Калькулятор ефективності qPCR: аналіз стандартних кривих та ампліфікації
Розрахуйте ефективність ПЦР за значеннями Ct та факторами розведення. Аналізуйте стандартні криві, визначайте ефективність ампліфікації та перевіряйте свої кількісні експерименти qPCR.
Калькулятор ефективності qPCR
Вхідні параметри
Значення Ct
Значення повинно бути позитивним
Значення повинно бути позитивним
Значення повинно бути позитивним
Значення повинно бути позитивним
Значення повинно бути позитивним
Результати
Стандартна крива
Введіть дійсні дані, щоб згенерувати графік
Інформація
Ефективність qPCR є мірою того, наскільки добре виконується реакція ПЛР. Ефективність 100% означає, що кількість продукту ПЛР подвоюється з кожним циклом під час експоненційної фази.
Ефективність розраховується з нахилу стандартної кривої, яка отримується шляхом побудови значень Ct проти логарифму початкової концентрації шаблону (серія розведень).
Ефективність (E) розраховується за формулою:
E = 10^(-1/slope) - 1
Документація
Калькулятор ефективності qPCR: Оптимізуйте свої кількісні експерименти PCR
Вступ до ефективності qPCR
Ефективність кількісної полімеразної ланцюгової реакції (qPCR) є критичним параметром, який безпосередньо впливає на точність і надійність ваших експериментів qPCR. Калькулятор ефективності qPCR допомагає дослідникам визначити, наскільки ефективно їхні реакції ПЛР ампліфікують цільові ДНК послідовності з кожним термічним циклом. Ідеальні реакції qPCR повинні мати ефективність у межах 90-110%, що вказує на те, що кількість продукту ПЛР приблизно подвоюється з кожним циклом під час експоненційної фази.
Погана ампліфікаційна ефективність може призвести до неточної кількісної оцінки, ненадійних результатів і помилкових експериментальних висновків. Обчислюючи та контролюючи свою ефективність qPCR, ви можете оптимізувати умови реакції, перевірити дизайн праймерів і забезпечити якість своїх кількісних даних PCR.
Цей калькулятор використовує метод стандартної кривої, який будує графік порогових циклів (Ct) проти логарифму концентрації шаблону (представленого серійними розведеннями), щоб визначити ефективність вашого аналізу qPCR. Отриманий нахил цієї стандартної кривої потім використовується для обчислення ампліфікаційної ефективності за допомогою простого математичного формули.
Формула та обчислення ефективності qPCR
Ефективність реакції qPCR обчислюється з нахилу стандартної кривої за допомогою наступної формули:
Де:
- E — ефективність (вимірюється як десяткове число)
- Нахил — нахил стандартної кривої (графік Ct значень проти логарифму розведення)
Для ідеальної реакції ПЛР з 100% ефективністю (ідеальне подвоєння ампліконів з кожним циклом) нахил буде -3.32. Це тому, що:
10^{(-1/-3.32)} - 1 = 10^{0.301} - 1 = 2 - 1 = 1.0 \text{ (або 100%)}
Відсоток ефективності обчислюється шляхом множення десяткової ефективності на 100:
\text{Ефективність (%)} = E \times 100\%
Розуміння стандартної кривої
Стандартна крива створюється шляхом побудови графіка значень Ct (ось y) проти логарифму початкової концентрації шаблону або фактора розведення (ось x). Залежність між цими змінними повинна бути лінійною, а якість цієї лінійної залежності оцінюється за допомогою коефіцієнта детермінації (R²).
Для надійних обчислень ефективності qPCR:
- Значення R² повинно бути ≥ 0.98
- Нахил зазвичай повинен бути в межах від -3.1 до -3.6
- Має бути використано не менше 3-5 точок розведення для створення стандартної кривої
Покроковий процес обчислення
-
Підготовка даних: Калькулятор приймає ваші значення Ct для кожної точки розведення та фактор розведення як вхідні дані.
-
Логарифмічна трансформація: Серія розведення трансформується в логарифмічну шкалу (логарифм за основою 10).
-
Лінійна регресія: Калькулятор виконує аналіз лінійної регресії на логарифмічно трансформованих даних, щоб визначити нахил, y-перехоплення та значення R².
-
Обчислення ефективності: Використовуючи значення нахилу, ефективність обчислюється за формулою E = 10^(-1/slope) - 1.
-
Інтерпретація результатів: Калькулятор відображає ефективність у відсотках, разом із нахилом та значенням R², щоб допомогти вам оцінити надійність вашого аналізу qPCR.
