂਲਾ ਅਤੇ ਗਣਨਾ

qPCR ਰਿਐਕਸ਼ਨ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਸਟੈਂਡਰਡ ਕਰਵ ਦੇ ਸਲੋਪ ਤੋਂ ਹਿਸਾਬ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਸਦਾ ਫਾਰਮੂਲਾ ਹੈ:

$E = 10^{(-1/slope)} - 1$

ਜਿੱਥੇ:

E ਕਾਰਗੁਜ਼ਾਰੀ ਹੈ (ਦਸ਼ਮਲਵ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ)
ਸਲੋਪ ਸਟੈਂਡਰਡ ਕਰਵ ਦਾ ਸਲੋਪ ਹੈ (Ct ਮੁੱਲਾਂ ਨੂੰ ਲੋਗ ਡਿਲਿਊਸ਼ਨ ਦੇ ਖਿਲਾਫ ਪਲੱਟ ਕਰਨਾ)

ਇੱਕ ਆਦਰਸ਼ PCR ਰਿਐਕਸ਼ਨ ਜਿਸਦੀ ਕਾਰਗੁਜ਼ਾਰੀ 100% ਹੈ (ਹਰ ਚੱਕਰ ਨਾਲ ਅੰਪਲਿਕਾਨਾਂ ਦਾ ਪੂਰਨ ਦੁਗਣਾ), ਸਲੋਪ -3.32 ਹੋਵੇਗਾ। ਇਹ ਇਸ ਲਈ ਹੈ:

$10^{(-1/-3.32)} - 1 = 10^{0.301} - 1 = 2 - 1 = 1.0 \text{ (ਜਾਂ 100%)}$

ਕਾਰਗੁਜ਼ਾਰੀ ਪ੍ਰਤੀਸ਼ਤ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਦਸ਼ਮਲਵ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ 100 ਨਾਲ ਗੁਣਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ:

$\text{ਕਾਰਗੁਜ਼ਾਰੀ (%)} = E \times 100\%$

ਸਟੈਂਡਰਡ ਕਰਵ ਨੂੰ ਸਮਝਣਾ

ਸਟੈਂਡਰਡ ਕਰਵ Ct ਮੁੱਲਾਂ (y-ਅਕਸ਼) ਨੂੰ ਪ੍ਰਾਰੰਭਿਕ ਟੈਂਪਲੇਟ ਸੰਕਲਨ ਜਾਂ ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ ਦੇ ਲੋਗਾਰਿਦਮ (x-ਅਕਸ਼) ਦੇ ਖਿਲਾਫ ਪਲੱਟ ਕਰਕੇ ਬਣਾਈ ਜਾਂਦੀ ਹੈ। ਇਹਨਾਂ ਚਰਤਰਾਂ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧ ਰੇਖੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਇਸ ਰੇਖੀ ਸੰਬੰਧ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕਰਨ ਲਈ ਨਿਰਧਾਰਿਤਤਾ ਦੇ ਗੁਣਾਂਕ (R²) ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਭਰੋਸੇਯੋਗ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ:

R² ਮੁੱਲ ≥ 0.98 ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ
ਸਲੋਪ ਆਮ ਤੌਰ 'ਤੇ -3.1 ਅਤੇ -3.6 ਦੇ ਵਿਚਕਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ
ਸਟੈਂਡਰਡ ਕਰਵ ਬਣਾਉਣ ਲਈ ਘੱਟੋ-ਘੱਟ 3-5 ਡਿਲਿਊਸ਼ਨ ਪੋਇੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ

ਕਦਮ-ਦਰ-ਕਦਮ ਗਣਨਾ ਪ੍ਰਕਿਰਿਆ

ਡੇਟਾ ਤਿਆਰੀ: ਕੈਲਕੂਲੇਟਰ ਤੁਹਾਡੇ Ct ਮੁੱਲਾਂ ਨੂੰ ਹਰ ਡਿਲਿਊਸ਼ਨ ਪੁਆਇੰਟ ਲਈ ਅਤੇ ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ ਨੂੰ ਇਨਪੁਟ ਵਜੋਂ ਲੈਂਦਾ ਹੈ।
ਲੋਗ ਪਰਿਵਰਤਨ: ਡਿਲਿਊਸ਼ਨ ਸੀਰੀਜ਼ ਨੂੰ ਲੋਗਾਰਿਦਮਿਕ ਪੱਧਰ 'ਤੇ ਪਰਿਵਰਤਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ (ਲੋਗ ਬੇਸ 10)।
ਰੇਖੀ ਰਿਗ੍ਰੈਸ਼ਨ: ਕੈਲਕੂਲੇਟਰ ਲੋਗ-ਪਰਿਵਰਤਿਤ ਡੇਟਾ 'ਤੇ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਸਲੋਪ, y-ਇੰਟਰਸੈਪਟ, ਅਤੇ R² ਮੁੱਲ ਨਿਰਧਾਰਿਤ ਕੀਤੇ ਜਾ ਸਕਣ।
ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ: ਸਲੋਪ ਮੁੱਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਫਾਰਮੂਲਾ E = 10^(-1/slope) - 1 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ: ਕੈਲਕੂਲੇਟਰ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪ੍ਰਤੀਸ਼ਤ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਉਂਦਾ ਹੈ, ਨਾਲ ਹੀ ਸਲੋਪ ਅਤੇ R² ਮੁੱਲ ਤੁਹਾਨੂੰ ਆਪਣੇ qPCR ਅਸਾਇ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ।

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਕੈਲਕੂਲੇਟਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਤਰੀਕਾ

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਇਹਨਾਂ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ:

ਡਿਲਿਊਸ਼ਨ ਦੀ ਸੰਖਿਆ ਸੈਟ ਕਰੋ: ਚੁਣੋ ਕਿ ਤੁਹਾਡੇ ਸਟੈਂਡਰਡ ਕਰਵ ਵਿੱਚ ਕਿੰਨੇ ਡਿਲਿਊਸ਼ਨ ਪੁਆਇੰਟ ਹਨ (3-7 ਪੁਆਇੰਟਾਂ ਦੀ ਸਿਫਾਰਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ)।
ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ ਦਰਜ ਕਰੋ: ਲਗਾਤਾਰ ਨਮੂਨਿਆਂ ਦੇ ਵਿਚਕਾਰ ਵਰਤੇ ਗਏ ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ ਨੂੰ ਦਰਜ ਕਰੋ (ਜਿਵੇਂ 10 ਇੱਕ 10-ਗੁਣਾ ਡਿਲਿਊਸ਼ਨ ਸੀਰੀਜ਼ ਲਈ, 5 ਇੱਕ 5-ਗੁਣਾ ਡਿਲਿਊਸ਼ਨ ਸੀਰੀਜ਼ ਲਈ)।
Ct ਮੁੱਲ ਦਰਜ ਕਰੋ: ਹਰ ਡਿਲਿਊਸ਼ਨ ਪੁਆਇੰਟ ਲਈ Ct ਮੁੱਲ ਦਰਜ ਕਰੋ। ਆਮ ਤੌਰ 'ਤੇ, ਪਹਿਲਾ ਡਿਲਿਊਸ਼ਨ (ਡਿਲਿਊਸ਼ਨ 1) ਵਿੱਚ ਟੈਂਪਲੇਟ ਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਸੰਕਲਨ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਸਭ ਤੋਂ ਘੱਟ Ct ਮੁੱਲ ਹੁੰਦਾ ਹੈ।
ਨਤੀਜੇ ਵੇਖੋ: ਕੈਲਕੂਲੇਟਰ ਆਪਣੇ ਆਪ ਹੀ ਗਣਨਾ ਕਰੇਗਾ ਅਤੇ ਦਿਖਾਏਗਾ:
- PCR ਕਾਰਗੁਜ਼ਾਰੀ (%)
- ਸਟੈਂਡਰਡ ਕਰਵ ਦਾ ਸਲੋਪ
- y-ਇੰਟਰਸੈਪਟ
- R² ਮੁੱਲ (ਨਿਰਧਾਰਿਤਤਾ ਦਾ ਗੁਣਾਂਕ)
- ਸਟੈਂਡਰਡ ਕਰਵ ਦੀ ਵਿਜ਼ੂਅਲ ਪ੍ਰਤੀਨਿਧੀ
ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ: ਅਨੁਮਾਨ ਲਗਾਓ ਕਿ ਤੁਹਾਡੀ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਸਵੀਕਾਰਯੋਗ ਰੇਂਜ (90-110%) ਵਿੱਚ ਹੈ ਅਤੇ ਕੀ R² ਮੁੱਲ ਭਰੋਸੇਯੋਗ ਸਟੈਂਡਰਡ ਕਰਵ (≥ 0.98) ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਨਤੀਜੇ ਕਾਪੀ ਕਰੋ: ਆਪਣੇ ਰਿਕਾਰਡ ਜਾਂ ਪ੍ਰਕਾਸ਼ਨਾਂ ਲਈ ਸਾਰੇ ਗਣਨਾ ਕੀਤੇ ਮੁੱਲਾਂ ਨੂੰ ਕਾਪੀ ਕਰਨ ਲਈ "Copy Results" ਬਟਨ ਦੀ ਵਰਤੋਂ ਕਰੋ।

