Kalkulátor účinnosti qPCR: Analyzujte standardní křivky a amplifikaci
Vypočítejte účinnost PCR z hodnot Ct a faktorů ředění. Analyzujte standardní křivky, určete účinnost amplifikace a ověřte své kvantitativní PCR experimenty.
Kalkulačka účinnosti qPCR
Vstupní parametry
Ct hodnoty
Hodnota musí být kladná
Hodnota musí být kladná
Hodnota musí být kladná
Hodnota musí být kladná
Hodnota musí být kladná
Výsledky
Standardní křivka
Zadejte platná data pro vygenerování grafu
Informace
Účinnost qPCR je měřítkem toho, jak dobře PCR reakce funguje. Účinnost 100 % znamená, že množství PCR produktu se zdvojnásobí s každým cyklem během exponenciální fáze.
Účinnost se vypočítává ze sklonu standardní křivky, která se získává vykreslením Ct hodnot proti logaritmu počáteční koncentrace šablony (řada ředění).
Účinnost (E) se vypočítává pomocí vzorce:
E = 10^(-1/slope) - 1
Dokumentace
Kalkulátor účinnosti qPCR: Optimalizujte své experimenty kvantitativní PCR
Úvod do účinnosti qPCR
Účinnost kvantitativní polymerázové řetězové reakce (qPCR) je kritickým parametrem, který přímo ovlivňuje přesnost a spolehlivost vašich experimentů qPCR. Kalkulátor účinnosti qPCR pomáhá výzkumníkům určit, jak efektivně jejich PCR reakce amplifikují cílové DNA sekvence s každým cyklem tepelného zpracování. Ideální reakce qPCR by měly mít účinnost mezi 90-110 %, což naznačuje, že množství PCR produktu se přibližně zdvojnásobí s každým cyklem během exponenciální fáze.
Špatná amplifikační účinnost může vést k nepřesné kvantifikaci, nespolehlivým výsledkům a chybným experimentálním závěrům. Vypočítáním a sledováním účinnosti qPCR můžete optimalizovat podmínky reakce, validovat návrhy primerů a zajistit kvalitu vašich kvantitativních PCR dat.
Tento kalkulátor používá metodu standardní křivky, která vykresluje hodnoty cyklu (Ct) proti logaritmu koncentrace šablony (reprezentované sériovými zředěními), aby určila účinnost vašeho qPCR testu. Výsledný sklon této standardní křivky je poté použit k výpočtu amplifikační účinnosti pomocí jednoduchého matematického vzorce.
Vzorec a výpočet účinnosti qPCR
Účinnost reakce qPCR se vypočítá ze sklonu standardní křivky pomocí následujícího vzorce:
Kde:
- E je účinnost (vyjádřená jako desetinné číslo)
- Slope je sklon standardní křivky (vykreslující Ct hodnoty proti logaritmu zředění)
Pro ideální PCR reakci s 100% účinností (dokonalé zdvojení ampliconů s každým cyklem) by sklon byl -3.32. To je proto, že:
10^{(-1/-3.32)} - 1 = 10^{0.301} - 1 = 2 - 1 = 1.0 \text{ (nebo 100%)}
Účinnost v procentech se vypočítá vynásobením desetinné účinnosti číslem 100:
\text{Účinnost (%)} = E \times 100\%
Pochopení standardní křivky
Standardní křivka se vytváří vykreslením Ct hodnot (osa y) proti logaritmu počáteční koncentrace šablony nebo faktoru zředění (osa x). Vztah mezi těmito proměnnými by měl být lineární a kvalita tohoto lineárního vztahu se hodnotí pomocí koeficientu determinace (R²).
Pro spolehlivé výpočty účinnosti qPCR:
- Hodnota R² by měla být ≥ 0.98
- Sklon by měl být typicky mezi -3.1 a -3.6
- Mělo by být použito alespoň 3-5 zředění k vytvoření standardní křivky
Krok za krokem výpočetní proces
-
Příprava dat: Kalkulátor přijímá vaše Ct hodnoty pro každé zředění a faktor zředění jako vstupy.
-
Logaritmická transformace: Řada zředění je transformována do logaritmického měřítka (logaritmus na základě 10).
