Ct اقدار اور پتلا کرنے کے عوامل سے PCR کی کارکردگی کا حساب لگائیں۔ معیاری منحنیات کا تجزیہ کریں، بڑھوتری کی کارکردگی کا تعین کریں، اور اپنے مقداری PCR تجربات کی توثیق کریں۔
قدر مثبت ہونی چاہیے
قدر مثبت ہونی چاہیے
قدر مثبت ہونی چاہیے
قدر مثبت ہونی چاہیے
قدر مثبت ہونی چاہیے
چارٹ بنانے کے لیے درست ڈیٹا درج کریں
qPCR کی کارکردگی یہ ماپتی ہے کہ PCR کا عمل کتنی اچھی طرح کام کرتا ہے۔ 100% کی کارکردگی کا مطلب ہے کہ PCR کی مصنوعات کی مقدار ہر سائیکل کے ساتھ دوگنا ہو جاتی ہے جو کہ ایکسپوننشل مرحلے کے دوران ہوتی ہے۔
کارکردگی معیاری منحنی کی ڈھلوان سے حساب کی جاتی ہے، جو Ct کی قیمتوں کو ابتدائی نمونہ کی مقدار (پھلاؤ کی سیریز) کے لاگ کے خلاف پلاٹ کر کے حاصل کی جاتی ہے۔
کارکردگی (E) کا حساب لگانے کے لیے یہ فارمولا استعمال کیا جاتا ہے:
E = 10^(-1/slope) - 1
مقداری پولیمریس چین ری ایکشن (qPCR) کی کارکردگی ایک اہم پیرامیٹر ہے جو براہ راست آپ کے qPCR تجربات کی درستگی اور قابل اعتماد پر اثر انداز ہوتا ہے۔ qPCR کی کارکردگی کا حساب کتاب کرنے والا محققین کو یہ طے کرنے میں مدد کرتا ہے کہ ان کے PCR ردعمل ہر تھرمل سائیکل کے ساتھ ہدف DNA تسلسل کو کتنی مؤثر طریقے سے بڑھا رہے ہیں۔ مثالی qPCR ردعمل کی کارکردگی 90-110% کے درمیان ہونی چاہیے، جو یہ ظاہر کرتی ہے کہ PCR پروڈکٹ کی مقدار تقریباً ہر سائیکل کے دوران دوگنا ہو جاتی ہے۔
کمزور بڑھانے کی کارکردگی غلط مقدار میں، غیر قابل اعتماد نتائج، اور تجرباتی نتائج میں غلطیوں کا باعث بن سکتی ہے۔ آپ کی qPCR کی کارکردگی کا حساب لگانے اور اس کی نگرانی کرنے سے آپ ردعمل کے حالات کو بہتر بنا سکتے ہیں، پرائمری ڈیزائن کی توثیق کر سکتے ہیں، اور اپنے مقداری PCR ڈیٹا کے معیار کو یقینی بنا سکتے ہیں۔
یہ کیلکولیٹر معیاری منحنی خط کے طریقہ کار کا استعمال کرتا ہے، جو سائیکل تھریشولڈ (Ct) کی قدروں کو نمونہ کی مقدار (سیرئیل ڈائیلیوشن کے ذریعے نمائندگی کی گئی) کے لوگارتھم کے خلاف پلاٹ کرتا ہے، تاکہ آپ کے qPCR ٹیسٹ کی کارکردگی کا تعین کیا جا سکے۔ اس معیاری منحنی خط کا نتیجہ سلوپ پھر اس سادہ ریاضیاتی فارمولا کا استعمال کرتے ہوئے آپ کے qPCR ٹیسٹ کی بڑھنے کی کارکردگی کا حساب لگانے کے لیے استعمال کیا جاتا ہے۔
qPCR کے ردعمل کی کارکردگی معیاری منحنی خط کے سلوپ سے مندرجہ ذیل فارمولا کا استعمال کرتے ہوئے حساب کی جاتی ہے:
جہاں:
ایک مثالی PCR ردعمل کے لیے 100% کارکردگی (سائیکل کے ساتھ امپلیکونز کا مکمل دوگنا ہونا) کے لیے، سلوپ -3.32 ہوگا۔ یہ اس وجہ سے ہے:
10^{(-1/-3.32)} - 1 = 10^{0.301} - 1 = 2 - 1 = 1.0 \text{ (یا 100%)}
کارکردگی کا فیصد اعشاریہ کی کارکردگی کو 100 سے ضرب دے کر حساب کیا جاتا ہے:
\text{Efficiency (%)} = E \times 100\%