Як користуватися калькулятором ефективності qPCR
Дотримуйтесь цих кроків, щоб обчислити свою ефективність qPCR:
-
Встановіть кількість розведень: Виберіть, скільки точок розведення у вас є в стандартній кривій (рекомендується від 3 до 7 точок).
-
Введіть фактор розведення: Введіть фактор розведення, що використовувався між послідовними зразками (наприклад, 10 для 10-кратного розведення, 5 для 5-кратного розведення).
-
Введіть значення Ct: Введіть значення Ct для кожної точки розведення. Зазвичай перше розведення (Розведення 1) містить найвищу концентрацію шаблону, що призводить до найнижчого значення Ct.
-
Перегляньте результати: Калькулятор автоматично обчислить і відобразить:
- Ефективність ПЛР (%)
- Нахил стандартної кривої
- Y-перехоплення
- Значення R² (коефіцієнт детермінації)
- Візуальне представлення стандартної кривої
-
Інтерпретуйте результати: Оцініть, чи ваша ефективність qPCR знаходиться в межах прийнятного діапазону (90-110%) і чи значення R² вказує на надійну стандартну криву (≥ 0.98).
-
Скопіюйте результати: Використовуйте кнопку "Скопіювати результати", щоб скопіювати всі обчислені значення для ваших записів або публікацій.
Приклад обчислення
Давайте пройдемо через приклад:
- Фактор розведення: 10 (10-кратне серійне розведення)
- Кількість розведень: 5
- Значення Ct:
- Розведення 1 (найвища концентрація): 15.0
- Розведення 2: 18.5
- Розведення 3: 22.0
- Розведення 4: 25.5
- Розведення 5 (найнижча концентрація): 29.0
Коли побудувати на стандартній кривій:
- Ось x представляє log(розведення): 0, 1, 2, 3, 4
- Ось y представляє значення Ct: 15.0, 18.5, 22.0, 25.5, 29.0
Калькулятор виконає лінійну регресію та визначить:
- Нахил: -3.5
- Y-перехоплення: 15.0
- R²: 1.0 (ідеальна лінійна залежність у цьому прикладі)
Використовуючи формулу ефективності:
Це вказує на хорошу ефективність qPCR у 93%, що знаходиться в межах прийнятного діапазону 90-110%.
Варіанти використання обчислень ефективності qPCR
1. Перевірка та оптимізація праймерів
Перед використанням нової пари праймерів для кількісних експериментів важливо перевірити їхню продуктивність. Обчислення ефективності qPCR допомагає:
- Оцінити специфічність і продуктивність праймерів
- Оптимізувати концентрації праймерів
- Визначити оптимальну температуру аннейлінгу
- Перевірити пари праймерів на різних концентраціях шаблону
2. Розробка та валідація аналізу
Під час розробки нових аналізів qPCR обчислення ефективності є критично важливими для:
- Забезпечення надійної кількісної оцінки в межах динамічного діапазону
- Валідації нижньої межі виявлення
- Підтвердження повторюваності аналізу
- Порівняння різних хімій виявлення (SYBR Green проти TaqMan проб)
3. Дослідження експресії генів
У експериментах з відносною кількісною оцінкою знання ефективності ПЛР є важливими для:
- Застосування відповідних моделей кількісної оцінки (ΔΔCt проти моделей з виправленням ефективності)
- Нормалізації цільових генів проти контрольних генів з різними ефективностями
- Забезпечення точних розрахунків зміни в кількості
- Валідації результатів у різних експериментальних умовах
4. Діагностичні та клінічні застосування
У клінічних і діагностичних умовах ефективність qPCR є важливою для:
- Валідації діагностичних аналізів перед клінічним впровадженням
- Забезпечення стабільної продуктивності для різних типів зразків
- Відповідності регуляторним вимогам для валідації аналізів
- Моніторингу контролю якості в рутинних тестуваннях
5. Екологічне та харчове тестування
Для екологічних і безпекових застосувань у харчуванні обчислення ефективності допомагають:
- Валідувати методи виявлення патогенів або ГМО
- Забезпечити стабільну продуктивність у складних матрицях зразків
- Визначити межі виявлення в складних зразках
- Дотримуватись стандартів і регуляцій тестування
Альтернативи методу стандартної кривої
Хоча метод стандартної кривої є найпоширенішим підходом для обчислення ефективності qPCR, існують альтернативні методи:
1. Аналіз ефективності одного амплікона
Цей метод обчислює ефективність з даних флуоресценції єдиної кривої ампліфікації, без потреби в серії розведень. Програмне забезпечення, таке як LinRegPCR, аналізує експоненційну фазу окремих реакцій, щоб визначити ефективність.