ਉਦਾਹਰਨ ਗਣਨਾ

ਆਓ ਇੱਕ ਉਦਾਹਰਨ ਦੇ ਰਾਹੀਂ ਚੱਲੀਏ:

ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ: 10 (10-ਗੁਣਾ ਸਿਰਲ ਡਿਲਿਊਸ਼ਨ)
ਡਿਲਿਊਸ਼ਨ ਦੀ ਸੰਖਿਆ: 5
Ct ਮੁੱਲ:
- ਡਿਲਿਊਸ਼ਨ 1 (ਸਭ ਤੋਂ ਵੱਡੀ ਸੰਕਲਨ): 15.0
- ਡਿਲਿਊਸ਼ਨ 2: 18.5
- ਡਿਲਿਊਸ਼ਨ 3: 22.0
- ਡਿਲਿਊਸ਼ਨ 4: 25.5
- ਡਿਲਿਊਸ਼ਨ 5 (ਸਭ ਤੋਂ ਘੱਟ ਸੰਕਲਨ): 29.0

ਜਦੋਂ ਇਹਨਾਂ ਨੂੰ ਸਟੈਂਡਰਡ ਕਰਵ 'ਤੇ ਪਲੱਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ:

x-ਅਕਸ਼ ਲੋਗ (ਡਿਲਿਊਸ਼ਨ): 0, 1, 2, 3, 4
y-ਅਕਸ਼ Ct ਮੁੱਲ: 15.0, 18.5, 22.0, 25.5, 29.0

ਕੈਲਕੂਲੇਟਰ ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਕਰੇਗਾ ਅਤੇ ਨਿਰਧਾਰਿਤ ਕਰੇਗਾ:

ਸਲੋਪ: -3.5
y-ਇੰਟਰਸੈਪਟ: 15.0
R²: 1.0 (ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ ਪੂਰਨ ਰੇਖੀ ਸੰਬੰਧ)

ਕਾਰਗੁਜ਼ਾਰੀ ਫਾਰਮੂਲੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ: $E = 10^{(-1/-3.5)} - 1 = 10^{0.286} - 1 = 0.93 \text{ ਜਾਂ } 93\%$

ਇਹ 93% ਦੀ ਚੰਗੀ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦਰਸਾਉਂਦੀ ਹੈ, ਜੋ ਸਵੀਕਾਰਯੋਗ ਰੇਂਜ (90-110%) ਵਿੱਚ ਹੈ।

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਵਰਤੋਂ ਦੇ ਕੇਸ

1. ਪ੍ਰਾਈਮਰ ਵੈਧਤਾ ਅਤੇ ਅਨੁਕੂਲਤਾ

ਕਿਸੇ ਨਵੇਂ ਪ੍ਰਾਈਮਰ ਜੋੜੇ ਨੂੰ ਮਾਤਰਕ ਪ੍ਰਯੋਗਾਂ ਲਈ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਸ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਵੈਧਤਾ ਕਰਨਾ ਜਰੂਰੀ ਹੈ। qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਮਦਦ ਕਰਦੀ ਹੈ:

ਪ੍ਰਾਈਮਰ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ
ਪ੍ਰਾਈਮਰ ਸੰਕੇਤਾਂ ਦੀ ਸੰਕਲਨ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਨਾ
ਉੱਤਮ ਐਨੀਲਿੰਗ ਤਾਪਮਾਨ ਦਾ ਨਿਰਧਾਰਨ ਕਰਨਾ
ਵੱਖ-ਵੱਖ ਟੈਂਪਲੇਟ ਸੰਕਲਨਾਂ ਦੇ ਖਿਲਾਫ ਪ੍ਰਾਈਮਰ ਜੋੜਿਆਂ ਦੀ ਵੈਧਤਾ ਕਰਨਾ

2. ਅਸਾਇ ਵਿਕਾਸ ਅਤੇ ਵੈਧਤਾ

ਨਵੀਂ qPCR ਅਸਾਇ ਵਿਕਾਸ ਕਰਦਿਆਂ, ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ:

ਭਰੋਸੇਯੋਗ ਮਾਤਰਕਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ
ਪਛਾਣ ਦੀ ਨੀਚਲੀ ਸੀਮਾ ਦੀ ਵੈਧਤਾ
ਅਸਾਇ ਦੁਹਰਾਵਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ
ਵੱਖ-ਵੱਖ ਪਛਾਣ ਰਸਾਇਣਾਂ (SYBR ਹਰਾ ਵਿਰੁੱਧ TaqMan ਪ੍ਰੋਬ) ਦੀ ਤੁਲਨਾ ਕਰਨਾ

3. ਜ਼ੀਨ ਪ੍ਰਗਟਾਵਾ ਅਧਿਐਨ

ਸੰਬੰਧਿਤ ਮਾਤਰਕਤਾ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ, PCR ਕਾਰਗੁਜ਼ਾਰੀ ਜਾਣਨਾ ਜਰੂਰੀ ਹੈ:

ਯੋਗ ਮਾਤਰਕਤਾ ਮਾਡਲਾਂ (ΔΔCt ਵਿਰੁੱਧ ਕਾਰਗੁਜ਼ਾਰੀ-ਸਹੀ ਮਾਡਲਾਂ) ਦੀ ਲਾਗੂ ਕਰਨ ਲਈ
ਟਾਰਗਟ ਜ਼ੀਨਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਕਾਰਗੁਜ਼ਾਰੀ ਦੇ ਖਿਲਾਫ ਨਾਰਮਲਾਈਜ਼ ਕਰਨ ਲਈ
ਸਹੀ ਫੋਲਡ-ਚੇਂਜ ਦੀ ਗਣਨਾ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ
ਵੱਖ-ਵੱਖ ਪ੍ਰਯੋਗਾਤਮਕ ਹਾਲਤਾਂ ਵਿੱਚ ਨਤੀਜਿਆਂ ਦੀ ਵੈਧਤਾ ਕਰਨਾ

4. ਨਿਦਾਨ ਅਤੇ ਕਲੀਨੀਕੀ ਐਪਲੀਕੇਸ਼ਨ

ਕਲੀਨੀਕੀ ਅਤੇ ਨਿਦਾਨਾਤਮਕ ਸੈਟਿੰਗਾਂ ਵਿੱਚ, qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਨਿਮਨਲਿਖਿਤ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ:

ਨਿਦਾਨ ਅਸਾਇਆਂ ਦੀ ਵੈਧਤਾ ਕਰਨਾ
ਵੱਖ-ਵੱਖ ਨਮੂਨਾ ਕਿਸਮਾਂ ਵਿੱਚ ਸਥਿਰ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ
ਅਸਾਇ ਵੈਧਤਾ ਲਈ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ
ਰੁਟੀਨ ਟੈਸਟਿੰਗ ਵਿੱਚ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ

5. ਵਾਤਾਵਰਣ ਅਤੇ ਖਾਦ ਟੈਸਟਿੰਗ

ਵਾਤਾਵਰਣ ਅਤੇ ਖਾਦ ਸੁਰੱਖਿਆ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ, ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਮਦਦ ਕਰਦੀ ਹੈ:

ਪੈਥੋਜਨ ਜਾਂ GMO ਲਈ ਪਛਾਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਵੈਧਤਾ
ਜਟਿਲ ਨਮੂਨਾ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਸਥਿਰ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ
ਚੁਣੌਤੀਪੂਰਨ ਨਮੂਨਿਆਂ ਵਿੱਚ ਪਛਾਣ ਦੀ ਸੀਮਾ ਦਾ ਨਿਰਧਾਰਨ
ਟੈਸਟਿੰਗ ਮਿਆਰਾਂ ਅਤੇ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ

ਸਟੈਂਡਰਡ ਕਰਵ ਵਿਧੀ ਦੇ ਵਿਕਲਪ

ਜਦੋਂ ਕਿ ਸਟੈਂਡਰਡ ਕਰਵ ਵਿਧੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਸਭ ਤੋਂ ਆਮ ਪਹੁੰਚ ਹੈ, ਕੁਝ ਵਿਕਲਪ ਹਨ:

1. ਸਿੰਗਲ ਅੰਪਲਿਕਾਨ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣ

ਇਹ ਵਿਧੀ ਇੱਕ ਸਿੰਗਲ ਅੰਪਲਿਕਾਨ ਕੁਰਵ ਦੇ ਫਲੋਰਸੈਂਸ ਡੇਟਾ ਤੋਂ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਕਰਦੀ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਡਿਲਿਊਸ਼ਨ ਸੀਰੀਜ਼ ਦੀ ਲੋੜ। ਲਿਨਰੇਗPCR ਵਰਗਾ ਸਾਫਟਵੇਅਰ ਵਿਅਕਤੀਗਤ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਵਾਪਰਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਨਿਰਧਾਰਨ ਕੀਤਾ ਜਾ ਸਕੇ।

ਫਾਇਦੇ:

ਡਿਲਿਊਸ਼ਨ ਸੀਰੀਜ਼ ਦੀ ਲੋੜ ਨਹੀਂ
ਹਰ ਇਕ ਵਿਅਕਤੀਗਤ ਪ੍ਰਤੀਕਿਰਿਆ ਲਈ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦਾ ਹੈ
ਜਦੋਂ ਨਮੂਨਾ ਸਮੱਗਰੀ ਸੀਮਿਤ ਹੋਵੇ ਤਾਂ ਉਪਯੋਗੀ

ਨੁਕਸਾਨ:

ਸਟੈਂਡਰਡ ਕਰਵ ਵਿਧੀ ਨਾਲੋਂ ਘੱਟ ਸਹੀ ਹੋ ਸਕਦਾ ਹੈ
ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਵਿਸ਼ੇਸ਼ ਸਾਫਟਵੇਅਰ ਦੀ ਲੋੜ
ਪਿਛਲੇ ਫਲੋਰਸੈਂਸ ਮੁੱਦਿਆਂ ਲਈ ਵੱਧ ਸੰਵੇਦਨਸ਼ੀਲ

2. ਡਿਜੀਟਲ PCR ਨਾਲ ਅਬਸੋਲਿਊਟ ਮਾਤਰਕਤਾ

ਡਿਜੀਟਲ PCR (dPCR) ਬਿਨਾਂ ਕਿਸੇ ਸਟੈਂਡਰਡ ਕਰਵ ਜਾਂ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਦੇ ਅਬਸੋਲਿਊਟ ਮਾਤਰਕਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਫਾਇਦੇ:

ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਦੀ ਲੋੜ ਨਹੀਂ
ਘੱਟ-ਮਾਤਰਾ ਦੇ ਟਾਰਗਟਾਂ ਲਈ ਵਧੀਆ ਸਹੀਤਾ
ਰੋਕਾਅਵਾਂ ਤੋਂ ਘੱਟ ਪ੍ਰਭਾਵਿਤ

ਨੁਕਸਾਨ:

ਵਿਸ਼ੇਸ਼ ਉਪਕਰਨ ਦੀ ਲੋੜ
ਪ੍ਰਤੀ ਨਮੂਨਾ ਲਾਗਤ ਵੱਧ
qPCR ਦੇ ਮੁਕਾਬਲੇ ਸੀਮਿਤ ਗਤੀਸ਼ੀਲ ਰੇਂਜ

3. ਤੁਲਨਾਤਮਕ ਮਾਤਰਕਤਾ ਵਿਧੀਆਂ

ਕੁਝ qPCR ਵਿਸ਼ਲੇਸ਼ਣ ਸਾਫਟਵੇਅਰ ਤੁਲਨਾਤਮਕ ਮਾਤਰਕਤਾ ਵਿਧੀਆਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ ਜੋ ਪੂਰੀ ਸਟੈਂਡਰਡ ਕਰਵ ਦੇ ਬਿਨਾਂ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ।

ਫਾਇਦੇ:

ਪੂਰੀ ਸਟੈਂਡਰਡ ਕਰਵ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਘੱਟ ਨਮੂਨੇ ਦੀ ਲੋੜ
ਪ੍ਰਯੋਗਾਤਮਕ ਨਮੂਨਿਆਂ ਦੇ ਨਾਲ ਨਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ
ਰੁਟੀਨ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਉਪਯੋਗੀ

ਨੁਕਸਾਨ:

ਪੂਰੀ ਸਟੈਂਡਰਡ ਕਰਵ ਨਾਲੋਂ ਘੱਟ ਸਹੀ ਹੋ ਸਕਦਾ ਹੈ
ਲੀਨੀਅਰ ਗਤੀਸ਼ੀਲ ਰੇਂਜ ਦੀ ਵੈਧਤਾ ਦੀ ਸੀਮਿਤਤਾ
ਰੋਕਾਅਵਾਂ ਦੇ ਮੁੱਦਿਆਂ ਦਾ ਪਤਾ ਨਹੀਂ ਲਗਾ ਸਕਦਾ

qPCR ਅਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਦਾ ਇਤਿਹਾਸ

qPCR ਅਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਦਾ ਵਿਕਾਸ ਪਿਛਲੇ ਕੁਝ ਦਹਾਕਿਆਂ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਹੋਇਆ ਹੈ:

ਪਹਿਲਾ ਵਿਕਾਸ (1980 ਦੇ ਦਹਾਕੇ-1990 ਦੇ ਦਹਾਕੇ)

ਪੋਲੀਮੇਰੇਜ਼ ਚੇਨ ਰਿਐਕਸ਼ਨ (PCR) 1983 ਵਿੱਚ ਕਾਰੀਆਂ ਮੱਲਿਸ ਦੁਆਰਾ ਖੋਜਿਆ ਗਿਆ, ਜਿਸਨੇ ਮੋਲੈਕੁਲਰ ਬਾਇਓਲੋਜੀ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆਈ। ਹਾਲਾਂਕਿ, ਪਰੰਪਰਾਗਤ PCR ਸਿਰਫ ਗੁਣਾਤਮਕ ਜਾਂ ਅੱਧ-ਗੁਣਾਤਮਕ ਸੀ। ਪਹਿਲਾ ਰੀਅਲ-ਟਾਈਮ PCR ਸਿਸਟਮ 1990 ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਰਸਲ ਹਿਗੁਚੀ ਅਤੇ ਉਸਦੇ ਸਾਥੀਆਂ ਦੁਆਰਾ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ, ਜਿਸਨੇ ਇਹ ਦਰਸ਼ਾਇਆ ਕਿ PCR ਉਤਪਾਦਾਂ ਨੂੰ ਜਦੋਂ ਉਹ ਵਧਦੇ ਹਨ (ਐਥਿਡਿਅਮ ਬ੍ਰੋਮਾਈਡ ਫਲੋਰਸੈਂਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ) ਮਾਤਰਕ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ।

qPCR ਮਿਆਰਾਂ ਦੀ ਸਥਾਪਨਾ (1990 ਦੇ ਦਹਾਕੇ-2000 ਦੇ ਦਹਾਕੇ)