معیاری منحنی خط Ct کی قدروں (y-axis) کو ابتدائی نمونہ کی مقدار یا ڈائیلیوشن فیکٹر (x-axis) کے لوگارتھم کے خلاف پلاٹ کر کے بنایا جاتا ہے۔ ان متغیرات کے درمیان تعلق لکیری ہونا چاہیے، اور اس لکیری تعلق کے معیار کا اندازہ لگانے کے لیے تعین کا ضریب (R²) استعمال کیا جاتا ہے۔
قابل اعتماد qPCR کی کارکردگی کے حساب کتاب کے لیے:
ڈیٹا کی تیاری: کیلکولیٹر آپ کے Ct کی قدروں کو ہر ڈائیلیوشن پوائنٹ کے لیے اور ڈائیلیوشن فیکٹر کو ان پٹ کے طور پر لیتا ہے۔
لوگ تبدیلی: ڈائیلیوشن سیریز کو لوگارتھمک پیمانے میں تبدیل کیا جاتا ہے (لوگ بیس 10)۔
لکیری ریگریشن: کیلکولیٹر لوگ تبدیل شدہ ڈیٹا پر لکیری ریگریشن تجزیہ کرتا ہے تاکہ سلوپ، y-intercept، اور R² کی قیمت کا تعین کیا جا سکے۔
کارکردگی کا حساب کتاب: سلوپ کی قیمت کا استعمال کرتے ہوئے، کارکردگی کا حساب لگایا جاتا ہے جس کا فارمولا E = 10^(-1/slope) - 1 ہے۔
نتائج کی تشریح: کیلکولیٹر خود بخود کارکردگی کو فیصد کے طور پر ظاہر کرتا ہے، ساتھ ہی سلوپ اور R² کی قیمت کو بھی آپ کے qPCR ٹیسٹ کی قابل اعتمادیت کا اندازہ لگانے میں مدد کرنے کے لیے۔
اپنی qPCR کی کارکردگی کا حساب لگانے کے لیے ان مراحل کی پیروی کریں:
ڈائیلیوشنز کی تعداد طے کریں: منتخب کریں کہ آپ کے معیاری منحنی خط میں کتنے ڈائیلیوشن پوائنٹس ہیں (3-7 پوائنٹس کے درمیان تجویز کردہ)۔
ڈائیلیوشن فیکٹر درج کریں: ان پٹ کریں کہ آپ نے ہر تسلسل کے درمیان کون سا ڈائیلیوشن فیکٹر استعمال کیا ہے (مثلاً، 10 کے لیے 10 گنا ڈائیلیوشن سیریز، 5 کے لیے 5 گنا ڈائیلیوشن سیریز)۔
Ct کی قدریں درج کریں: ہر ڈائیلیوشن پوائنٹ کے لیے Ct کی قدریں درج کریں۔ عام طور پر، پہلا ڈائیلیوشن (ڈائیلیوشن 1) میں سب سے زیادہ مقدار ہوتی ہے، جس کے نتیجے میں سب سے کم Ct کی قیمت ہوتی ہے۔
نتائج دیکھیں: کیلکولیٹر خود بخود حساب لگائے گا اور درج ذیل ظاہر کرے گا:
نتائج کی تشریح کریں: یہ جانچیں کہ آیا آپ کی qPCR کی کارکردگی قابل قبول حد (90-110%) میں ہے اور آیا R² کی قیمت معیاری منحنی خط کی قابل اعتمادیت (≥ 0.98) کی نشاندہی کرتی ہے۔
نتائج کاپی کریں: اپنے ریکارڈز یا اشاعتوں کے لیے تمام حساب شدہ اقدار کو کاپی کرنے کے لیے "کاپی نتائج" کے بٹن کا استعمال کریں۔
آئیے ایک مثال کے ذریعے چلتے ہیں:
جب معیاری منحنی خط پر پلاٹ کیا جائے:
کیلکولیٹر لکیری ریگریشن کرے گا اور طے کرے گا:
کارکردگی کے فارمولا کا استعمال کرتے ہوئے:
یہ 93% کی اچھی qPCR کی کارکردگی کو ظاہر کرتا ہے، جو قابل قبول حد (90-110%) میں ہے۔
کسی نئے پرائمر جوڑے کو مقداری تجربات کے لیے استعمال کرنے سے پہلے، اس کی کارکردگی کی توثیق کرنا ضروری ہے۔ qPCR کی کارکردگی کا حساب لگانے سے مدد ملتی ہے:
جب نئے qPCR ٹیسٹ تیار کیے جا رہے ہوں تو، کارکردگی کے حساب کتاب بہت اہم ہیں:
مقابلتی مقدار کے تجربات میں، PCR کی کارکردگی کا علم بہت ضروری ہے:
تشخیصی اور کلینیکل سیٹنگز میں، qPCR کی کارکردگی اہم ہے:
ماحولیاتی اور غذائی حفاظت کی ایپلی کیشنز کے لیے، کارکردگی کے حساب کتاب مدد کرتے ہیں:
اگرچہ معیاری منحنی خط کا طریقہ کار qPCR کی کارکردگی کا حساب لگانے کے لیے سب سے عام طریقہ ہے، لیکن کچھ متبادل طریقے بھی ہیں:
یہ طریقہ کارکردگی کا حساب لگاتا ہے ایک ہی بڑھنے کے منحنی خط کے فلوروسینس کے ڈیٹا سے، بغیر کسی ڈائیلیوشن سیریز کی ضرورت کے۔ لین ریگ پی سی آر جیسی سافٹ ویئر انفرادی ردعمل کے بڑھنے کے مرحلے کا تجزیہ کرتی ہے تاکہ کارکردگی کا تعین کیا جا سکے۔
فوائد:
نقصانات:
ڈیجیٹل PCR (dPCR) بغیر کسی معیاری منحنی خط یا کارکردگی کے حساب کتاب کے مطلق مقدار فراہم کرتا ہے۔
فوائد:
نقصانات:
کچھ qPCR تجزیہ سافٹ ویئر ایسے تقابلی مقدار کے طریقے پیش کرتے ہیں جو مکمل معیاری منحنی خط کے بغیر کارکردگی کا اندازہ لگاتے ہیں۔
فوائد:
نقصانات:
qPCR اور کارکردگی کے حساب کتاب کی ترقی پچھلی چند دہائیوں میں نمایاں طور پر ترقی پذیر ہوئی ہے:
پولیمریس چین ری ایکشن (PCR) کو کیری ملز نے 1983 میں ایجاد کیا، جس نے مالیکیولر بایولوجی میں انقلاب برپا کیا۔ تاہم، روایتی PCR صرف معیار یا نیم مقداری تھی۔ 1990 کی دہائی کے اوائل میں رسل ہیگچی اور ان کے ساتھیوں نے پہلا حقیقی وقت PCR سسٹم تیار کیا، جس نے یہ ظاہر کیا کہ جب وہ بڑھتے ہوئے PCR پروڈکٹس کی نگرانی کرتے ہیں (ایتھیدیئم برومائیڈ کی فلوروسینس کا استعمال کرتے ہوئے) تو وہ مقداری معلومات فراہم کر سکتے ہیں۔
جیسے جیسے qPCR کی ٹیکنالوجی میں ترقی ہوئی، محققین نے معیاری سازی اور توثیق کی اہمیت کو تسلیم کیا۔ PCR کی کارکردگی کا تصور قابل اعتماد مقدار کے لیے مرکزی بن گیا:
یہ میدان ترقی پذیر رہا ہے:
آج، qPCR کی کارکردگی کا حساب لگانا اور اس کی رپورٹنگ قابل اعتماد qPCR ڈیٹا شائع کرنے کے لیے ضروری سمجھا جاتا ہے، اور اس کیلکولیٹر جیسے ٹولز محققین کو اس میدان میں بہترین طریقوں پر عمل کرنے میں مدد کرتے ہیں۔
1' سلوپ سے qPCR کی کارکردگی کا حساب لگانے کے لیے ایکسل فارمولا
2' اگر سلوپ سیل A2 میں ہے تو سیل B2 میں رکھیں
3=10^(-1/A2)-1
4
5' کارکردگی کے اعشاریہ کو فیصد میں تبدیل کرنے کے لیے ایکسل فارمولا
6' اگر کارکردگی کا اعشاریہ سیل B2 میں ہے تو سیل C2 میں رکھیں
7=B2*100
8
9' Ct کی قدروں اور ڈائیلیوشن فیکٹر سے کارکردگی کا حساب لگانے کے لیے فنکشن
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 ' لکیری ریگریشن کا حساب لگائیں
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 ' سلوپ کا حساب لگائیں
28 slope = (n * sumXY - sumX * sumY) / (n * sumXX - sumX * sumX)