-
Lineární regrese: Kalkulátor provádí analýzu lineární regrese na log-transformovaných datech, aby určil sklon, y-úsek a hodnotu R².
-
Výpočet účinnosti: Pomocí hodnoty sklonu se účinnost vypočítá pomocí vzorce E = 10^(-1/slope) - 1.
-
Interpretace výsledků: Kalkulátor zobrazí účinnost jako procento, spolu se sklonem a hodnotou R², aby vám pomohl posoudit spolehlivost vašeho qPCR testu.
Jak používat kalkulátor účinnosti qPCR
Postupujte podle těchto kroků pro výpočet účinnosti qPCR:
-
Nastavte počet zředění: Vyberte, kolik zředění máte ve své standardní křivce (doporučuje se mezi 3-7 body).
-
Zadejte faktor zředění: Zadejte faktor zředění použitý mezi po sobě jdoucími vzorky (např. 10 pro 10-násobné zředění, 5 pro 5-násobné zředění).
-
Zadejte Ct hodnoty: Zadejte Ct hodnoty pro každé zředění. Typicky první zředění (Zředění 1) obsahuje nejvyšší koncentraci šablony, což vede k nejnižší hodnotě Ct.
-
Zobrazte výsledky: Kalkulátor automaticky vypočítá a zobrazí:
- PCR účinnost (%)
- Sklon standardní křivky
- Y-úsek
- R² hodnota (koeficient determinace)
- Grafické znázornění standardní křivky
-
Interpretujte výsledky: Zhodnoťte, zda vaše účinnost qPCR spadá do přijatelného rozsahu (90-110 %) a zda hodnota R² naznačuje spolehlivou standardní křivku (≥ 0.98).
-
Kopírujte výsledky: Použijte tlačítko "Kopírovat výsledky" pro zkopírování všech vypočítaných hodnot pro vaše záznamy nebo publikace.
Příklad výpočtu
Pojďme projít příkladem:
- Faktor zředění: 10 (10-násobné sériové zředění)
- Počet zředění: 5
- Ct hodnoty:
- Zředění 1 (nejvyšší koncentrace): 15.0
- Zředění 2: 18.5
- Zředění 3: 22.0
- Zředění 4: 25.5
- Zředění 5 (nejnižší koncentrace): 29.0
Když jsou vykresleny na standardní křivce:
- Osa x představuje log(diluce): 0, 1, 2, 3, 4
- Osa y představuje Ct hodnoty: 15.0, 18.5, 22.0, 25.5, 29.0
Kalkulátor provede lineární regresi a určí:
- Sklon: -3.5
- Y-úsek: 15.0
- R²: 1.0 (dokonalý lineární vztah v tomto příkladu)
Pomocí vzorce účinnosti:
To naznačuje dobrou účinnost qPCR 93 %, což spadá do přijatelného rozsahu 90-110 %.
Případy použití pro výpočty účinnosti qPCR
1. Validace a optimalizace primerů
Před použitím nového páru primerů pro kvantitativní experimenty je nezbytné ověřit jejich výkon. Výpočty účinnosti qPCR pomáhají:
- Posoudit specifičnost a výkon primerů
- Optimalizovat koncentrace primerů
- Určit optimální teplotu annealingu
- Validovat páry primerů napříč různými koncentracemi šablony
2. Vývoj a validace testů
Při vývoji nových qPCR testů jsou výpočty účinnosti klíčové pro:
- Zajištění spolehlivé kvantifikace napříč dynamickým rozsahem
- Validaci dolní mezí detekce
- Potvrzení reprodukovatelnosti testu
- Porovnání různých detekčních chemikálií (SYBR Green vs. TaqMan sondy)
3. Studie genové exprese
V experimentech s relativní kvantifikací je znalost účinnosti PCR nezbytná pro:
- Použití vhodných kvantifikačních modelů (ΔΔCt vs. modely opravené na účinnost)
- Normalizaci cílových genů proti referenčním genům s různými účinnostmi
- Zajištění přesných výpočtů změny fold
- Validaci výsledků napříč různými experimentálními podmínkami
4. Diagnostické a klinické aplikace
V klinických a diagnostických prostředích je účinnost qPCR důležitá pro:
- Validaci diagnostických testů před klinickým použitím
- Zajištění konzistentního výkonu napříč různými typy vzorků
- Splnění regulačních požadavků na validaci testu
- Monitorování kontroly kvality v rutinním testování
5. Testování životního prostředí a potravin
Pro aplikace v oblasti životního prostředí a bezpečnosti potravin pomáhají výpočty účinnosti:
- Validovat metody detekce patogenů nebo GMO
- Zajistit konzistentní výkon napříč složitými matrice vzorků
- Určit limity detekce v náročných vzorcích
- Dodržovat standardy a předpisy testování
Alternativy k metodě standardní křivky
I když je metoda standardní křivky nejběžnějším přístupem k výpočtu účinnosti qPCR, existují alternativní metody:
1. Analýza účinnosti jednoho ampliconu
Tato metoda vypočítává účinnost z fluorescenčních dat jednoho amplifikačního křivky, aniž by vyžadovala sérii zředění. Software jako LinRegPCR analyzuje exponenciální fázi jednotlivých reakcí, aby určil účinnost.