ਜਿਵੇਂ qPCR ਤਕਨਾਲੋਜੀ ਅੱਗੇ ਵਧੀ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਮਿਆਰੀकरण ਅਤੇ ਵੈਧਤਾ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਸਮਝਿਆ। PCR ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਸੰਕਲਪ ਭਰੋਸੇਯੋਗ ਮਾਤਰਕਤਾ ਲਈ ਕੇਂਦਰੀ ਬਣ ਗਿਆ:

1998 ਵਿੱਚ, ਪਫਾਫਲ ਨੇ ਕਾਰਗੁਜ਼ਾਰੀ-ਸਹੀ ਮਾਤਰਕਤਾ ਮਾਡਲਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ
ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਸਟੈਂਡਰਡ ਕਰਵ ਵਿਧੀ ਵਿਸ਼ੇਸ਼ ਰੂਪ ਵਿੱਚ ਅਪਣਾਈ ਗਈ
ਸੁਧਰੇ ਹੋਏ ਪਛਾਣ ਰਸਾਇਣਾਂ ਦੇ ਨਾਲ ਵਪਾਰਕ qPCR ਸਿਸਟਮ ਉਭਰੇ

ਆਧੁਨਿਕ ਵਿਕਾਸ (2000 ਦੇ ਦਹਾਕੇ-ਵਰਤਮਾਨ)

ਇਸ ਖੇਤਰ ਨੇ ਅੱਗੇ ਵਧਣ ਨਾਲ ਜਾਰੀ ਰੱਖਿਆ:

2009 ਵਿੱਚ MIQE ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪ੍ਰਕਾਸ਼ਨਾ, ਜੋ ਮਾਤਰਕ ਰੀਅਲ-ਟਾਈਮ PCR ਪ੍ਰਯੋਗਾਂ ਦੀ ਪ੍ਰਕਾਸ਼ਨਾ ਲਈ ਘੱਟੋ-ਘੱਟ ਜਾਣਕਾਰੀ ਨੂੰ ਜ਼ੋਰ ਦਿੰਦੀ ਹੈ
ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਵਿਸ਼ਲੇਸ਼ਣ ਸਾਫਟਵੇਅਰ ਦਾ ਵਿਕਾਸ
qPCR ਉਪਕਰਨਾਂ ਅਤੇ ਸਾਫਟਵੇਅਰ ਵਿੱਚ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ
ਡਿਜੀਟਲ PCR ਦੇ ਤੌਰ 'ਤੇ ਇੱਕ ਪੂਰਕ ਤਕਨਾਲੋਜੀ ਦੇ ਤੌਰ 'ਤੇ ਉਭਰਨਾ

ਅੱਜ, qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਅਤੇ ਰਿਪੋਰਟਿੰਗ ਨੂੰ ਭਰੋਸੇਯੋਗ qPCR ਡੇਟਾ ਪ੍ਰਕਾਸ਼ਨ ਲਈ ਜਰੂਰੀ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਸ ਕੈਲਕੂਲੇਟਰ ਵਰਗੇ ਟੂਲ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਖੇਤਰ ਵਿੱਚ ਚੰਗੀਆਂ ਪ੍ਰਥਾਵਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਕੋਡ ਉਦਾਹਰਨਾਂ

Excel

1' Excel ਫਾਰਮੂਲਾ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਸਲੋਪ ਤੋਂ
2' ਜੇ ਸਲੋਪ ਕੋਸ਼ਿਕਾ A2 ਵਿੱਚ ਹੈ ਤਾਂ ਕੋਸ਼ਿਕਾ B2 ਵਿੱਚ ਰੱਖੋ
3=10^(-1/A2)-1
4
5' Excel ਫਾਰਮੂਲਾ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪ੍ਰਤੀਸ਼ਤ ਵਿੱਚ ਬਦਲਣ ਲਈ
6' ਜੇ ਕਾਰਗੁਜ਼ਾਰੀ ਦਸ਼ਮਲਵ B2 ਵਿੱਚ ਹੈ ਤਾਂ ਕੋਸ਼ਿਕਾ C2 ਵਿੱਚ ਰੱਖੋ
7=B2*100
8
9' Ct ਮੁੱਲਾਂ ਅਤੇ ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ ਤੋਂ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨ
10Function qPCR_Efficiency(CtValues As Range, DilutionFactor As Double) As Double
11    Dim i As Integer
12    Dim n As Integer
13    Dim sumX As Double, sumY As Double, sumXY As Double, sumXX As Double
14    Dim logDilution As Double, slope As Double
15    
16    n = CtValues.Count
17    
18    ' ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਦੀ ਗਣਨਾ
19    For i = 1 To n
20        logDilution = (i - 1) * WorksheetFunction.Log10(DilutionFactor)
21        sumX = sumX + logDilution
22        sumY = sumY + CtValues(i)
23        sumXY = sumXY + (logDilution * CtValues(i))
24        sumXX = sumXX + (logDilution * logDilution)
25    Next i
26    
27    ' ਸਲੋਪ ਦੀ ਗਣਨਾ
28    slope = (n * sumXY - sumX * sumY) / (n * sumXX - sumX * sumX)
29    
30    ' ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ
31    qPCR_Efficiency = (10 ^ (-1 / slope) - 1) * 100
32End Function
33

R

1# R ਫੰਕਸ਼ਨ Ct ਮੁੱਲਾਂ ਅਤੇ ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ ਤੋਂ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ
2calculate_qpcr_efficiency <- function(ct_values, dilution_factor) {
3  # ਲੋਗ ਡਿਲਿਊਸ਼ਨ ਮੁੱਲ ਬਣਾਓ
4  log_dilutions <- log10(dilution_factor) * seq(0, length(ct_values) - 1)
5  
6  # ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਕਰੋ
7  model <- lm(ct_values ~ log_dilutions)
8  
9  # ਸਲੋਪ ਅਤੇ R-ਚਤੁਰਥਕ ਨਿਕਾਲੋ
10  slope <- coef(model)[2]
11  r_squared <- summary(model)$r.squared
12  
13  # ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ
14  efficiency <- (10^(-1/slope) - 1) * 100
15  
16  # ਨਤੀਜੇ ਵਾਪਸ ਕਰੋ
17  return(list(
18    efficiency = efficiency,
19    slope = slope,
20    r_squared = r_squared,
21    intercept = coef(model)[1]
22  ))
23}
24
25# ਉਦਾਹਰਨ ਵਰਤੋਂ
26ct_values <- c(15.0, 18.5, 22.0, 25.5, 29.0)
27dilution_factor <- 10
28results <- calculate_qpcr_efficiency(ct_values, dilution_factor)
29cat(sprintf("ਕਾਰਗੁਜ਼ਾਰੀ: %.2f%%\n", results$efficiency))
30cat(sprintf("ਸਲੋਪ: %.4f\n", results$slope))
31cat(sprintf("R-ਚਤੁਰਥਕ: %.4f\n", results$r_squared))
32

