Hallo @Valerie_Nedbal ,
Vielen Dank für diesen schönen Überblick über die Grundlagen von Bioassays und Wirksamkeitstests in JMP.
Haben Sie weitere Informationen zur Berechnung der relativen Wirksamkeit? Normalerweise wird dies durch EC50 definiert Referenz /EC50 Probe *100.
Ich habe eine Analyse in JMP überarbeitet, die ich zuvor in mehreren anderen Programmen durchgeführt habe, und die eine relative Wirksamkeit von nahezu 100 % aufweist. Allerdings scheint JMP die Dinge nicht richtig zu berechnen. Ich bekomme entweder Note oder 3,2 oder vergleichbare Antworten. Ich habe die 4PL-Rodbard-Gleichung verwendet, die mit den 4PL-Gleichungen anderer Software vergleichbar zu sein scheint.
Könnten Sie Hintergrundinformationen darüber geben, was berechnet wird und wie man bestimmte Einstellungen nach Möglichkeit ändern kann?
Die Wirksamkeit von Arzneimitteln wird häufig in einem industriellen, sogar GMP-regulierten Umfeld eingesetzt. Dort muss jedes berechnete Bit verstanden werden. Ich habe immer noch Schwierigkeiten, diese Informationen in JMP zu finden.
Vielen Dank und alles Gute
Ein Bioassay ist eine analytische Methode zur Bestimmung der Konzentration oder Wirksamkeit einer Substanz anhand ihrer Wirkung auf lebende Zellen oder Gewebe. Bioassays werden verwendet, um die Wirksamkeit von Wirkstoffen abzuschätzen, indem ihre Auswirkungen auf lebende Tiere (in vivo) oder Gewebe (in vitro) beobachtet werden.
Die Analyse biologischer Assays und Tests wird häufig in der Pharma- und Biotechnologieindustrie durchgeführt. Es ist ein wichtiger Bestandteil für behördliche Einreichungen, die Entwicklung von Standardarbeitsanweisungen und die Aufrechterhaltung guter Herstellungspraktiken.
Bei Bioassay-Tests werden unterschiedliche Methoden verwendet. In diesem Blog beschreibe ich Beispiele für Bioassays mit JMP, die häufig verwendet werden.
Der Parallelitätstest
Der Parallelitätstest bietet eine Analyse zum Testen, ob die angepassten Modelle zwischen Gruppen die gleiche Form haben, aber entlang der X-Achse verschoben sind. Gemäß den Standards der United States Pharmacopeial Convention (USP) muss vor der Validierung eines Potenz-Bioassays die Parallelität zwischen einem Dosis-Reaktions-Paar erreicht werden. Der Parallelitätstest ist in der Fit Curve-Plattform für Sigmoidkurven enthalten. In diesem Beispiel wurde eine modifizierte Version des Bioassay-Datensatzes aus der JMP-Datenprobenbibliothek verwendet. Ein logistisches 4-Parameter-Modell wurde an die drei verschiedenen Formulierungen angepasst. Diese drei Kurven wurden analysiert und auf Parallelität getestet (Abbildung 1). Beachten Sie, dass die horizontale Verschiebung bei allen Dosen gleich ist. Zwei Kurven, die sich nur durch eine horizontale Verschiebung unterscheiden, nennt man parallel. Wenn der Testgegenstand nicht die gleiche biologisch aktive Komponente wie der Standard hätte, würde die relative Wirksamkeit über den Dosisbereich variieren. In diesem Beispiel haben alle Kurven die gleiche Form, sind jedoch horizontal verschoben, und ein hoher P-Wert bestätigt unsere Ergebnisse und schließt daraus, dass die Kurven der drei Formulierungskurven parallel sind.
Abbildung 1: Parallelitätstest (Beachten Sie, dass sich der Logarithmus (Relative Potenz) horizontal verschiebt∆ist bei allen Dosierungen gleich)
Die relative Potenz
Wie wird die relative Wirksamkeit anhand von EC50 geschätzt? EC50 ist die Dosis, die eine Person benötigt, um 50 % der maximalen Wirkung zu erzielen (Abbildung 2). Schätzungen der relativen Wirksamkeit werden im Allgemeinen als einfaches Verhältnis berechnet: der EC50 eines gut charakterisierten Standards dividiert durch den EC50 einer Probe. Solche Schätzungen sind nur dann gültig, wenn die Dosis-Wirkungs-Kurven für Probe und Standard parallel sind und die gleiche maximal erreichbare Wirkung (Wirksamkeit) aufweisen.
Abbildung 2: EC50-Darstellungen und Berechnungen für 3 Formulierungen
Die relative Wirksamkeit in JMP wird unterhalb des Parallelitätstests gefunden. In Abbildung 2 werden drei verschiedene Formulierungen verglichen: Test A, Test B und neuer Test.