29
30 ' کارکردگی کا حساب لگائیں
31 qPCR_Efficiency = (10 ^ (-1 / slope) - 1) * 100
32End Function
331# Ct کی قدروں اور ڈائیلیوشن فیکٹر سے qPCR کی کارکردگی کا حساب لگانے کے لیے R فنکشن
2calculate_qpcr_efficiency <- function(ct_values, dilution_factor) {
3 # لوگ ڈائیلیوشن کی قدریں بنائیں
4 log_dilutions <- log10(dilution_factor) * seq(0, length(ct_values) - 1)
5
6 # لکیری ریگریشن کریں
7 model <- lm(ct_values ~ log_dilutions)
8
9 # سلوپ اور R-squared نکالیں
10 slope <- coef(model)[2]
11 r_squared <- summary(model)$r.squared
12
13 # کارکردگی کا حساب لگائیں
14 efficiency <- (10^(-1/slope) - 1) * 100
15
16 # نتائج واپس کریں
17 return(list(
18 efficiency = efficiency,
19 slope = slope,
20 r_squared = r_squared,
21 intercept = coef(model)[1]
22 ))
23}
24
25# مثال کے استعمال
26ct_values <- c(15.0, 18.5, 22.0, 25.5, 29.0)
27dilution_factor <- 10
28results <- calculate_qpcr_efficiency(ct_values, dilution_factor)
29cat(sprintf("کارکردگی: %.2f%%\n", results$efficiency))
30cat(sprintf("سلوپ: %.4f\n", results$slope))
31cat(sprintf("R-squared: %.4f\n", results$r_squared))
321import numpy as np
2from scipy import stats
3import matplotlib.pyplot as plt
4
5def calculate_qpcr_efficiency(ct_values, dilution_factor):
6 """
7 Ct کی قدروں اور ڈائیلیوشن فیکٹر سے qPCR کی کارکردگی کا حساب لگائیں۔
8
9 Parameters:
10 ct_values (list): Ct کی قدروں کی فہرست
11 dilution_factor (float): تسلسل کے درمیان ڈائیلیوشن فیکٹر
12
13 Returns:
14 dict: کارکردگی، سلوپ، r_squared، اور intercept پر مشتمل ڈکشنری
15 """
16 # لوگ ڈائیلیوشن کی قدریں بنائیں
17 log_dilutions = np.log10(dilution_factor) * np.arange(len(ct_values))
18
19 # لکیری ریگریشن کریں
20 slope, intercept, r_value, p_value, std_err = stats.linregress(log_dilutions, ct_values)
21
22 # کارکردگی کا حساب لگائیں
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 معیاری منحنی خط کے ساتھ ریگریشن لائن کو پلاٹ کریں۔
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 # ریگریشن لائن کے لیے پوائنٹس بنائیں
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('لوگ ڈائیلیوشن')
48 plt.ylabel('Ct کی قیمت')
49 plt.title('qPCR معیاری منحنی خط')
50
51 # پلاٹ میں مساوات اور R² شامل کریں
52 equation = f"y = {results['slope']:.4f}x + {results['intercept']:.4f}"
53 r_squared = f"R² = {results['r_squared']:.4f}"
54 efficiency = f"کارکردگی = {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# مثال کے استعمال
