MerQuR+Başvuru Kitabı

33. Dört Parametreli Lojistik Doz-Yanıt (4PL) ve EC50

Şablon kimliği: dort_parametreli_lojistik · Kategori: model · Dil: Python · Dosya: pro/sablonlar/model/dort_parametreli_lojistik.py (satır 1–236; üstbilgi 1–79) · Örnek veri: _ornek/doz_yanit.csv · Paketler: numpy, pandas, scipy (optimize.curve_fit, stats.t), matplotlib

33.1 Ne işe yarar

Şablon, artan dozla sürekli bir yanıtın (canlılık yüzdesi, enzim etkinliği, büyüme, absorbans) sigmoid biçimde değiştiği deneylerde doz-yanıt eğrisini uydurur ve yanıtın iki asimptotun tam ortasına ulaştığı dozu, EC50'yi (inhibisyon deneylerinde IC50) kestirir. Cevapladığı soru şudur: "Etkinin yarısı hangi dozda ortaya çıkıyor ve bu doz ne kadar kesin biliniyor?"

f(x)=c+\frac{d-c}{1+\exp\!\big(b\,(\ln x-\ln e)\big)}
  • x: doz (\ge0). x=0'da \ln x=-\infty alınır.
  • c: b>0 iken yüksek dozdaki, b<0 iken sıfır dozdaki asimptot. d: öteki asimptot. Şablonun başlangıç değerleri d>c olacak biçimde seçildiğinden c "alt", d "üst" asimptot diye adlandırılır.
  • e: EC50; f(e)=(c+d)/2. Model \ln e değil e üzerinden kestirilir.
  • b: \ln x ölçeğinde eğim. b>0: yanıt dozla azalır; b<0: artar. \lvert b\rvert büyüdükçe geçiş dikleşir.

Bu, log-lojistik dört parametreli modelin (LL.4) drc paketindeki parametrelemesidir (Ritz ve ark., 2015). Alt asimptot sabitlenirse model üç parametreli LL.3 olur.

Ne zaman kullanılır? Yanıt sürekli ve dozla tekdüze (monoton) değişiyorsa; dozlar logaritmik aralıklı ve iki platoyu da kapsıyorsa; EC50/IC50 ya da ED10, ED90 gibi etkin dozlar isteniyorsa; sıfır dozlu kontrol grubu modele katılmak isteniyorsa.

Ne zaman kullanılmaz?

  • Yanıt ikili ya da sayımsa (ölen / toplam): binom olabilirlikli probit ya da logit doz-yanıt modeli gerekir; temel programdaki Probit Regresyon ya da Lojistik Regresyon.
  • Birden çok eğri ortak parametrelerle karşılaştırılacaksa (göreli etkinlik, paralellik): bu şablon tek eğri uydurur; nlme_karma şablonu ya da kodu düzenlenmiş bir model.
  • Düşük dozda uyarım (hormesis) ya da tepe biçimli yanıt varsa: 4PL tekdüze olduğundan bu biçimi temsil edemez.
  • Tekrarlı deneyler (plaka, gün) rastgele etki olarak modellenecekse: karma doz-yanıt modeli.
  • Genel doğrusal olmayan model ya da kendi olabilirliğiniz gerekiyorsa: ozel_olabilirlik şablonu.

Temel programla ilişki. Temel programdaki Doğrusal Olmayan Regresyon analizi kullanıcı formülüyle genel bir model uydurur. Bu şablon modeli ve parametrelemeyi sabitler, başlangıç değerlerini veriden kurar, sıfır dozu kontrol olarak kabul eder ve EC50'nin log ölçeğinde GA'sını ile göreli ED(p)'yi doğrudan verir.

33.2 Şablonun girdileri

Form, üstbilgideki dokuz [[param]] bloğundan kurulur (dort_parametreli_lojistik.py:10–78).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Doz (≥ 0) · doz sayısal sütun · Değişkenler ilk sayısal sütun sayısal sütun x (93–94).
Yanıt · yanit sayısal sütun · Değişkenler ikinci sayısal sütun sayısal sütun y (93–94).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 t çeyreği (184); tüm GA'lar.
Alt asimptotu sabitle (LL.3) · sabit_alt onay · Model kapalı açık / kapalı c kestirilmez (126–128).
Alt asimptot değeri · alt_deger ondalık · Model 0,0 herhangi Sabit c (121).
Üst asimptotu sabitle · sabit_ust onay · Model kapalı açık / kapalı d kestirilmez (126, 129–130).
Üst asimptot değeri · ust_deger ondalık · Model 100,0 herhangi Sabit d (122).
Ek etkin doz yüzdeleri (ör. 10, 90) · ed_yuzdeleri metin · Seçenekler boş 0 ile 100 arasında sayılar ED(p) tablosu (131–140, 225–235).
EC50 güven aralığı · ec50_ga seçim · Seçenekler log log, dogrusal Metindeki EC50 GA'sı ve şekildeki bant (189–192).
En çok fonksiyon değerlendirmesi · en_cok_deneme tamsayı · Gelişmiş 20000 100–1 000 000 curve_fit(maxfev = …) (125).