Переваги:
- Не потрібно серії розведень
- Можна обчислити ефективність для кожної окремої реакції
- Корисно, коли матеріал зразка обмежений
Недоліки:
- Може бути менш точним, ніж метод стандартної кривої
- Потребує спеціалізованого програмного забезпечення для аналізу
- Більш чутливий до проблем з фоновою флуоресценцією
2. Абсолютна кількісна оцінка з цифровою ПЛР
Цифрова ПЛР (dPCR) забезпечує абсолютну кількісну оцінку без потреби в стандартній кривій або обчисленнях ефективності.
Переваги:
- Не потрібно обчислень ефективності
- Вища точність для цілей з низькою концентрацією
- Менш підлягає впливу інгібіторів
Недоліки:
- Потребує спеціалізованого обладнання
- Вищі витрати на зразок
- Обмежений динамічний діапазон у порівнянні з qPCR
3. Методи порівняльної кількісної оцінки
Деяке програмне забезпечення для аналізу qPCR пропонує методи порівняльної кількісної оцінки, які оцінюють ефективність без повної стандартної кривої.
Переваги:
- Потребує менше зразків, ніж повна стандартна крива
- Може бути виконано разом з експериментальними зразками
- Корисно для рутинного аналізу
Недоліки:
- Може бути менш точним, ніж повна стандартна крива
- Обмежена валідація лінійного динамічного діапазону
- Може не виявляти проблеми з інгібіцією
Історія qPCR та обчислень ефективності
Розвиток qPCR і обчислень ефективності значно еволюціонував за останні кілька десятиліть:
Ранні розробки (1980-ті - 1990-ті)
Полімеразна ланцюгова реакція (ПЛР) була винайдена Кері Маллісом у 1983 році, що революціонізувало молекулярну біологію. Однак традиційна ПЛР була лише якісною або напівкількісною. Перша система реального часу ПЛР була розроблена на початку 1990-х років Расселом Хігі та його колегами, які продемонстрували, що моніторинг продуктів ПЛР під час їх накопичення (за допомогою флуоресценції етідіум броміду) може надати кількісну інформацію.
Встановлення стандартів qPCR (1990-ті - 2000-ті)
З розвитком технології qPCR дослідники визнали важливість стандартизації та валідації. Концепція ефективності ПЛР стала центральною для надійної кількісної оцінки:
- У 1998 році Пфаффл представив моделі кількісної оцінки з виправленням ефективності
- Метод стандартної кривої для обчислення ефективності став широко прийнятим
- З'явилися комерційні системи qPCR з покращеними хімічними детекторами
Сучасні розробки (2000-ті - сьогодення)
Сфера продовжує еволюціонувати з:
- Публікація рекомендацій MIQE (Мінімальна інформація для публікації експериментів кількісної реального часу PCR) у 2009 році, що підкреслює важливість звітування про ефективність ПЛР
- Розробка вдосконаленого програмного забезпечення для обчислення ефективності
- Інтеграція обчислень ефективності в інструменти та програмне забезпечення qPCR
- Поява цифрової ПЛР як доповнюючої технології
Сьогодні обчислення та звітування про ефективність qPCR вважається необхідним для публікації надійних даних qPCR, і такі інструменти, як цей калькулятор, допомагають дослідникам дотримуватись найкращих практик у цій сфері.
Приклади коду для обчислення ефективності qPCR
Excel
1' Excel формула для обчислення ефективності qPCR з нахилу
2' Розмістіть у клітинці B2, якщо нахил у клітинці A2
3=10^(-1/A2)-1
4
5' Excel формула для перетворення ефективності в відсотки
6' Розмістіть у клітинці C2, якщо десяткова ефективність у клітинці B2
7=B2*100
8
9' Функція для обчислення ефективності з значень Ct і фактора розведення
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 ' Обчислення лінійної регресії
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 ' Обчислення нахилу
28 slope = (n * sumXY - sumX * sumY) / (n * sumXX - sumX * sumX)
29
30 ' Обчислення ефективності
31 qPCR_Efficiency = (10 ^ (-1 / slope) - 1) * 100
32End Function
33R
1# R функція для обчислення ефективності qPCR з значень Ct і фактора розведення
2calculate_qpcr_efficiency <- function(ct_values, dilution_factor) {
3 # Створити логарифмічні значення розведення
4 log_dilutions <- log10(dilution_factor) * seq(0, length(ct_values) - 1)
5
6 # Виконати лінійну регресію
7 model <- lm(ct_values ~ log_dilutions)
8
9 # Витягти нахил і R-квадрат
10 slope <- coef(model)[2]
11 r_squared <- summary(model)$r.squared
12
13 # Обчислення ефективності
14 efficiency <- (10^(-1/slope) - 1) * 100
15
16 # Повернути результати
17 return(list(
18 efficiency = efficiency,
19 slope = slope,
20 r_squared = r_squared,
21 intercept = coef(model)[1]
22 ))
23}
24
25# Приклад використання
26ct_values <- c(15.0, 18.5, 22.0, 25.5, 29.0)
27dilution_factor <- 10
28results <- calculate_qpcr_efficiency(ct_values, dilution_factor)
29cat(sprintf("Ефективність: %.2f%%\n", results$efficiency))
30cat(sprintf("Нахил: %.4f\n", results$slope))
31cat(sprintf("R-квадрат: %.4f\n", results$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 Обчислити ефективність qPCR з значень Ct і фактора розведення.