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"کارکردگی: {results['efficiency']:.2f}%")
70print(f"سلوپ: {results['slope']:.4f}")
71print(f"R-squared: {results['r_squared']:.4f}")
72print(f"Intercept: {results['intercept']:.4f}")
73
74# معیاری منحنی خط کو پلاٹ کریں
75plot_standard_curve(ct_values, dilution_factor, results)
761/**
2 * Ct کی قدروں اور ڈائیلیوشن فیکٹر سے qPCR کی کارکردگی کا حساب لگائیں
3 * @param {Array<number>} ctValues - Ct کی قدروں کی صف
4 * @param {number} dilutionFactor - تسلسل کے درمیان ڈائیلیوشن فیکٹر
5 * @returns {Object} کارکردگی، سلوپ، rSquared، اور intercept پر مشتمل آبجیکٹ
6 */
7function calculateQPCREfficiency(ctValues, dilutionFactor) {
8 // لوگ ڈائیلیوشن کی قدریں بنائیں
9 const logDilutions = ctValues.map((_, index) => index * Math.log10(dilutionFactor));
10
11 // لکیری ریگریشن کے لیے اوسط کا حساب لگائیں
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 // سلوپ اور انٹرسیپٹ کا حساب لگائیں
24 const slope = (n * sumXY - sumX * sumY) / (n * sumXX - sumX * sumX);
25 const intercept = (sumY - slope * sumX) / n;
26
27 // R-squared کا حساب لگائیں
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 // کارکردگی کا حساب لگائیں
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// مثال کے استعمال
52const ctValues = [15.0, 18.5, 22.0, 25.5, 29.0];
53const dilutionFactor = 10;
54const results = calculateQPCREfficiency(ctValues, dilutionFactor);
55
56console.log(`کارکردگی: ${results.efficiency.toFixed(2)}%`);
57console.log(`سلوپ: ${results.slope.toFixed(4)}`);
58console.log(`R-squared: ${results.rSquared.toFixed(4)}`);
59console.log(`Intercept: ${results.intercept.toFixed(4)}`);
60اچھی qPCR کی کارکردگی عام طور پر 90% اور 110% (0.9-1.1) کے درمیان ہوتی ہے۔ 100% کی کارکردگی مکمل طور پر PCR پروڈکٹ کے دوگنا ہونے کی نمائندگی کرتی ہے۔ اس حد سے باہر کی کارکردگی ممکنہ طور پر پرائمری ڈیزائن، ردعمل کے حالات، یا مداخلت کرنے والوں کے مسائل کی نشاندہی کر سکتی ہے۔
100% سے زیادہ کی کارکردگی کا سبب بن سکتا ہے:
کم R² کی قیمت (0.98 سے کم) آپ کے معیاری منحنی خط میں ناقص لکیریتا کی نشاندہی کرتی ہے، جو کہ ہو سکتی ہے:
قابل اعتماد کارکردگی کے حساب کتاب کے لیے، کم از کم 3 ڈائیلیوشن پوائنٹس کی ضرورت ہوتی ہے، لیکن 5-6 پوائنٹس زیادہ درست نتائج کے لیے تجویز کردہ ہیں۔ یہ پوائنٹس آپ کے تجرباتی نمونوں میں متوقع مقدار کی پوری متحرک حد کو ڈھانپنا چاہیے۔