Python

1import numpy as np
2from scipy import stats
3import matplotlib.pyplot as plt
4
5def calculate_qpcr_efficiency(ct_values, dilution_factor):
6    """
7    Ct ਮੁੱਲਾਂ ਅਤੇ ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ ਤੋਂ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਕਰੋ
8    
9    ਪੈਰਾਮੀਟਰ:
10    ct_values (list): Ct ਮੁੱਲਾਂ ਦੀ ਸੂਚੀ
11    dilution_factor (float): ਲਗਾਤਾਰ ਨਮੂਨਿਆਂ ਦੇ ਵਿਚਕਾਰ ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ
12    
13    ਵਾਪਸ ਕਰੋ:
14    dict: ਇਕ ਸ਼੍ਰੇਣੀ ਜਿਸ ਵਿੱਚ ਕਾਰਗੁਜ਼ਾਰੀ, ਸਲੋਪ, r_squared, ਅਤੇ ਇੰਟਰਸੈਪਟ ਸ਼ਾਮਲ ਹਨ
15    """
16    # ਲੋਗ ਡਿਲਿਊਸ਼ਨ ਮੁੱਲ ਬਣਾਓ
17    log_dilutions = np.log10(dilution_factor) * np.arange(len(ct_values))
18    
19    # ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਕਰੋ
20    slope, intercept, r_value, p_value, std_err = stats.linregress(log_dilutions, ct_values)
21    
22    # ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ
23    efficiency = (10 ** (-1 / slope) - 1) * 100
24    r_squared = r_value ** 2
25    
26    return {
27        'efficiency': efficiency,
28        'slope': slope,
29        'r_squared': r_squared,
30        'intercept': intercept
31    }
32
33def plot_standard_curve(ct_values, dilution_factor, results):
34    """
35    ਰਿਗ੍ਰੈਸ਼ਨ ਰੇਖਾ ਨਾਲ ਸਟੈਂਡਰਡ ਕਰਵ ਨੂੰ ਪਲੱਟ ਕਰੋ।
36    """
37    log_dilutions = np.log10(dilution_factor) * np.arange(len(ct_values))
38    
39    plt.figure(figsize=(10, 6))
40    plt.scatter(log_dilutions, ct_values, color='blue', s=50)
41    
42    # ਰਿਗ੍ਰੈਸ਼ਨ ਰੇਖਾ ਲਈ ਬਿੰਦੂ ਬਣਾਓ
43    x_line = np.linspace(min(log_dilutions) - 0.5, max(log_dilutions) + 0.5, 100)
44    y_line = results['slope'] * x_line + results['intercept']
45    plt.plot(x_line, y_line, 'r-', linewidth=2)
46    
47    plt.xlabel('ਲੋਗ ਡਿਲਿਊਸ਼ਨ')
48    plt.ylabel('Ct ਮੁੱਲ')
49    plt.title('qPCR ਸਟੈਂਡਰਡ ਕਰਵ')
50    
51    # ਪਲੱਟ 'ਤੇ ਸਮੀਕਰਨ ਅਤੇ R² ਸ਼ਾਮਲ ਕਰੋ
52    equation = f"y = {results['slope']:.4f}x + {results['intercept']:.4f}"
53    r_squared = f"R² = {results['r_squared']:.4f}"
54    efficiency = f"ਕਾਰਗੁਜ਼ਾਰੀ = {results['efficiency']:.2f}%"
55    
56    plt.annotate(equation, xy=(0.05, 0.95), xycoords='axes fraction')
57    plt.annotate(r_squared, xy=(0.05, 0.90), xycoords='axes fraction')
58    plt.annotate(efficiency, xy=(0.05, 0.85), xycoords='axes fraction')
59    
60    plt.grid(True, linestyle='--', alpha=0.7)
61    plt.tight_layout()
62    plt.show()
63
64# ਉਦਾਹਰਨ ਵਰਤੋਂ
65ct_values = [15.0, 18.5, 22.0, 25.5, 29.0]
66dilution_factor = 10
67results = calculate_qpcr_efficiency(ct_values, dilution_factor)
68
69print(f"ਕਾਰਗੁਜ਼ਾਰੀ: {results['efficiency']:.2f}%")
70print(f"ਸਲੋਪ: {results['slope']:.4f}")
71print(f"R-ਚਤੁਰਥਕ: {results['r_squared']:.4f}")
72print(f"ਇੰਟਰਸੈਪਟ: {results['intercept']:.4f}")
73
74# ਸਟੈਂਡਰਡ ਕਰਵ ਨੂੰ ਪਲੱਟ ਕਰੋ
75plot_standard_curve(ct_values, dilution_factor, results)
76

JavaScript

1/**
2 * Ct ਮੁੱਲਾਂ ਅਤੇ ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ ਤੋਂ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਕਰੋ
3 * @param {Array<number>} ctValues - Ct ਮੁੱਲਾਂ ਦੀ ਐਰੇ
4 * @param {number} dilutionFactor - ਲਗਾਤਾਰ ਨਮੂਨਿਆਂ ਦੇ ਵਿਚਕਾਰ ਡਿਲਿਊਸ਼ਨ ਫੈਕਟਰ
5 * @returns {Object} ਇਕ ਵਸਤੂ ਜਿਸ ਵਿੱਚ ਕਾਰਗੁਜ਼ਾਰੀ, ਸਲੋਪ, rSquared, ਅਤੇ ਇੰਟਰਸੈਪਟ ਸ਼ਾਮਲ ਹਨ
6 */
7function calculateQPCREfficiency(ctValues, dilutionFactor) {
8  // ਲੋਗ ਡਿਲਿਊਸ਼ਨ ਮੁੱਲ ਬਣਾਓ
9  const logDilutions = ctValues.map((_, index) => index * Math.log10(dilutionFactor));
10  
11  // ਲੀਨੀਅਰ ਰਿਗ੍ਰੈਸ਼ਨ ਲਈ ਮੀਨ ਦੀ ਗਣਨਾ
12  const n = ctValues.length;
13  let sumX = 0, sumY = 0, sumXY = 0, sumXX = 0, sumYY = 0;
14  
15  for (let i = 0; i < n; i++) {
16    sumX += logDilutions[i];
17    sumY += ctValues[i];
18    sumXY += logDilutions[i] * ctValues[i];
19    sumXX += logDilutions[i] * logDilutions[i];
20    sumYY += ctValues[i] * ctValues[i];
21  }
22  
23  // ਸਲੋਪ ਅਤੇ ਇੰਟਰਸੈਪਟ ਦੀ ਗਣਨਾ
24  const slope = (n * sumXY - sumX * sumY) / (n * sumXX - sumX * sumX);
25  const intercept = (sumY - slope * sumX) / n;
26  
27  // R-ਚਤੁਰਥਕ ਦੀ ਗਣਨਾ
28  const yMean = sumY / n;
29  let totalVariation = 0;
30  let explainedVariation = 0;
31  
32  for (let i = 0; i < n; i++) {
33    const yPredicted = slope * logDilutions[i] + intercept;
34    totalVariation += Math.pow(ctValues[i] - yMean, 2);
35    explainedVariation += Math.pow(yPredicted - yMean, 2);
36  }
37  
38  const rSquared = explainedVariation / totalVariation;
39  
40  // ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ
41  const efficiency = (Math.pow(10, -1 / slope) - 1) * 100;
42  
43  return {
44    efficiency,
45    slope,
46    rSquared,
47    intercept
48  };
49}
50
51// ਉਦਾਹਰਨ ਵਰਤੋਂ
52const ctValues = [15.0, 18.5, 22.0, 25.5, 29.0];
53const dilutionFactor = 10;
54const results = calculateQPCREfficiency(ctValues, dilutionFactor);
55
56console.log(`ਕਾਰਗੁਜ਼ਾਰੀ: ${results.efficiency.toFixed(2)}%`);
57console.log(`ਸਲੋਪ: ${results.slope.toFixed(4)}`);
58console.log(`R-ਚਤੁਰਥਕ: ${results.rSquared.toFixed(4)}`);
59console.log(`ਇੰਟਰਸੈਪਟ: ${results.intercept.toFixed(4)}`);
60

ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ (FAQ)

ਚੰਗੀ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਪ੍ਰਤੀਸ਼ਤ ਕੀ ਹੈ?