Örnek ayar (satır 9): doz = doz, yanit = canlilik; öteki alanlar varsayılandadır.

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 89–90
Doz ve yanıt aynı sütun "farklı sütunlar olmalı" 91–92
Negatif doz "Doz negatif olamaz." 95–96
3'ten az farklı pozitif doz "En az 3 farklı pozitif doz gerekli." 97–99
6'dan az gözlem "En az 6 gözlem gerekli." 100–101
Yanıt sabit "Yanıt sabit." 102–103
Sabit alt ve üst asimptot eşit "birbirinden farklı olmalı" 123–124
ED yüzdesi 0–100 dışında ya da sayı değil "0 ile 100 arasında sayılar olmalı" 138–140
Üç başlangıçtan hiçbiri yakınsamadı "4PL modeli yakınsamadı…" 173–175
Artık sd < 1 "Gözlem sayısı … yetersiz." 179–180

Eksik değer: iki sütun pd.to_numeric(errors="coerce") ile sayıya çevrilir ve herhangi birinde eksik olan satır atılır (satır 93). Uyarı (durdurmaz): EC50 en küçük ve en büyük pozitif doz arasında değilse "kestirim dışdeğerlemedir" (205–207).

33.3 Örnek veri

Dosya: _ornek/doz_yanit.csv. 8 doz düzeyinde 4'er tekrar, toplam 32 gözlem; eksik değer yok.

Değişken Rol Tür Özet
doz Doz sayısal 0; 0,1; 0,3; 1; 3; 10; 30; 100 (sıfır doz kontrol).
canlilik Yanıt sayısal Canlılık yüzdesi; 5,67–102,08.

Doz ortalamaları:

Doz 0 0,1 0,3 1 3 10 30 100
Ortalama canlılık 100,588 93,268 90,700 81,968 57,305 25,208 13,248 9,205

Yanıt dozla azalır, yüksek dozlarda sıfıra inmeden %9 dolayında bir platoya yaklaşır. Bu bölümde kullanılan çalıştırmalar: (1) örnek ayar; (2) örnek ayar + ED yüzdeleri 10 90; (3) alt asimptot 0'a sabit (LL.3) + doz ölçeğinde EC50 GA'sı.

33.4 Yöntem: formüller ve hesap adımları

Şablonun hesap sırası: (1) doz ortalamalarından başlangıç değerlerini kur; (2) üç farklı başlangıç eğimiyle, sınırlı doğrusal olmayan en küçük karelerle modeli uydur ve en küçük artık kareler toplamını vereni seç; (3) kovaryans matrisinden SH, t, p ve GA'ları hesapla; (4) EC50'nin GA'sını seçilen ölçekte kur; (5) istenen ED(p)'leri delta yöntemiyle ekle; (6) metin, tablo ve şekli yaz.

33.4.1 En küçük kareler ölçütü

\hat{\boldsymbol\theta}=\arg\min_{\boldsymbol\theta}\ \mathrm{KT}(\boldsymbol\theta)=\sum_{i=1}^{n}\big(y_i-f(x_i;\boldsymbol\theta)\big)^2,\qquad \boldsymbol\theta=(b,c,d,e)
  • n: tam gözlem sayısı; k: serbest (kestirilen) parametre sayısı (4; bir asimptot sabitse 3; ikisi sabitse 2).
  • Hatalar bağımsız, ortalaması sıfır ve sabit varyanslı varsayılır; ağırlık yoktur.

33.4.2 Başlangıç değerleri ve çoklu başlangıç

Doğrusal olmayan en küçük kareler yerel bir yöntemdir; başlangıç noktası kötüyse yanlış bir yerel en küçüğe takılabilir ya da ıraksayabilir. Şablon başlangıcı verinin kendisinden kurar (satır 113–119):

c_0=\min_g\bar y_g,\qquad d_0=\max_g\bar y_g,\qquad e_0=\arg\min_{x_g>0}\Big\lvert\bar y_g-\frac{c_0+d_0}{2}\Big\rvert,\qquad b_0=\begin{cases}+1 & \text{azalan}\\ -1 & \text{artan}\end{cases}
  • \bar y_g: g. doz düzeyindeki yanıt ortalaması; x_g: o doz.
  • "Artan", en büyük dozun ortalaması en küçük dozunkinden büyükse (satır 119).
  • Örnek veride c_0=9{,}205, d_0=100{,}5875; orta nokta 54{,}896'ya en yakın ortalama 57,305 (doz 3) olduğundan e_0=3; yanıt azaldığından b_0=1.