Výhody:
- Není potřeba séria zředění
- Lze vypočítat účinnost pro každou jednotlivou reakci
- Užitečné, když je materiál vzorku omezený
Nevýhody:
- Může být méně přesné než metoda standardní křivky
- Vyžaduje specializovaný software pro analýzu
- Více citlivé na problémy s pozadím fluorescencí
2. Absolutní kvantifikace s digitální PCR
Digitální PCR (dPCR) poskytuje absolutní kvantifikaci bez nutnosti standardní křivky nebo výpočtů účinnosti.
Výhody:
- Není potřeba výpočty účinnosti
- Vyšší přesnost pro nízko-abundantní cíle
- Méně ovlivněno inhibitory
Nevýhody:
- Vyžaduje specializované vybavení
- Vyšší náklady na vzorek
- Omezený dynamický rozsah ve srovnání s qPCR
3. Metody srovnávací kvantifikace
Některé softwary pro analýzu qPCR nabízejí metody srovnávací kvantifikace, které odhadují účinnost bez úplné standardní křivky.
Výhody:
- Vyžaduje méně vzorků než kompletní standardní křivka
- Lze provádět spolu s experimentálními vzorky
- Užitečné pro rutinní analýzu
Nevýhody:
- Může být méně přesné než úplná standardní křivka
- Omezená validace lineárního dynamického rozsahu
- Může nezjistit problémy s inhibicí
Historie qPCR a výpočtů účinnosti
Vývoj qPCR a výpočtů účinnosti se v posledních několika desetiletích významně vyvinul:
Raný vývoj (1980-1990)
Polymerázová řetězová reakce (PCR) byla vynalezena Karym Mullisem v roce 1983, což revolucionalizovalo molekulární biologii. Nicméně tradiční PCR byla pouze kvalitativní nebo polo-kvantitativní. První systém pro PCR v reálném čase byl vyvinut na začátku 90. let Russell Higuchim a jeho kolegy, kteří prokázali, že sledování produktů PCR, jak se hromadí (použitím fluorescenčního ethidia bromidu), může poskytnout kvantitativní informace.
Zavedení standardů qPCR (1990-2000)
Jak se technologie qPCR vyvíjela, výzkumníci si uvědomili důležitost standardizace a validace. Koncept účinnosti PCR se stal centrálním pro spolehlivou kvantifikaci:
- V roce 1998, Pfaffl představil modely kvantifikace opravené na účinnost
- Metoda standardní křivky pro výpočet účinnosti se stala široce přijímanou
- Na trhu se objevily komerční systémy qPCR s vylepšenými detekčními chemikáliemi
Moderní vývoj (2000-současnost)
Obor pokračoval ve vývoji s:
- Publikací pokynů MIQE (Minimum Information for Publication of Quantitative Real-Time PCR Experiments) v roce 2009, které zdůraznily důležitost hlášení účinnosti PCR
- Vývojem pokročilého softwaru pro výpočty účinnosti
- Integrací výpočtů účinnosti do qPCR přístrojů a softwaru
- Vznikem digitální PCR jako doplňkové technologie
Dnes je považováno za nezbytné vypočítat a uvádět účinnost qPCR pro publikaci spolehlivých dat qPCR a nástroje jako je tento kalkulátor pomáhají výzkumníkům dodržovat osvědčené postupy v oboru.