ਚੰਗੀ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਆਮ ਤੌਰ 'ਤੇ 90% ਅਤੇ 110% (0.9-1.1) ਦੇ ਵਿਚਕਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। 100% ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਪੂਰਨ ਅਨੁਕੂਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਹਰ ਚੱਕਰ ਨਾਲ PCR ਉਤਪਾਦ ਦੁਗਣਾ ਹੁੰਦਾ ਹੈ। ਇਸ ਰੇਂਜ ਤੋਂ ਬਾਹਰ ਦੀਆਂ ਕਾਰਗੁਜ਼ਾਰੀਆਂ ਗਲਤ ਪ੍ਰਾਈਮਰ ਡਿਜ਼ਾਈਨ, ਰਿਐਕਸ਼ਨ ਹਾਲਤਾਂ, ਜਾਂ ਰੋਕਾਅਵਾਂ ਦੀ ਮੌਜੂਦਗੀ ਨੂੰ ਦਰਸਾ ਸਕਦੀਆਂ ਹਨ।

ਜੇ ਮੇਰੀ qPCR ਕਾਰਗੁਜ਼ਾਰੀ 100% ਤੋਂ ਵੱਧ ਹੈ ਤਾਂ ਕੀ ਹੋਵੇਗਾ?

100% ਤੋਂ ਵੱਧ ਕਾਰਗੁਜ਼ਾਰੀ ਹੋ ਸਕਦੀ ਹੈ:

ਡਿਲਿਊਸ਼ਨ ਸੀਰੀਜ਼ ਵਿੱਚ ਪਾਈਪੇਟਿੰਗ ਦੀਆਂ ਗਲਤੀਆਂ
PCR ਰੋਕਾਅਵਾਂ ਜੋ ਉੱਚ ਸੰਕਲਨਾਂ ਨੂੰ ਘੱਟ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ
ਗੈਰ-ਵਿਸ਼ੇਸ਼ ਅਨੁਕੂਲਤਾ ਜਾਂ ਪ੍ਰਾਈਮਰ-ਡਾਈਮਰਾਂ ਜੋ ਸੰਕੇਤ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੀਆਂ ਹਨ
qPCR ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਬੇਸਲਾਈਨ ਸੁਧਾਰਨ ਦੇ ਮੁੱਦਿਆਂ

ਮੇਰੇ ਸਟੈਂਡਰਡ ਕਰਵ ਵਿੱਚ ਘੱਟ R² ਮੁੱਲ ਕੀ ਦਰਸਾਉਂਦਾ ਹੈ?

ਘੱਟ R² ਮੁੱਲ (0.98 ਤੋਂ ਘੱਟ) ਤੁਹਾਡੇ ਸਟੈਂਡਰਡ ਕਰਵ ਵਿੱਚ ਖਰਾਬ ਲੀਨੀਅਰਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ ਹੋ ਸਕਦਾ ਹੈ:

ਡਿਲਿਊਸ਼ਨ ਸੀਰੀਜ਼ ਦੀ ਤਿਆਰੀ ਵਿੱਚ ਪਾਈਪੇਟਿੰਗ ਦੀਆਂ ਗਲਤੀਆਂ
ਸੰਕਲਨ ਰੇਂਜ ਦੇ ਵਿਭਿੰਨ ਪੋਇੰਟਾਂ 'ਤੇ ਅਨੁਕੂਲਤਾ ਵਿੱਚ ਅਸਮਾਨਤਾ
ਬਹੁਤ ਘੱਟ ਜਾਂ ਵੱਧ ਸੰਕਲਨਾਂ 'ਤੇ ਪਛਾਣ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਪਹੁੰਚਣਾ
ਕੁਝ ਡਿਲਿਊਸ਼ਨ ਪੁਆਇੰਟਾਂ 'ਤੇ PCR ਰੋਕਾਅਵਾਂ ਦਾ ਪ੍ਰਭਾਵ
ਗੈਰ-ਵਿਸ਼ੇਸ਼ ਅਨੁਕੂਲਤਾ ਜਾਂ ਪ੍ਰਾਈਮਰ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ

ਮੈਂ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਕਿੰਨੇ ਡਿਲਿਊਸ਼ਨ ਪੁਆਇੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਾਂ?

ਭਰੋਸੇਯੋਗ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਘੱਟੋ-ਘੱਟ 3 ਡਿਲਿਊਸ਼ਨ ਪੁਆਇੰਟਾਂ ਦੀ ਲੋੜ ਹੈ, ਪਰ ਵਧੀਆ ਨਤੀਜਿਆਂ ਲਈ 5-6 ਪੁਆਇੰਟਾਂ ਦੀ ਸਿਫਾਰਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਪੁਆਇੰਟ ਤੁਹਾਡੇ ਪ੍ਰਯੋਗਾਤਮਕ ਨਮੂਨਿਆਂ ਵਿੱਚ ਉਮੀਦ ਕੀਤੀ ਜਾਣ ਵਾਲੀ ਟੈਂਪਲੇਟ ਸੰਕਲਨਾਂ ਦੇ ਪੂਰੇ ਗਤੀਸ਼ੀਲ ਰੇਂਜ ਨੂੰ ਕਵਰ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ।

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਕਿਸ ਤਰ੍ਹਾਂ ਸੰਬੰਧਿਤ ਮਾਤਰਕਤਾ ਗਣਨਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ?

ਸੰਬੰਧਿਤ ਮਾਤਰਕਤਾ ਵਿੱਚ ΔΔCt ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ, ਟਾਰਗਟ ਅਤੇ ਸੰਦਰਭ ਜ਼ੀਨਾਂ ਵਿਚਕਾਰ ਇੱਕੋ ਜਿਹੀ ਕਾਰਗੁਜ਼ਾਰੀ ਹੋਣ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ (ਆਦਰਸ਼ ਤੌਰ 'ਤੇ 100%)। ਜਦੋਂ ਕਾਰਗੁਜ਼ਾਰੀ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਵੱਖਰੇ ਹੁੰਦੀ ਹੈ:

ਮਿਆਰੀ ΔΔCt ਵਿਧੀ ਮਹੱਤਵਪੂਰਨ ਮਾਤਰਕਤਾ ਗਲਤੀਆਂ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ
ਕਾਰਗੁਜ਼ਾਰੀ-ਸਹੀ ਮਾਤਰਕਤਾ ਮਾਡਲਾਂ (ਜਿਵੇਂ ਪਫਾਫਲ ਵਿਧੀ) ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ
ਨਤੀਜਿਆਂ ਦੇ ਵਿਚਕਾਰ ਫਰਕ ਵੱਧ ਜਾਂਦਾ ਹੈ
ਨਤੀਜਿਆਂ ਦੀ ਵੈਧਤਾ ਲਈ ਵਾਧੂ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ

ਕੀ ਮੈਂ ਆਪਣੇ ਸਾਰੇ qPCR ਪ੍ਰਯੋਗਾਂ ਲਈ ਇੱਕੋ ਕਾਰਗੁਜ਼ਾਰੀ ਮੁੱਲ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹਾਂ?

ਨਹੀਂ, ਹਰ ਪ੍ਰਾਈਮਰ ਜੋੜੇ ਲਈ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਦੁਬਾਰਾ ਵੈਧਤਾ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ:

ਨਵੇਂ ਪ੍ਰਾਈਮਰ ਲਾਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ
ਰਿਐਕਸ਼ਨ ਹਾਲਤਾਂ ਜਾਂ ਮਾਸਟਰ ਮਿਕਸ ਨੂੰ ਬਦਲਦੇ ਸਮੇਂ
ਵੱਖ-ਵੱਖ ਨਮੂਨਾ ਕਿਸਮਾਂ ਜਾਂ ਨਿਕਾਸ ਵਿਧੀਆਂ ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ
ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਨਿਯਮਤ ਤੌਰ 'ਤੇ

PCR ਰੋਕਾਅਵਾਂ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ?

PCR ਰੋਕਾਅਵਾਂ:

ਕੁੱਲ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਘਟਾਉਂਦੀਆਂ ਹਨ
ਉੱਚ ਸੰਕਲਨ ਨਮੂਨਿਆਂ 'ਤੇ ਵੱਧ ਪ੍ਰਭਾਵ ਪਾਉਂਦੀਆਂ ਹਨ
ਸਟੈਂਡਰਡ ਕਰਵ ਵਿੱਚ ਗੈਰ-ਲੀਨੀਅਰਤਾ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ
ਟਾਰਗਟ ਦੀ ਮਾਤਰਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿੱਚ ਘਟਾਉਂਦੀਆਂ ਹਨ
ਦੁਹਰਾਵਾਂ ਵਿਚ ਅਸਮਾਨਤਾ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ PCR ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਕੀ ਫਰਕ ਹੈ?