مقابلتی مقدار کے تجربات میں ΔΔCt کے طریقے کا استعمال کرتے وقت، ہدف اور ریفرنس جینوں کے درمیان برابر کی کارکردگی کا فرض کیا جاتا ہے (آئیڈیل طور پر 100%)۔ جب کارکردگیاں نمایاں طور پر مختلف ہوں:
نہیں، ہر پرائمری جوڑے کے لیے کارکردگی کا تعین کرنا ضروری ہے اور اسے دوبارہ توثیق کرنا چاہیے:
PCR کی مداخلت کرنے والے:
یہ اصطلاحات اکثر ایک دوسرے کے لیے استعمال کی جاتی ہیں، لیکن:
qPCR کی کارکردگی کو بہتر بنانے کے لیے:
مختلف کارکردگی کے ساتھ نمونوں کا موازنہ کرنا تجویز نہیں کیا جاتا کیونکہ:
Bustin SA, Benes V, Garson JA, et al. MIQE ہدایات: مقداری حقیقی وقت PCR تجربات کی اشاعت کے لیے کم از کم معلومات۔ کلین کیم. 2009;55(4):611-622. doi:10.1373/clinchem.2008.112797
Pfaffl MW. حقیقی وقت RT-PCR میں نسبتی مقدار کے لیے ایک نیا ریاضیاتی ماڈل۔ نیوکلیک ایسڈز ریسرچ. 2001;29(9):e45. doi:10.1093/nar/29.9.e45
Svec D, Tichopad A, Novosadova V, Pfaffl MW, Kubista M. PCR کی کارکردگی کا تخمینہ: درست اور مضبوط qPCR کی کارکردگی کے اندازوں کے لیے سفارشات۔ بایومول ڈیٹیکٹ کوانٹیف. 2015;3:9-16. doi:10.1016/j.bdq.2015.01.005
Taylor SC, Nadeau K, Abbasi M, Lachance C, Nguyen M, Fenrich J. حتمی qPCR تجربہ: پہلی بار اشاعت کے معیار کے مطابق، قابل اعتماد ڈیٹا تیار کرنا۔ ٹرینڈز بایوٹیکنالوجی. 2019;37(7):761-774. doi:10.1016/j.tibtech.2018.12.002
Ruijter JM, Ramakers C, Hoogaars WM, et al. بڑھنے کی کارکردگی: مقداری PCR کے ڈیٹا کے تجزیے میں بیس لائن اور تعصب کو جوڑنا۔ نیوکلیک ایسڈز ریسرچ. 2009;37(6):e45. doi:10.1093/nar/gkp045
Higuchi R, Fockler C, Dollinger G, Watson R. متحرک PCR تجزیہ: DNA کی بڑھنے کی ردعمل کی حقیقی وقت کی نگرانی۔ بایوٹیکنالوجی (N Y). 1993;11(9):1026-1030. doi:10.1038/nbt0993-1026
Bio-Rad Laboratories. حقیقی وقت PCR ایپلی کیشنز گائیڈ۔ https://www.bio-rad.com/webroot/web/pdf/lsr/literature/Bulletin_5279.pdf
Thermo Fisher Scientific. حقیقی وقت PCR ہینڈ بک۔ https://www.thermofisher.com/content/dam/LifeTech/global/Forms/PDF/real-time-pcr-handbook.pdf
ہمارا qPCR کی کارکردگی کا حساب کتاب کرنے والا ایک سادہ لیکن طاقتور ٹول فراہم کرتا ہے جو محققین کو اپنے مقداری PCR تجربات کی توثیق اور بہتر بنانے میں مدد کرتا ہے۔ معیاری منحنی خطوط سے کارکردگی کا صحیح حساب لگا کر، آپ قابل اعتماد مقدار کو یقینی بنا سکتے ہیں، مسائل والے ٹیسٹ کو حل کر سکتے ہیں، اور qPCR تجربات میں بہترین طریقوں پر عمل کر سکتے ہیں۔
آج ہی ہمارے کیلکولیٹر کو آزمائیں تاکہ آپ کے qPCR کے ڈیٹا کے معیار اور قابل اعتماد کو بہتر بنایا جا سکے!
آپ کے ورک فلو کے لیے مفید ہونے والے مزید ٹولز کا انعام کریں