8
9 Параметри:
10 ct_values (list): Список значень Ct
11 dilution_factor (float): Фактор розведення між послідовними зразками
12
13 Повертає:
14 dict: Словник, що містить ефективність, нахил, r_squared і y-перехоплення
15 """
16 # Створити логарифмічні значення розведення
17 log_dilutions = np.log10(dilution_factor) * np.arange(len(ct_values))
18
19 # Виконати лінійну регресію
20 slope, intercept, r_value, p_value, std_err = stats.linregress(log_dilutions, ct_values)
21
22 # Обчислення ефективності
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 Побудувати стандартну криву з регресійною лінією.
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 # Згенерувати точки для регресійної лінії
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('Лог Розведення')
48 plt.ylabel('Значення Ct')
49 plt.title('Стандартна Крива qPCR')
50
51 # Додати рівняння та R² до графіка
52 equation = f"y = {results['slope']:.4f}x + {results['intercept']:.4f}"
53 r_squared = f"R² = {results['r_squared']:.4f}"
54 efficiency = f"Ефективність = {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# Приклад використання
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"Ефективність: {results['efficiency']:.2f}%")
70print(f"Нахил: {results['slope']:.4f}")
71print(f"R-квадрат: {results['r_squared']:.4f}")
72print(f"Y-перехоплення: {results['intercept']:.4f}")
73
74# Побудувати стандартну криву
75plot_standard_curve(ct_values, dilution_factor, results)
76JavaScript
1/**
2 * Обчислити ефективність qPCR з значень Ct і фактора розведення
3 * @param {Array<number>} ctValues - Масив значень Ct
4 * @param {number} dilutionFactor - Фактор розведення між послідовними зразками
5 * @returns {Object} Об'єкт, що містить ефективність, нахил, rSquared і y-перехоплення
6 */
7function calculateQPCREfficiency(ctValues, dilutionFactor) {
8 // Створити логарифмічні значення розведення
9 const logDilutions = ctValues.map((_, index) => index * Math.log10(dilutionFactor));
10
11 // Обчислити середні значення для лінійної регресії
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 // Обчислення нахилу та y-перехоплення
24 const slope = (n * sumXY - sumX * sumY) / (n * sumXX - sumX * sumX);
25 const intercept = (sumY - slope * sumX) / n;
26
27 // Обчислення R-квадрат
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 // Обчислення ефективності
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// Приклад використання
52const ctValues = [15.0, 18.5, 22.0, 25.5, 29.0];
53const dilutionFactor = 10;
54const results = calculateQPCREfficiency(ctValues, dilutionFactor);
55
56console.log(`Ефективність: ${results.efficiency.toFixed(2)}%`);
57console.log(`Нахил: ${results.slope.toFixed(4)}`);
58console.log(`R-квадрат: ${results.rSquared.toFixed(4)}`);
59console.log(`Y-перехоплення: ${results.intercept.toFixed(4)}`);
60Часті запитання (FAQ)
Який хороший відсоток ефективності qPCR?
Добра ефективність qPCR зазвичай знаходиться в межах 90-110% (0.9-1.1). Ефективність 100% представляє ідеальне подвоєння продукту ПЛР з кожним циклом. Ефективності за межами цього діапазону можуть вказувати на проблеми з дизайном праймерів, умовами реакції або наявністю інгібіторів.
Чому моя ефективність qPCR перевищує 100%?
Ефективності, що перевищують 100%, можуть виникати через:
- Помилки в піпетуванні під час підготовки серії розведень
- Наявність інгібіторів ПЛР, які впливають на вищі концентрації більше, ніж на нижчі
- Неспецифічну ампліфікацію або димеризацію праймерів, що сприяє сигналу
- Проблеми з корекцією базового рівня в аналізі qPCR
Що вказує на низьке значення R² у моїй стандартній кривій?