ਇਹ ਸ਼ਬਦ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕੋ ਜਿਹੇ ਹਨ, ਪਰ:

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਖਾਸ ਤੌਰ 'ਤੇ ਰੀਅਲ-ਟਾਈਮ ਮਾਤਰਕ PCR ਵਿੱਚ ਮਾਪੀ ਜਾਂਦੀ ਹੈ
PCR ਕਾਰਗੁਜ਼ਾਰੀ ਕਿਸੇ ਵੀ PCR ਪ੍ਰਤੀਕਿਰਿਆ ਵਿੱਚ ਆਮ ਸੰਕਲਪ ਨੂੰ ਦਰਸਾ ਸਕਦੀ ਹੈ
qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਸਟੈਂਡਰਡ ਕਰਵ ਜਾਂ ਹੋਰ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ
ਪਰੰਪਰਾਗਤ PCR ਕਾਰਗੁਜ਼ਾਰੀ ਅਕਸਰ ਗੈਰ-ਗੁਣਾਤਮਕ ਤੌਰ 'ਤੇ ਜੇਲ ਇਲੈਕਟਰੋਫੋਰੇਸਿਸ ਦੁਆਰਾ ਅਨੁਮਾਨਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ

ਮੈਂ apne qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰ ਸਕਦਾ ਹਾਂ?

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਸੁਧਾਰਨ ਲਈ:

ਪ੍ਰਾਈਮਰ ਡਿਜ਼ਾਈਨ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰੋ (18-22 ਬਿੱਟ ਲੰਬਾਈ, 50-60% GC ਸਮੱਗਰੀ, Tm ਲਗਭਗ 60°C)
ਵੱਖ-ਵੱਖ ਐਨੀਲਿੰਗ ਤਾਪਮਾਨਾਂ ਦੀ ਜਾਂਚ ਕਰੋ
ਪ੍ਰਾਈਮਰ ਸੰਕੇਤਾਂ ਦੀ ਸੰਕਲਨ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰੋ
ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲਾ DNA/RNA ਟੈਂਪਲੇਟ ਵਰਤੋਂ
ਮੁਸ਼ਕਲ ਟੈਂਪਲੇਟਾਂ ਲਈ PCR ਵਧਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸੋਚੋ
ਸੰਭਾਵਤ ਰੋਕਾਅਵਾਂ ਨੂੰ ਹਟਾਉਣ ਲਈ ਸਹੀ ਨਮੂਨਾ ਤਿਆਰੀ ਯਕੀਨੀ ਬਣਾਓ
ਵੱਖ-ਵੱਖ ਵਪਾਰਕ ਮਾਸਟਰ ਮਿਕਸ ਦੀ ਜਾਂਚ ਕਰੋ

ਕੀ ਮੈਂ ਵੱਖ-ਵੱਖ ਕਾਰਗੁਜ਼ਾਰੀ ਵਾਲੇ ਨਮੂਨਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰ ਸਕਦਾ ਹਾਂ?

ਵੱਖ-ਵੱਖ ਕਾਰਗੁਜ਼ਾਰੀ ਵਾਲੇ ਨਮੂਨਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਸਿਫਾਰਸ਼ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਕਿਉਂਕਿ:

ਇਹ ਮਹੱਤਵਪੂਰਨ ਮਾਤਰਕਤਾ ਗਲਤੀਆਂ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ
ਵੱਡੇ Ct ਫਰਕਾਂ ਨਾਲ ਗਲਤੀਆਂ ਦਾ ਆਕਾਰ ਵੱਧ ਜਾਂਦਾ ਹੈ
ਜੇਕਰ ਅਨਿਵਾਰਕ ਹੋਵੇ, ਤਾਂ ਕਾਰਗੁਜ਼ਾਰੀ-ਸਹੀ ਮਾਤਰਕਤਾ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ
ਨਤੀਜੇ ਸੰਭਾਲਣ ਨਾਲ ਧਿਆਨ ਨਾਲ ਪੜ੍ਹੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ ਅਤੇ ਵਾਧੂ ਵੈਧਤਾ ਦੀ ਲੋੜ

ਹਵਾਲੇ

Bustin SA, Benes V, Garson JA, et al. The MIQE guidelines: minimum information for publication of quantitative real-time PCR experiments. Clin Chem. 2009;55(4):611-622. doi:10.1373/clinchem.2008.112797
Pfaffl MW. A new mathematical model for relative quantification in real-time RT-PCR. Nucleic Acids Res. 2001;29(9):e45. doi:10.1093/nar/29.9.e45
Svec D, Tichopad A, Novosadova V, Pfaffl MW, Kubista M. How good is a PCR efficiency estimate: Recommendations for precise and robust qPCR efficiency assessments. Biomol Detect Quantif. 2015;3:9-16. doi:10.1016/j.bdq.2015.01.005
Taylor SC, Nadeau K, Abbasi M, Lachance C, Nguyen M, Fenrich J. The Ultimate qPCR Experiment: Producing Publication Quality, Reproducible Data the First Time. Trends Biotechnol. 2019;37(7):761-774. doi:10.1016/j.tibtech.2018.12.002
Ruijter JM, Ramakers C, Hoogaars WM, et al. Amplification efficiency: linking baseline and bias in the analysis of quantitative PCR data. Nucleic Acids Res. 2009;37(6):e45. doi:10.1093/nar/gkp045
Higuchi R, Fockler C, Dollinger G, Watson R. Kinetic PCR analysis: real-time monitoring of DNA amplification reactions. Biotechnology (N Y). 1993;11(9):1026-1030. doi:10.1038/nbt0993-1026
Bio-Rad Laboratories. Real-Time PCR Applications Guide. https://www.bio-rad.com/webroot/web/pdf/lsr/literature/Bulletin_5279.pdf
Thermo Fisher Scientific. Real-Time PCR Handbook. https://www.thermofisher.com/content/dam/LifeTech/global/Forms/PDF/real-time-pcr-handbook.pdf

ਸਾਡਾ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਕੈਲਕੂਲੇਟਰ ਖੋਜਕਰਤਾਵਾਂ ਲਈ ਇੱਕ ਸਧਾਰਨ ਪਰੰਤੂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਉਹ ਆਪਣੇ ਮਾਤਰਕ PCR ਪ੍ਰਯੋਗਾਂ ਦੀ ਵੈਧਤਾ ਅਤੇ ਅਨੁਕੂਲਤਾ ਕਰ ਸਕਣ। ਸਟੈਂਡਰਡ ਕਰਵ ਤੋਂ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਸਹੀ ਗਣਨਾ ਕਰਕੇ, ਤੁਸੀਂ ਭਰੋਸੇਯੋਗ ਮਾਤਰਕਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾ ਸਕਦੇ ਹੋ, ਸਮੱਸਿਆਵਾਂ ਵਾਲੇ ਅਸਾਇਆਂ ਨੂੰ ਸੁਧਾਰ ਸਕਦੇ ਹੋ, ਅਤੇ qPCR ਪ੍ਰਯੋਗ ਵਿੱਚ ਚੰਗੀਆਂ ਪ੍ਰਥਾਵਾਂ ਦੀ ਪਾਲਣਾ ਕਰ ਸਕਦੇ ਹੋ।

ਅੱਜ ਹੀ ਸਾਡੇ ਕੈਲਕੂਲੇਟਰ ਨੂੰ ਆਜ਼ਮਾਓ ਅਤੇ ਆਪਣੇ qPCR ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰੋ!