Uydurma b_0, 2b_0 ve 0{,}5\,b_0 ile üç kez denenir; kovaryansı sonlu olanlar arasından \mathrm{KT}'si en küçük olan seçilir (satır 149–172).

Neden üç başlangıç eğimi?

Eğim, LL.4'te en kötü koşullu parametredir: b çok küçükse eğri neredeyse düz, çok büyükse basamak gibidir ve iki durumda da Jacobian'ın b sütunu küçülür. Üç farklı eğimle başlamak, bu yassı bölgelerden birine düşüp orada durma olasılığını azaltır. Asimptot ve EC50 başlangıçları zaten veriye yakın olduğundan çoğaltılmaz.

33.4.3 Sınırlı Gauss–Newton ailesi: curve_fit (trf)

scipy.optimize.curve_fit, sınır verildiğinde güven bölgesi yansıtmalı (trust region reflective, trf) algoritmayı kullanır (Branch, Coleman ve Li, 1999). Her yinelemede model doğrusallaştırılır:

f(x;\boldsymbol\theta+\boldsymbol\delta)\approx f(x;\boldsymbol\theta)+\mathbf J\boldsymbol\delta,\qquad \boldsymbol\delta=\arg\min_{\lVert\mathbf D\boldsymbol\delta\rVert\le\Delta}\ \lVert\mathbf r-\mathbf J\boldsymbol\delta\rVert^2
  • \mathbf r=\mathbf y-f(\mathbf x;\boldsymbol\theta): artıklar. \mathbf J: n\times k Jacobian; J_{ij}=\partial f(x_i)/\partial\theta_j.
  • \Delta: güven bölgesi yarıçapı; adım KT'yi düşürürse büyür, düşürmezse küçülür. Sınıra çarpan adım geri yansıtılır.

Jacobian'ın sütunları (u=\exp(b(\ln x-\ln e)), g=1/(1+u)):

\frac{\partial f}{\partial b}=-(d-c)\,u\,g^2\,(\ln x-\ln e),\qquad \frac{\partial f}{\partial c}=1-g,\qquad \frac{\partial f}{\partial d}=g,\qquad \frac{\partial f}{\partial e}=(d-c)\,u\,g^2\,\frac{b}{e}
  • Sıfır dozda u=0, g=1: f=d ve yalnız \partial f/\partial d=1 sıfırdan farklıdır. Sıfır dozlu gözlemler yalnız d'yi bilgilendirir.
  • curve_fit bu türevleri sonlu farklarla yaklaşık hesaplar; bağımsız hesapta (33.6) analitik biçim kullanılmıştır.

Koddaki tercih

Sınırlar (satır 157–158): b\in[-50,\ 50]; c ve d sınırsız; e\in[10^{-4}\min x^{+},\ 10^{4}\max x^{+}] (x^{+}: pozitif dozlar). e'nin alt sınırı \ln e'yi tanımlı tutar. Toleranslar ftol = xtol = gtol = 1e-12 (scipy varsayılanı 10^{-8}); en çok değerlendirme maxfev = 20000. Sıkı tolerans, kestirimlerin bağımsız yöntemlerle yedinci anlamlı basamağa kadar örtüşmesini sağlar (33.6.1). Model fonksiyonunda üs [-700,\ 700]'e kırpılır (satır 109); taşma yerine asimptot değeri döner.

33.4.4 Kovaryans, SH, t ve GA

\hat{\mathbf V}=s^2\big(\mathbf J^{\top}\mathbf J\big)^{-1},\qquad s^2=\frac{\mathrm{KT}(\hat{\boldsymbol\theta})}{n-k},\qquad t_j=\frac{\hat\theta_j}{\operatorname{SH}_j},\qquad \hat\theta_j\pm t_{1-\alpha/2,\,n-k}\,\operatorname{SH}_j
  • \mathbf J çözümde değerlendirilir. \operatorname{SH}_j=\sqrt{\hat V_{jj}}; sabitlenen parametrenin SH, t, p ve GA'sı boştur (satır 181–183).
  • p=2\,P(T_{n-k}>\lvert t_j\rvert): parametrenin sıfıra eşitliğinin Wald testi. e ve d için bu sınama bilgi vermez; asıl bilgi GA'dadır.
  • s: artık standart sapma; çıktıda "artık standart sapma".

Neden n − k ve t dağılımı?

s^2, k parametre kestirildikten sonra kalan n-k bağımsız bilgiden hesaplanır; n'ye bölmek varyansı küçük gösterirdi. Normal hatalar ve doğrusala yakın bir model için (\hat\theta_j-\theta_j)/\operatorname{SH}_j yaklaşık t_{n-k} dağılır (Seber ve Wild, 1989). Yaklaşıklığın kalitesi modelin parametre etkili eğriliğine bağlıdır; EC50 için bu yüzden log ölçeği önerilir (33.4.5).