Příklady kódu pro výpočet účinnosti qPCR
Excel
1' Excel vzorec pro výpočet účinnosti qPCR ze sklonu
2' Umístěte do buňky B2, pokud je sklon v buňce A2
3=10^(-1/A2)-1
4
5' Excel vzorec pro převod účinnosti na procenta
6' Umístěte do buňky C2, pokud je účinnost desetinná v buňce B2
7=B2*100
8
9' Funkce pro výpočet účinnosti ze Ct hodnot a faktoru zředění
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 ' Vypočítat lineární regresi
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 ' Vypočítat sklon
28 slope = (n * sumXY - sumX * sumY) / (n * sumXX - sumX * sumX)
29
30 ' Vypočítat účinnost
31 qPCR_Efficiency = (10 ^ (-1 / slope) - 1) * 100
32End Function
33R
1# R funkce pro výpočet účinnosti qPCR ze Ct hodnot a faktoru zředění
2calculate_qpcr_efficiency <- function(ct_values, dilution_factor) {
3 # Vytvořit log zředění
4 log_dilutions <- log10(dilution_factor) * seq(0, length(ct_values) - 1)
5
6 # Provést lineární regresi
7 model <- lm(ct_values ~ log_dilutions)
8
9 # Extrakce sklonu a R-squared
10 slope <- coef(model)[2]
11 r_squared <- summary(model)$r.squared
12
13 # Vypočítat účinnost
14 efficiency <- (10^(-1/slope) - 1) * 100
15
16 # Vrátit výsledky
17 return(list(
18 efficiency = efficiency,
19 slope = slope,
20 r_squared = r_squared,
21 intercept = coef(model)[1]
22 ))
23}
24
25# Příklad použití
26ct_values <- c(15.0, 18.5, 22.0, 25.5, 29.0)
27dilution_factor <- 10
28results <- calculate_qpcr_efficiency(ct_values, dilution_factor)
29cat(sprintf("Účinnost: %.2f%%\n", results$efficiency))
30cat(sprintf("Sklon: %.4f\n", results$slope))
31cat(sprintf("R-squared: %.4f\n", results$r_squared))
32Python
1import numpy as np
2from scipy import stats
3import matplotlib.pyplot as plt
4
5def calculate_qpcr_efficiency(ct_values, dilution_factor):
6 """
7 Vypočítat účinnost qPCR ze Ct hodnot a faktoru zředění.
8
9 Parametry:
10 ct_values (list): Seznam Ct hodnot
11 dilution_factor (float): Faktor zředění mezi po sobě jdoucími vzorky
12
13 Návratová hodnota:
14 dict: Slovník obsahující účinnost, sklon, r_squared a intercept
15 """
16 # Vytvořit log zředění
17 log_dilutions = np.log10(dilution_factor) * np.arange(len(ct_values))
18
19 # Provést lineární regresi
20 slope, intercept, r_value, p_value, std_err = stats.linregress(log_dilutions, ct_values)
21
22 # Vypočítat účinnost
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 Vykreslit standardní křivku s regresní linií.