Низьке значення R² (нижче 0.98) вказує на погану лінійність вашої стандартної кривої, що може бути викликано:
- Помилками в піпетуванні під час підготовки серії розведень
- Непослідовною ампліфікацією в межах концентрацій
- Досягненням межі виявлення при дуже низьких або високих концентраціях
- Впливом інгібіторів на деякі точки розведення більше, ніж на інші
- Поганою продуктивністю праймерів або неспецифічною ампліфікацією
Скільки точок розведення я повинен використовувати для обчислення ефективності qPCR?
Для надійних обчислень ефективності рекомендується використовувати не менше 3 точок розведення, але 5-6 точок є оптимальними для більш точних результатів. Ці точки повинні охоплювати весь динамічний діапазон очікуваних концентрацій шаблону у ваших експериментальних зразках.
Як ефективність qPCR впливає на розрахунки відносної кількісної оцінки?
У відносній кількісній оцінці за допомогою методу ΔΔCt передбачається, що ефективності між цільовими та контрольними генами є рівними (ідеально 100%). Коли ефективності суттєво відрізняються:
- Стандартний метод ΔΔCt може призвести до значних помилок у кількісній оцінці
- Необхідно використовувати моделі з виправленням ефективності (наприклад, метод Пфаффла)
- Розмір помилки зростає з більшими різницями Ct між зразками
Чи можу я використовувати одне й те саме значення ефективності для всіх своїх експериментів qPCR?
Ні, ефективність слід визначати для кожної пари праймерів і повторно перевіряти:
- При використанні нових партій праймерів
- При зміні умов реакції або майстер-міксу
- При роботі з різними типами зразків або методами екстракції
- Періодично в рамках контролю якості
Як інгібітори ПЛР впливають на обчислення ефективності?
Інгібітори ПЛР можуть:
- Знижувати загальну ефективність
- Більш серйозно впливати на зразки з високою концентрацією
- Створювати нелінійність у стандартній кривій
- Призводити до недооцінки кількості цільового шаблону
- Викликати непослідовну ампліфікацію в межах реплікатів
Яка різниця між ефективністю qPCR та ефективністю ПЛР?
Ці терміни часто використовуються взаємозамінно, але:
- Ефективність qPCR конкретно відноситься до ефективності, виміряної в реальному часі кількісної ПЛР
- Ефективність ПЛР може відноситися до загального поняття в будь-якій реакції ПЛР
- Ефективність qPCR кількісно вимірюється з використанням стандартних кривих або інших методів
- Традиційна ефективність ПЛР часто оцінюється якісно за допомогою гель-електрофорезу
Як я можу покращити свою ефективність qPCR?
Щоб покращити ефективність qPCR:
- Оптимізуйте дизайн праймерів (довжина 18-22 нуклеотидів, вміст GC 50-60%, Tm близько 60°C)
- Перевірте різні температури аннейлінгу
- Оптимізуйте концентрації праймерів
- Використовуйте високо якісний шаблон ДНК/РНК
- Розгляньте можливість використання підсилювачів ПЛР для складних шаблонів
- Забезпечте належну підготовку зразків для видалення потенційних інгібіторів
- Перевірте різні комерційні майстер-мікси
Чи можу я порівнювати зразки з різними ефективностями?
Порівняння зразків з суттєво різними ефективностями не рекомендується, оскільки:
- Це може призвести до значних помилок у кількісній оцінці
- Розмір помилки зростає з більшими різницями Ct
- Якщо це неминуче, необхідно використовувати моделі з виправленням ефективності
- Результати слід інтерпретувати з обережністю та з додатковою валідацією
Посилання
-
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
Наш калькулятор ефективності qPCR надає простий, але потужний інструмент для дослідників, щоб перевірити та оптимізувати свої експерименти кількісної ПЛР. Точно обчислюючи ефективність за допомогою стандартних кривих, ви можете забезпечити надійну кількісну оцінку, усунути проблеми з аналізами та дотримуватись найкращих практик у проведенні експериментів qPCR.
Спробуйте наш калькулятор сьогодні, щоб покращити якість і надійність ваших даних qPCR!
Зворотній зв'язок
Клацніть на спливаюче вікно зворотного зв'язку, щоб почати надавати відгуки про цей інструмент
Пов'язані Інструменти
Відкрийте більше інструментів, які можуть бути корисними для вашого робочого процесу