当需要定义一个数据的特征时,如变化的比例、曲线上下边的渐近线或者 EC50/IC50 值时,选择正确的曲线拟合方式是十分关键的。选择的曲线拟合方式应该是能够更准确的反映两个已知变量(x,y)的关系。因此,曲线拟合的目的就是为了寻找更合适的公式和参数来匹配数据。
SoftMax Pro7 软件能够提供 21 种曲线拟合方式,包括四参数(4P)和五参数(5P)非线性回归分析。多种的拟合方式选择,是为了确保能够找到适合数据的更好的拟合方式,并且能够通过调整所选拟合方式的参数来得到更能反映浓度响应变化关系的曲线图。
本文将介绍在 SoftMax Pro7 软件中能够运用的线性和非线性回归分析方法。另外,本文还给出了如何利用标准方差和阿凯克信息论准则来评估选择的拟合方式是否更合适。
线性
回归
线性回归拟合是最常见的数据拟合方式。它可以用下面的公式表示出来:
y = A + Bx
其中 x 代表自变量(一般是浓度等变量) ,y 代表因变量;B 值代表的是该公式对应直线的斜率,而 A 值则为 x = 0 时的 y 轴截距。
SoftMax Pro 提供三种线性拟合方式:
y = A + Bx
semi -log y = A + B* log10 (x)
log-log log10 (y) = A + B* log10 (x)
软件可以通过数据分析中找到更合适的直线公式(图表 1)。
图 1:线性拟合示意图
在计算线性范围时,最小的标准品数据取点为 3 个,但是更多标准品数据能够提高拟合的准确性。这种拟合方式突出的优点就是计算简单。但是,大多数情况下,数据间的关系都是非线性的。
非线性
回归
在测量值和变量为非线性关系时,通常使用 logistic 回归分析。这种拟合方式的目的是为了找到更合适的公式参数来使公式计算的理论值和测量值之间的背离更小。为了能够正确地选择更合适的拟合方式,需要理解标准的曲线形状,并将他们与实际数据点的形状进行比较