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 # Vygenerovat body pro regresní linii
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('Log zředění')
48 plt.ylabel('Ct hodnota')
49 plt.title('Standardní křivka qPCR')
50
51 # Přidat rovnici a R² do grafu
52 equation = f"y = {results['slope']:.4f}x + {results['intercept']:.4f}"
53 r_squared = f"R² = {results['r_squared']:.4f}"
54 efficiency = f"Účinnost = {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# Příklad použití
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"Účinnost: {results['efficiency']:.2f}%")
70print(f"Sklon: {results['slope']:.4f}")
71print(f"R-squared: {results['r_squared']:.4f}")
72print(f"Intercept: {results['intercept']:.4f}")
73
74# Vykreslit standardní křivku
75plot_standard_curve(ct_values, dilution_factor, results)
76JavaScript
1/**
2 * Vypočítat účinnost qPCR ze Ct hodnot a faktoru zředění
3 * @param {Array<number>} ctValues - Pole Ct hodnot
4 * @param {number} dilutionFactor - Faktor zředění mezi po sobě jdoucími vzorky
5 * @returns {Object} Objekt obsahující účinnost, sklon, rSquared a intercept
6 */
7function calculateQPCREfficiency(ctValues, dilutionFactor) {
8 // Vytvořit log zředění
9 const logDilutions = ctValues.map((_, index) => index * Math.log10(dilutionFactor));
10
11 // Vypočítat průměry pro lineární regresi
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 // Vypočítat sklon a intercept
24 const slope = (n * sumXY - sumX * sumY) / (n * sumXX - sumX * sumX);
25 const intercept = (sumY - slope * sumX) / n;
26
27 // Vypočítat R-squared
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 // Vypočítat účinnost
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// Příklad použití
52const ctValues = [15.0, 18.5, 22.0, 25.5, 29.0];
53const dilutionFactor = 10;
54const results = calculateQPCREfficiency(ctValues, dilutionFactor);
55
56console.log(`Účinnost: ${results.efficiency.toFixed(2)}%`);
57console.log(`Sklon: ${results.slope.toFixed(4)}`);
58console.log(`R-squared: ${results.rSquared.toFixed(4)}`);
59console.log(`Intercept: ${results.intercept.toFixed(4)}`);
60Často kladené otázky (FAQ)
Jaká je dobrá procentuální účinnost qPCR?
Dobrá účinnost qPCR obvykle spadá mezi 90 % a 110 % (0.9-1.1). Účinnost 100 % představuje dokonalé zdvojení PCR produktu s každým cyklem. Účinnosti mimo tento rozsah mohou naznačovat problémy s návrhem primerů, podmínkami reakce nebo přítomností inhibitorů.
Proč je moje účinnost qPCR vyšší než 100 %?
Účinnosti vyšší než 100 % mohou nastat z důvodu:
- Chyb v pipetování v sérii zředění
- Přítomnosti inhibitorů PCR, které ovlivňují vyšší koncentrace více než nižší
- Nespecifické amplifikace nebo primer-dimery přispívající k signálu
- Problémů s korekcí základní linie v analýze qPCR
Co nízká hodnota R² naznačuje v mé standardní křivce?
Nízká hodnota R² (pod 0.98) naznačuje špatnou linearitu ve vaší standardní křivce, což může být způsobeno:
- Chybami pipetování během přípravy série zředění
- Nekonzistentní amplifikací napříč rozsahem koncentrací
- Dosahováním limitu detekce při velmi nízkých nebo vysokých koncentracích
- Inhibicí PCR ovlivňující některé zředění více než jiné
- Špatným výkonem primerů nebo nespecifickou amplifikací
Kolik zředění bych měl použít pro výpočet účinnosti qPCR?
Pro spolehlivé výpočty účinnosti je zapotřebí minimálně 3 zředění, ale doporučuje se 5-6 bodů pro přesnější výsledky. Tyto body by měly pokrýt celý dynamický rozsah očekávaných koncentrací šablony ve vašich experimentálních vzorcích.
Jak účinnost qPCR ovlivňuje výpočty relativní kvantifikace?
V relativní kvantifikaci pomocí metody ΔΔCt se předpokládá, že účinnosti mezi cílovými a referenčními geny jsou stejné (ideálně 100 %). Když se účinnosti výrazně liší:
- Standardní metoda ΔΔCt může vést k podstatným chybám kvantifikace
- Musí se použít modely opravené na účinnost (jako je metoda Pfaffla)
- Velikost chyby se zvyšuje s většími rozdíly Ct mezi vzorky
Mohu použít stejnou hodnotu účinnosti pro všechny své experimenty qPCR?
Ne, účinnost by měla být určena pro každý pár primerů a měla by být znovu validována:
- Při použití nových dávek primerů
- Při změně podmínek reakce nebo master mixu
- Při práci s různými typy vzorků nebo metodami extrakce
- Pravidelně jako součást kontroly kvality
Jak inhibitory PCR ovlivňují výpočty účinnosti?