33.4.5 EC50'nin güven aralığı

\text{log ölçeğinde (varsayılan): } \Big[\hat e\,\exp\!\big(-q\,\tfrac{\operatorname{SH}(\hat e)}{\hat e}\big);\ \hat e\,\exp\!\big(q\,\tfrac{\operatorname{SH}(\hat e)}{\hat e}\big)\Big],\qquad \text{doz ölçeğinde: } \hat e\pm q\,\operatorname{SH}(\hat e)
  • q=t_{1-\alpha/2,\,n-k}. \operatorname{SH}(\ln\hat e)\approx\operatorname{SH}(\hat e)/\hat e (delta yöntemi).
  • Log ölçeğindeki aralık her zaman pozitiftir ve \hat e'ye göre sağa çarpıktır.

Neden log ölçeği?

Doz etkileri çarpımsaldır: deneyler dozu katlayarak (×3, ×10) tasarlanır ve EC50'nin örnekleme dağılımı doz ölçeğinde sağa çarpıktır. \ln e'nin dağılımı normale daha yakındır; aralığı orada kurup geri dönüştürmek hem pozitifliği güvenceye alır hem de kapsama olasılığını iyileştirir. Doz ölçeğindeki Wald aralığı simetriktir ve büyük SH'de sıfırın altına inebilir.

Koddaki tercih

Parametre tablosundaki e satırının GA'sı her zaman doz ölçeğindedir (satır 188); log ölçeğindeki aralık yalnız metin satırında ve şekildeki bantta görünür (189–200, 216). Rapor için metin satırındaki aralık kullanılır.

33.4.6 Göreli etkin doz ED(p) ve delta yöntemi

ED(p), yanıtın d'den c'ye doğru yolun \%p'sini aldığı dozdur: f(\mathrm{ED}_p)=d-\frac{p}{100}(d-c). Modelden:

\mathrm{ED}_p=e\left(\frac{p}{100-p}\right)^{1/b}=e\,\exp\!\Big(\frac{\lambda_p}{b}\Big),\qquad \lambda_p=\ln\frac{p}{100-p}
\operatorname{SH}(\mathrm{ED}_p)=\sqrt{\mathbf g^{\top}\hat{\mathbf V}\mathbf g},\qquad \mathbf g=\Big(-\frac{\mathrm{ED}_p\,\lambda_p}{b^2},\ 0,\ 0,\ \frac{\mathrm{ED}_p}{e}\Big)^{\!\top}
  • \mathbf g: \mathrm{ED}_p'nin (b,c,d,e)'ye göre gradyanı; ED(p) asimptotlara bağlı olmadığından c ve d bileşenleri sıfırdır.
  • p=50'de \lambda_p=0 ve \mathrm{ED}_{50}=e.
  • GA: \mathrm{ED}_p\pm q\,\operatorname{SH}(\mathrm{ED}_p), doz ölçeğinde (satır 232).

Göreli ve mutlak etkin doz

ED(p) ve EC50 görelidir: kestirilen c ile d arasındaki etkiye göre tanımlanır. Örnek veride f(\hat e)=(\hat c+\hat d)/2=52{,}10'dur; yanıtın 50'ye indiği mutlak doz ise \hat e\big((\hat d-\hat c)/(50-\hat c)-1\big)^{1/\hat b}=3{,}779'dur (\hat e=3{,}504). Yanıt kuramsal bir 0–100 ölçeğindeyse ve "yüzde 50 canlılık" soruluyorsa mutlak doz istenir; şablon onu vermez. Ayrıca artan bir eğride (b<0) d yüksek doz platosudur ve ED10, EC50'den büyük çıkar: \mathrm{ED}_{10}/e=9^{1/\lvert b\rvert}.

33.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–79 Üstbilgi: model açıklaması, örnek veri ve ayar, dokuz parametre. Form ve varsayılanlar (Bölüm 1.2).
80–103 İçe aktarmalar; dil seçici _m; veri denetimleri; x, y dizileri. Liste bazında silme (93).
106–110 ll4(x, b, c, d, e): model fonksiyonu; sıfır dozda \ln x=-\infty. Üs kırpması taşmayı önler (109).
113–130 Başlangıç değerleri; sabit asimptot bayrakları ve değerleri; serbest maskesi. Sabitlenen asimptotun başlangıcı sabit değerdir (127–130).
131–140 ED yüzdelerinin ayrıştırılması. ", " ve ";" ayırıcıdır; her parçada virgül ondalık noktaya çevrilir (135).
143–146 ll4_s: yalnız serbest parametreleri alan sarmalayıcı. Sabitlenen parametreler kovaryansta sıfır satır/sütun alır (164–167).
149–175 Üç başlangıçla curve_fit; en küçük KT'li ve sonlu kovaryanslı çözüm. Hata veren deneme sessizce atlanır (171–172).
176–193 sd, SH, t çeyreği, parametre tablosu, EC50 GA'sı, artık standart sapma. Tablo GA'sı doz ölçeğinde (188).
194–207 Metin satırları; sabit asimptot notu; dışdeğerleme uyarısı. "Artık standart sapma" s=\sqrt{\mathrm{KT}/\mathrm{sd}}'dir.
209–236 Şekil (log doz ekseni, sıfır doz en solda), tablolar, ED(p) tablosu. Sıfır doz \min x^{+}/10'da çizilir (210–211).