💬

ਪ੍ਰਤਿਕ੍ਰਿਆ

💬

ਇਸ ਟੂਲ ਬਾਰੇ ਫੀਡਬੈਕ ਦੇਣ ਲਈ ਫੀਡਬੈਕ ਟੋਸਟ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।

🔗

ਸਬੰਧਿਤ ਸੰਦਾਰਬਾਰਾਂ

ਆਪਣੇ ਕਾਰਜ ਦੇ ਲਈ ਵਰਤਣ ਯੋਗ ਹੋਣ ਵਾਲੇ ਹੋਰ ਸੰਦੇਸ਼ ਦੀ ਖੋਜ ਕਰੋ

ਕਿਊਪੀਸੀਅਰ ਪ੍ਰਭਾਵਿਤਾ ਗਣਕ: ਮਿਆਰੀ ਵਕਰਾਂ ਅਤੇ ਵਾਧੇ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ

ਕਿਊਪੀਸੀਐਰ ਪ੍ਰਭਾਵਤਾ ਗਣਕ

ਇਨਪੁਟ ਪੈਰਾਮੀਟਰ

ਸੀਟੀ ਮੁੱਲ

ਨਤੀਜੇ

ਮਿਆਰੀ ਵਕਰ

ਜਾਣਕਾਰੀ

ਦਸਤਾਵੇਜ਼ੀਕਰਣ

qPCR Efficiency Calculator: ਆਪਣੇ ਮਾਤਰਕ PCR ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰੋ

qPCR Efficiency ਦਾ ਪਰਿਚਯ

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਫਾਰਮੂਲਾ ਅਤੇ ਗਣਨਾ

ਸਟੈਂਡਰਡ ਕਰਵ ਨੂੰ ਸਮਝਣਾ

ਕਦਮ-ਦਰ-ਕਦਮ ਗਣਨਾ ਪ੍ਰਕਿਰਿਆ

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਕੈਲਕੂਲੇਟਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਤਰੀਕਾ

ਉਦਾਹਰਨ ਗਣਨਾ

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਵਰਤੋਂ ਦੇ ਕੇਸ

1. ਪ੍ਰਾਈਮਰ ਵੈਧਤਾ ਅਤੇ ਅਨੁਕੂਲਤਾ

2. ਅਸਾਇ ਵਿਕਾਸ ਅਤੇ ਵੈਧਤਾ

3. ਜ਼ੀਨ ਪ੍ਰਗਟਾਵਾ ਅਧਿਐਨ

4. ਨਿਦਾਨ ਅਤੇ ਕਲੀਨੀਕੀ ਐਪਲੀਕੇਸ਼ਨ

5. ਵਾਤਾਵਰਣ ਅਤੇ ਖਾਦ ਟੈਸਟਿੰਗ

ਸਟੈਂਡਰਡ ਕਰਵ ਵਿਧੀ ਦੇ ਵਿਕਲਪ

1. ਸਿੰਗਲ ਅੰਪਲਿਕਾਨ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣ

2. ਡਿਜੀਟਲ PCR ਨਾਲ ਅਬਸੋਲਿਊਟ ਮਾਤਰਕਤਾ

3. ਤੁਲਨਾਤਮਕ ਮਾਤਰਕਤਾ ਵਿਧੀਆਂ

qPCR ਅਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਦਾ ਇਤਿਹਾਸ

ਪਹਿਲਾ ਵਿਕਾਸ (1980 ਦੇ ਦਹਾਕੇ-1990 ਦੇ ਦਹਾਕੇ)

qPCR ਮਿਆਰਾਂ ਦੀ ਸਥਾਪਨਾ (1990 ਦੇ ਦਹਾਕੇ-2000 ਦੇ ਦਹਾਕੇ)

ਆਧੁਨਿਕ ਵਿਕਾਸ (2000 ਦੇ ਦਹਾਕੇ-ਵਰਤਮਾਨ)

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਕੋਡ ਉਦਾਹਰਨਾਂ

Excel

R

Python

JavaScript

ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ (FAQ)

ਚੰਗੀ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਪ੍ਰਤੀਸ਼ਤ ਕੀ ਹੈ?

ਜੇ ਮੇਰੀ qPCR ਕਾਰਗੁਜ਼ਾਰੀ 100% ਤੋਂ ਵੱਧ ਹੈ ਤਾਂ ਕੀ ਹੋਵੇਗਾ?

ਮੇਰੇ ਸਟੈਂਡਰਡ ਕਰਵ ਵਿੱਚ ਘੱਟ R² ਮੁੱਲ ਕੀ ਦਰਸਾਉਂਦਾ ਹੈ?

ਮੈਂ qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਲਈ ਕਿੰਨੇ ਡਿਲਿਊਸ਼ਨ ਪੁਆਇੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਾਂ?

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਕਿਸ ਤਰ੍ਹਾਂ ਸੰਬੰਧਿਤ ਮਾਤਰਕਤਾ ਗਣਨਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ?

ਕੀ ਮੈਂ ਆਪਣੇ ਸਾਰੇ qPCR ਪ੍ਰਯੋਗਾਂ ਲਈ ਇੱਕੋ ਕਾਰਗੁਜ਼ਾਰੀ ਮੁੱਲ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹਾਂ?

PCR ਰੋਕਾਅਵਾਂ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਗਣਨਾ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ?

qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ PCR ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਕੀ ਫਰਕ ਹੈ?

ਮੈਂ apne qPCR ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰ ਸਕਦਾ ਹਾਂ?

ਕੀ ਮੈਂ ਵੱਖ-ਵੱਖ ਕਾਰਗੁਜ਼ਾਰੀ ਵਾਲੇ ਨਮੂਨਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰ ਸਕਦਾ ਹਾਂ?

ਹਵਾਲੇ

ਪ੍ਰਤਿਕ੍ਰਿਆ

ਸਬੰਧਿਤ ਸੰਦਾਰਬਾਰਾਂ

ਡੀਐਨਏ ਲਾਈਗੇਸ਼ਨ ਕੈਲਕੁਲੇਟਰ ਮੋਲੈਕਿਊਲਰ ਕਲੋਨਿੰਗ ਪ੍ਰਯੋਗਾਂ ਲਈ

ਡੀਐਨਏ ਸੰਕੇਂਦ੍ਰਤਾ ਕੈਲਕੁਲੇਟਰ: A260 ਨੂੰ ng/μL ਵਿੱਚ ਬਦਲੋ

ਜੀਨੋਮਿਕ ਨਕਲ ਅਨੁਮਾਨਕ | ਡੀਐਨਏ ਕਾਪੀ ਨੰਬਰ ਗਣਕ

ਗੈਮਾ ਵੰਡ ਗਣਕ: ਸਾਂਖਿਆਕੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ

ਲੈਬੋਰੇਟਰੀ ਨਮੂਨਾ ਤਿਆਰੀ ਲਈ ਸੈੱਲ ਘਟਾਅ ਕੈਲਕੁਲੇਟਰ

ਸਿਕਸ ਸਿਗਮਾ ਕੈਲਕੁਲੇਟਰ: ਆਪਣੇ ਪ੍ਰਕਿਰਿਆ ਦੀ ਗੁਣਵੱਤਾ ਮਾਪੋ

ਪੋਇਸਨ ਵੰਡ ਦੀ ਸੰਭਾਵਨਾ ਗਣਨਾ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ

ਤ੍ਰਿਹਾਈਬ੍ਰਿਡ ਕ੍ਰਾਸ ਕੈਲਕੂਲੇਟਰ ਅਤੇ ਪੁਨੈੱਟ ਚੌਕ ਜਨਰੇਟਰ

ਰਿਹਾਇਸ਼ ਗਣਕ: ਵੱਖ-ਵੱਖ ਦੇਸ਼ਾਂ ਵਿੱਚ ਦਿਨਾਂ ਦੀ ਗਿਣਤੀ

ਪ੍ਰੋਟੀਨ ਸੰਕੇਂਦਰਣ ਗਣਕ: ਐਬਜ਼ਾਰਬੈਂਸ ਨੂੰ mg/mL ਵਿੱਚ ਬਦਲੋ