Inhibitory PCR mohou:
- Snížit celkovou účinnost
- Ovlivnit vyšší koncentrace vzorků těžšími
- Vytvořit nelinearitu ve standardní křivce
- Vést k podcenění množství cíle
- Způsobit nekonzistentní amplifikaci napříč replikáty
Jaký je rozdíl mezi účinností qPCR a účinností PCR?
Termíny se často používají zaměnitelně, ale:
- Účinnost qPCR se konkrétně vztahuje na účinnost měřenou v reálném čase kvantitativní PCR
- Účinnost PCR může odkazovat na obecný koncept v jakékoli PCR reakci
- Účinnost qPCR je kvantitativně měřena pomocí standardních křivek nebo jiných metod
- Tradiční účinnost PCR se často hodnotí kvalitativně pomocí gelové elektroforézy
Jak mohu zlepšit účinnost qPCR?
Pro zlepšení účinnosti qPCR:
- Optimalizujte návrh primerů (délka 18-22 bp, obsah GC 50-60 %, Tm kolem 60 °C)
- Otestujte různé teploty annealingu
- Optimalizujte koncentrace primerů
- Použijte vysoce kvalitní DNA/RNA šablonu
- Zvažte použití zpevňovačů PCR pro obtížné šablony
- Zajistěte správnou přípravu vzorku k odstranění potenciálních inhibitorů
- Otestujte různé komerční master mixy
Mohu porovnávat vzorky s různými účinnostmi?
Porovnávání vzorků s výrazně různými účinnostmi se nedoporučuje, protože:
- Může to vést k podstatným chybám kvantifikace
- Velikost chyby se zvyšuje s většími rozdíly Ct
- Pokud je to nevyhnutelné, musí se použít modely opravené na účinnost
- Výsledky by měly být interpretovány s opatrností a další validací
Reference
-
Bustin SA, Benes V, Garson JA, et al. Pokyny MIQE: minimální informace pro publikaci experimentů s kvantitativní PCR v reálném čase. Clin Chem. 2009;55(4):611-622. doi:10.1373/clinchem.2008.112797
-
Pfaffl MW. Nový matematický model pro relativní kvantifikaci v reálném čase 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. Jak dobrý je odhad účinnosti PCR: Doporučení pro přesné a robustní hodnocení účinnosti qPCR. 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. Ultimátní experiment qPCR: Produkování kvalitních, reprodukovatelných dat poprvé. Trends Biotechnol. 2019;37(7):761-774. doi:10.1016/j.tibtech.2018.12.002
-
Ruijter JM, Ramakers C, Hoogaars WM, et al. Účinnost amplifikace: propojení základní linie a zkreslení v analýze dat kvantitativní PCR. Nucleic Acids Res. 2009;37(6):e45. doi:10.1093/nar/gkp045
-
Higuchi R, Fockler C, Dollinger G, Watson R. Kinetická analýza PCR: sledování amplifikačních reakcí DNA v reálném čase. Biotechnology (N Y). 1993;11(9):1026-1030. doi:10.1038/nbt0993-1026
-
Bio-Rad Laboratories. Příručka aplikací pro PCR v reálném čase. https://www.bio-rad.com/webroot/web/pdf/lsr/literature/Bulletin_5279.pdf
-
Thermo Fisher Scientific. Příručka pro PCR v reálném čase. https://www.thermofisher.com/content/dam/LifeTech/global/Forms/PDF/real-time-pcr-handbook.pdf
Náš kalkulátor účinnosti qPCR poskytuje jednoduchý, ale mocný nástroj pro výzkumníky k validaci a optimalizaci jejich experimentů kvantitativní PCR. Přesným výpočtem účinnosti ze standardních křivek můžete zajistit spolehlivou kvantifikaci, řešit problematické testy a dodržovat osvědčené postupy v experimentaci qPCR.
Vyzkoušejte náš kalkulátor ještě dnes, abyste zlepšili kvalitu a spolehlivost svých dat qPCR!
Zpětná vazba
Kliknutím na zpětnou vazbu spustíte poskytování zpětné vazby o tomto nástroji.
Související nástroje
Objevte další nástroje, které by mohly být užitečné pro vaši pracovní postup.