33.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/dort_parametreli_lojistik/elle_hesap.py ile hesaplanmıştır. Bu betik curve_fit'i ve şablon kodunu kullanmaz: analitik Jacobian'lı bir Levenberg–Marquardt yinelemesini (Marquardt, 1963) numpy ile açıkça uygular; scipy yalnız t dağılımı için kullanılır. R tarafında aynı model stats::nls ile (LL.4 için Gauss–Newton, LL.3 için port) uydurulmuştur (r_dogrulama.R).

Adım 1 — Başlangıç ve ilk yinelemeler. Başlangıç (b,c,d,e)=(1;\ 9{,}205;\ 100{,}5875;\ 3), \mathrm{KT}=627{,}701. Levenberg–Marquardt adımı \big(\mathbf J^{\top}\mathbf J+\lambda\,\mathrm{diag}(\mathbf J^{\top}\mathbf J)\big)\boldsymbol\delta=\mathbf J^{\top}\mathbf r ile:

Yineleme b c d e KT
0 1,000000 9,205000 100,587500 3,000000 627,7010
1 1,146917 6,350728 97,192830 3,545455 367,9106
2 1,224389 7,265268 96,978929 3,490191 354,4098
3 1,240843 7,323137 96,872628 3,503307 353,7397
son (11) 1,245325 7,364237 96,837472 3,504229 353,7158

Adım 2 — Artık varyans ve kovaryans. n=32, k=4, sd =28:

s^2=\frac{353{,}7158}{28}=12{,}632707,\qquad s=3{,}554252

\hat{\mathbf V}=s^2(\mathbf J^{\top}\mathbf J)^{-1}'in köşegeninin karekökü: \operatorname{SH}(b)=0{,}097855, \operatorname{SH}(c)=1{,}849362, \operatorname{SH}(d)=1{,}236511, \operatorname{SH}(e)=0{,}246359.

Adım 3 — EC50 GA'sı. q=t_{0{,}975;\,28}=2{,}048407; \operatorname{SH}(\ln\hat e)=0{,}246359/3{,}504229=0{,}070303:

\big[3{,}504229\,e^{-2{,}048407\cdot0{,}070303};\ 3{,}504229\,e^{2{,}048407\cdot0{,}070303}\big]=[3{,}034239;\ 4{,}047017]

Doz ölçeğinde: 3{,}504229\pm2{,}048407\cdot0{,}246359=[2{,}999586;\ 4{,}008872].

Adım 4 — ED10 ve delta yöntemi. \lambda_{10}=\ln(10/90)=-2{,}197225; \lambda_{10}/\hat b=-1{,}764378; e^{-1{,}764378}=0{,}171293:

\mathrm{ED}_{10}=3{,}504229\cdot0{,}171293=0{,}600251,\qquad \mathbf g=(0{,}850436;\ 0;\ 0;\ 0{,}171293)

\operatorname{SH}(\mathrm{ED}_{10})=\sqrt{\mathbf g^{\top}\hat{\mathbf V}\mathbf g}=0{,}083798; GA [0{,}428599;\ 0{,}771903]. Aynı yolla \mathrm{ED}_{90}=20{,}457476, SH 3,474083. ED10'da kestirilen yanıt 87,89, ED90'da 16,31'dir.

Adım 5 — LL.3 (alt asimptot 0). k=3, sd =29: \hat b=0{,}991878, \hat d=98{,}601441, \hat e=4{,}102892; \mathrm{KT}=497{,}3759, s=4{,}141364. KT, LL.4'e göre 143,66 artar; alt asimptot sıfırdan anlamlı biçimde büyüktür (\hat c=7{,}36, p=0{,}00044), bu veride c=0 kısıtı uygun değildir ve EC50'yi 3,50'den 4,10'a kaydırır.

33.6.1 Doğrulama: MerQuR+, Python ve R

MerQuR+ sütunu şablonun "4PL parametreleri" ve "Göreli etkin dozlar ED(p)" tablolarından, tam hassasiyetle alınmıştır (çalıştırmalar 2 ve 3). EC50'nin log ölçeğindeki GA'sı yalnız metinde, dört anlamlı basamakla yazıldığından MerQuR+ değeri şablonun kendi tablosundaki \hat e ve \operatorname{SH}(\hat e)'den, şablonun formülüyle (satır 189–190) kurulmuştur.

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
LL.4 b 1,24532532 1,24532536 1,24532537 3,8e−8 ✓
LL.4 SH(b) 0,09785547 0,09785547 0,09785547 3,2e−9 ✓
LL.4 p(b) 3,679020·10−13 3,679017·10−13 3,679014·10−13 6,2e−19 ✓
LL.4 c 7,36423635 7,3642368 7,36423682 6,4e−8 ✓
LL.4 SH(c) 1,84936208 1,84936204 1,84936198 5,3e−8 ✓
LL.4 p(c) 4,409264·10−4 4,409260·10−4 4,409259·10−4 5,5e−10 ✓
LL.4 d 96,83747248 96,83747216 96,83747207 4,2e−9 ✓
LL.4 SH(d) 1,23651081 1,23651079 1,23651078 2,7e−8 ✓
LL.4 p(d) 2,400218·10−34 2,400217·10−34 2,400216·10−34 1,5e−40 ✓
LL.4 e 3,50422875 3,50422875 3,50422876 3,4e−9 ✓
LL.4 SH(e) 0,24635873 0,24635873 0,24635873 2,6e−9 ✓
LL.4 p(e) 2,443947·10−14 2,443948·10−14 2,443947·10−14 6,3e−21 ✓
LL.4 EC50 GA alt (log Wald) 3,03423927 3,03423926 3,03423927 2,4e−9 ✓
LL.4 EC50 GA üst (log Wald) 4,04701741 4,04701741 4,04701742 4,3e−9 ✓
LL.4 ED10 0,60025091 0,60025094 0,60025095 4,2e−8 ✓
LL.4 SH(ED10) 0,08379773 0,08379773 0,08379773 3,4e−9 ✓
LL.4 ED90 20,45747695 20,4574758 20,45747564 6,4e−8 ✓
LL.4 SH(ED90) 3,47408286 3,47408255 3,4740824 1,3e−7 ✓
LL.3 b 0,99187825 0,99187828 0,99187812 1,3e−7 ✓
LL.3 SH(b) 0,05758319 0,05758319 0,05758318 8,5e−9 ✓
LL.3 d 98,6014413 98,60144093 98,60144275 1,5e−8 ✓
LL.3 SH(d) 1,5113398 1,51133978 1,51133987 5,0e−8 ✓
LL.3 e 4,10289188 4,10289192 4,10289182 1,4e−8 ✓
LL.3 SH(e) 0,29349956 0,29349956 0,29349959 2,8e−8 ✓
LL.3 EC50 GA alt (doz Wald) 3,50261789 3,50261792 3,50261777 3,3e−8 ✓

Ölçütü karşılayan: 25/25. Python: analitik Jacobian'lı Levenberg–Marquardt (numpy; curve_fit kullanılmadan). R: stats::nls (LL.4 Gauss–Newton, LL.3 port). Fark, üç yöntemin yakınsama toleransından gelir.

Üç yöntem farklı algoritmalarla (güven bölgesi yansıtmalı, Levenberg–Marquardt, Gauss–Newton) aynı en küçüğe ulaşır; kalan farklar (\le1{,}3\times10^{-7}) yakınsama toleransından gelir. Bağımsız Python ve R çözümlerinin KT'leri 10^{-9} düzeyinde aynıdır.

33.7 Çıktıyı okuma

Çalıştırma 2'nin (örnek ayar + ED10, ED90) metin çıktısı:

4PL (LL.4): canlilik ~ doz, n = 32, artık standart sapma = 3,5543 (sd = 28)
EC50 = 3,504; %95 GA (log ölçeğinde Wald) [3,034; 4,047]
Eğim b = 1,2453; alt = 7,3642; üst = 96,8375

"4PL parametreleri" tablosu (dört ondalık; p üç anlamlı basamak):

parametre kestirim SH t p ga_alt ga_ust
b (eğim) 1,2453 0,0979 12,726 3{,}68\cdot10^{-13} 1,0449 1,4458
c (alt asimptot) 7,3642 1,8494 3,982 4{,}41\cdot10^{-4} 3,5760 11,1525
d (üst asimptot) 96,8375 1,2365 78,315 2{,}40\cdot10^{-34} 94,3046 99,3704
e (EC50) 3,5042 0,2464 14,224 2{,}44\cdot10^{-14} 2,9996 4,0089

"Göreli etkin dozlar ED(p) (delta yöntemi)": yüzde 10 → ED 0,6003 (SH 0,0838; GA [0,4286; 0,7719]); yüzde 90 → ED 20,4575 (SH 3,4741; GA [13,3411; 27,5738]).

Öğe Ne yazar Nasıl yorumlanır
İlk satır Model, n, artık standart sapma (s), sd s yanıt biriminde tipik sapmadır. Serbest parametre sayısına göre satır "LL.4", "LL.3" ya da "LL.2" yazar; sd (n-k) aynı modeli gösterir.
EC50 satırı \hat e ve seçilen ölçekte GA Rapor edilecek aralık budur.
Eğim satırı \hat b, \hat c, \hat d b>0 azalan eğri.
Parametre tablosu Kestirim, SH, t, p, doz ölçeğinde GA c satırının p'si "alt asimptot sıfır mı?" sorusunu yanıtlar. e satırının GA'sı simetrik doz ölçeği aralığıdır.
ED(p) tablosu Göreli etkin doz, delta SH, doz ölçeğinde GA ED(p) d'den c'ye doğru \%p etkiyi verir.
"Sabitlenen asimptot(lar)…" Sabit parametrenin SH/t/p boş Kısıtın kendisi test edilmez; LL.3 ve LL.4'ün KT'leri karşılaştırılır.
Dışdeğerleme uyarısı EC50 doz aralığının dışında Dozlar EC50'nin iki yanını kapsamıyor; kestirim modele dayanır.

Şekil 33.1. Şablonun çizdiği doz-yanıt eğrisi (örnek veri). Doz ekseni logaritmiktir; sıfır doz en küçük pozitif dozun onda birinde (0,01) çizilir. Kesikli çizgi EC50, gölgeli bant log ölçeğindeki %95 GA'dır.

Rapor cümlesi:

Canlılık yüzdesi dozla sigmoid biçimde azaldı. Dört parametreli log-lojistik model (doğrusal olmayan en küçük kareler, n = 32, artık standart sapma = 3,55) EC50'yi 3,50 doz birimi (%95 GA, log ölçeğinde Wald: 3,03–4,05), eğimi b = 1{,}25 (SH 0,10) olarak kestirdi. Üst asimptot 96,84 (SH 1,24), alt asimptot 7,36 (SH 1,85) idi; ED10 ve ED90 sırasıyla 0,60 (%95 GA 0,43–0,77) ve 20,46 (%95 GA 13,34–27,57) doz birimiydi.

33.8 Sık hatalar ve tuzaklar

  • Tablodaki e GA'sını rapor etmek. Tablo GA'sı simetrik doz ölçeği aralığıdır; varsayılan rapor aralığı metin satırındaki log ölçeği aralığıdır.
  • Göreli EC50'yi mutlak %50 dozu sanmak. f(\hat e)=52{,}10'dur; canlılığın 50'ye indiği doz 3,78'dir. Hangisinin sorulduğu raporda yazılır.
  • ED yüzdelerini bitişik yazmak. Ayırıcı ", " (virgül + boşluk), boşluk ya da ";" dir; her parça içindeki virgül ondalık sayılır. 10,90 tek bir yüzde (10,9) olarak okunur ve ED(10,9) tablosu çıkar; 10 90 ya da 10, 90 yazılmalıdır.
  • Asimptotu gerekçesiz sabitlemek. Örnek veride c=0 kısıtı KT'yi 353,72'den 497,38'e çıkarır ve EC50'yi 3,50'den 4,10'a kaydırır. Sabitleme kuramsal bilgiye dayanmalı ve iki modelin KT'si karşılaştırılmalıdır.
  • Platoları kapsamayan dozlar. En yüksek dozda yanıt hâlâ düşüyorsa c zayıf tanımlanır, SH'ler büyür, EC50 kararsızlaşır; şablon yalnız EC50 doz aralığının dışına düştüğünde uyarır.
  • Oran yanıtında sabit varyans varsaymak. Canlılık yüzdesinin varyansı asimptotlara yaklaştıkça küçülebilir; en küçük kareler bu durumda SH'leri yanlış verir. Artıkların doza göre yayılımı denetlenmelidir.
  • Artan eğride ED10'u küçük doz sanmak. b<0 iken d yüksek doz platosudur ve ED10 > EC50 çıkar.

33.9 Uzman soruları

S1. Neden ln e değil de e kestiriliyor; bu SH'leri etkiler mi?

Model e üzerinden kurulur ve curve_fit e'nin SH'sini verir. \ln e parametrelemesi kestirimi değiştirmez (en küçük kareler çözümü parametrelemeden bağımsızdır), yalnız Wald aralığının biçimini değiştirir. Şablon bu farkı log ölçeğindeki GA ile karşılar: \operatorname{SH}(\ln e)=\operatorname{SH}(e)/e delta yöntemiyle elde edilir ve aralık \ln e ölçeğinde simetrik kurulur.

S2. Sıfır dozlu gözlemler modele nasıl giriyor?

x=0'da \ln x=-\infty alınır; b>0 iken üs -\infty'a gider ve f(0)=d olur (satır 108–110). Bu gözlemler yalnız d'nin kestirimine katkı verir; Jacobian'da yalnız \partial f/\partial d sütunu sıfırdan farklıdır. Log doz ekseninde çizilemedikleri için şekilde \min x^{+}/10'da gösterilirler.

S3. curve_fit'in kovaryansı neden s²(JᵀJ)⁻¹?

absolute_sigma verilmediğinde curve_fit, hataların varyansını artıklardan kestirir ve (\mathbf J^{\top}\mathbf J)^{-1}'i \mathrm{KT}/(n-k) ile ölçekler. Bu, doğrusal olmayan en küçük karelerin asimptotik kovaryansıdır (Bates ve Watts, 1988); R'deki nls ile aynı tanımdır. Doğrulama tablosunda üç yöntemin SH'leri 1{,}3\times10^{-7} içinde aynıdır.

S4. Üç başlangıç farklı çözümlere giderse hangisi seçilir?

Kovaryansı sonlu olanlar arasından KT'si en küçük olan (satır 168–170). Bu, yerel en küçüklerden en iyisini seçer ama küresel en küçüğü güvenceye almaz. Örnek veride Levenberg–Marquardt yalnız b_0=1 ile başlatılmış ve aynı çözüme (KT 353,7158) ulaşmıştır.

S5. c için p = 0,00044 ne anlama gelir?

H_0:c=0'ın Wald testidir: alt asimptot sıfırdan anlamlı biçimde büyüktür, yani en yüksek dozda bile yaklaşık %7 canlılık kalır. Aynı soru iç içe modellerin F testiyle de sorulabilir: F=(497{,}3759-353{,}7158)/(353{,}7158/28)=11{,}37, sd (1, 28). Wald t^2=3{,}982^2=15{,}86'dır; doğrusal olmayan modelde iki test farklı değer verir ve küçük örneklemde F testi genellikle daha güvenilirdir.

S6. ED(p) GA'sı neden EC50'ninki gibi log ölçeğinde değil?

Şablon ED(p) için yalnız doz ölçeğinde Wald aralığı kurar (satır 232). ED50 istenirse EC50'nin doz ölçeği aralığıyla aynı sonucu verir ([2{,}9996;\ 4{,}0089]), log ölçeğindekiyle değil. Küçük p'de ve büyük SH'de doz ölçeği aralığı sıfırın altına inebilir; o durumda log ölçeğinde aralık elle kurulur: \mathrm{ED}_p\exp(\pm q\,\operatorname{SH}/\mathrm{ED}_p).

S7. Neden profil olabilirlik ya da bootstrap aralığı yok?

Şablon Wald aralıklarıyla sınırlıdır; doğrusal olmayan modelde Wald aralığı parametre etkili eğriliğe duyarlıdır. EC50 için log ölçeği bu eğriliğin büyük kısmını giderir. Daha kesin bir aralık gerekiyorsa bootstrap_ozel şablonuyla artık bootstrap'ı ya da kodda profil KT taraması uygulanır.

S8. Yanıt bir yüzde ise ağırlıksız en küçük kareler yanlı mı?

Varyans sabit değilse kestirimler tutarlı kalabilir, ama SH'ler ve GA'lar yanlış olur. Yüzde ölçeğindeki bir yanıtta varyans asimptotlara yaklaştıkça küçülebilir; bu, artıkların doza göre yayılımından görülür. Ağırlıklı en küçük kareler ya da varyans dengeleyici dönüşüm (her iki yanın da dönüştürülmesi) bu şablonda yoktur; kod düzenlenerek curve_fit(sigma = …) ile eklenebilir.

33.10 Kaynaklar

  • Bates, D. M., & Watts, D. G. (1988). Nonlinear regression analysis and its applications. Wiley. https://doi.org/10.1002/9780470316757
  • Branch, M. A., Coleman, T. F., & Li, Y. (1999). A subspace, interior, and conjugate gradient method for large-scale bound-constrained minimization problems. SIAM Journal on Scientific Computing, 21(1), 1–23. https://doi.org/10.1137/S1064827595289108
  • Marquardt, D. W. (1963). An algorithm for least-squares estimation of nonlinear parameters. Journal of the Society for Industrial and Applied Mathematics, 11(2), 431–441. https://doi.org/10.1137/0111030
  • Ritz, C. (2010). Toward a unified approach to dose–response modeling in ecotoxicology. Environmental Toxicology and Chemistry, 29(1), 220–229. https://doi.org/10.1002/etc.7
  • Ritz, C., Baty, F., Streibig, J. C., & Gerhard, D. (2015). Dose-response analysis using R. PLOS ONE, 10(12), e0146021. https://doi.org/10.1371/journal.pone.0146021
  • Seber, G. A. F., & Wild, C. J. (1989). Nonlinear regression. Wiley. https://doi.org/10.1002/0471725315
  • Virtanen, P., Gommers, R., Oliphant, T. E., et al. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2