Beim Vergleich des neuen Tests mit Test A ist die relative Wirksamkeit des neuen Tests kleiner als eins. Dies weist darauf hin, dass ihre Wirkungsstärken unterschiedlich sind und der neue Test weniger wirksam ist als Test A, wie wir in der Grafik sehen können. Die relative Wirksamkeit für Test B ist größer als für Test A. Dies bedeutet, dass die Toxizität der Arzneimittelformulierung B als Funktion der Konzentration schneller zunimmt als für Test A. Wenn die relativen Wirksamkeiten nahezu eins sind, weist dies darauf hin, dass ihre Wirksamkeiten ähnlich sind.
Der Äquivalenztest
Abbildung 3: Logistisches 4P-Modell, das vier Formulierungen berücksichtigt (vier Parameter: Wachstumsrate, Wendepunkt, untere und obere Asymptote)
In der Fit Curve-Plattform bietet die Option „Äquivalenztest“ eine Analyse zum Testen der Äquivalenz von Modellen über Ebenen der Gruppierungsvariablen hinweg. Für dieses Beispiel werden die Bioassay-Daten verwendet (Abbildung 3). Vier verschiedene Formulierungen werden verglichen und auf Gleichwertigkeit geprüft. Ein Logistic 4P zeigt eine Anpassung für vier Parameter (Wachstumsrate, Wendepunkt, untere und obere Asymptote). Es wird geprüft, ob diese vier Parameter gleichwertig sind oder nicht. Beachten Sie, dass sich Test B in Blau von allen drei anderen Formulierungen unterscheidet
Nachdem Sie die Option „Äquivalenztest“ ausgewählt haben, geben Sie die Ebene der Gruppierungsvariablen an, die Sie mit jeder anderen Ebene testen möchten (die Standardformulierung wird als Gruppierungsvariable oder Referenz verwendet). Für jede Ebene wird ein Bericht gegenüber der ausgewählten Ebene angezeigt. Abbildung 4 zeigt ein Beispiel für zwei Vergleiche (Test A vs. Standard und Test B vs. Standard).
Abbildung 4: Äquivalenztest für Test A gegenüber dem Standard und Test B gegenüber dem Standard.
Die Gleichheit der Parameter wird durch die Analyse des Verhältnisses der Parameter überprüft. Die Standardentscheidungslinien werden bei Verhältniswerten von 0,8 und 1,25 platziert, was einer Differenz von 25 % entspricht.
Wenn alle Konfidenzintervalle innerhalb der Entscheidungslinien liegen, sind die beiden Gruppen praktisch gleich. Wenn ein einzelnes Intervall außerhalb der Linien liegt, können wir nicht auf Gleichheit der Gruppen schließen. In unserem Beispiel entspricht Test B nicht dem Standard, da der Wendepunkt für Arzneimittelformulierung B niedriger als der Standard liegt, was mit Abbildung 3 übereinstimmt .
Die inverse Vorhersage und EC50
Es könnte Sie interessieren, bei welcher Dosis oder Konzentration des Arzneimittels ein bestimmter Toxizitätswert erreicht wird. Dies dient dazu, die X-Werte für einen bestimmten Y-Wert vorherzusagen oder was die umgekehrte Vorhersage bewirkt.
Dies ist beispielsweise ein wichtiger Schritt zur Berechnung von EC50/IC50. Der EC50 ist die Konzentration eines Arzneimittels, die notwendig ist, um die Hälfte des Maximums zu bewirken. In einem Bindungsexperiment ist der IC50 die Konzentration eines Liganden oder Inhibitors, bei der die Hälfte des Ziels im gebundenen Stadium vorhanden ist. Es wird häufig als Maß für die Wirksamkeit eines Arzneimittels verwendet (siehe oben), obwohl die Verwendung von EC50 der Verwendung von „Potenz“ vorgezogen wird, die wegen ihrer Unbestimmtheit kritisiert wurde ( Ref .).
Verwenden Sie aus der angepassten Kurve im roten Dreieck des Modells die Option „Benutzerdefinierte inverse Vorhersage“ und geben Sie das Y (die Reaktion wie Toxizität) an, um das X (wie die logarithmische Konzentration oder Dosis) vorherzusagen. Es werden ein Diagramm und der vorhergesagte Wert von X mit 95 %-Konfidenzintervallen angezeigt (Abbildung 5).
Abbildung 5: Inverse Vorhersageschätzung
Die Vmax- und Km-Schätzung von Michaelis-Menten Kinetics
In der Biochemie ist die Michaelis-Menten-Kinetik eines der bekanntesten Modelle der Enzymkinetik. Es ist nach der deutschen Biochemikerin Leonor Michaelis und der kanadischen Ärztin Maud Menten benannt. Das Modell hat die Form einer Gleichung, die die Geschwindigkeit enzymatischer Reaktionen ( v ) beschreibt. Die Formel und die Kurve sind in Abbildung 6 dargestellt.
Abbildung 6: Michaelis-Menten-Gleichung und Modellanpassung.
Der Parameter a stellt die maximale Reaktionsgeschwindigkeit dar (in der Literatur oft als V max bezeichnet), und der b -Parameter (in der Literatur oft als Michaelis-Konstante oder K m bezeichnet) ist der Wert von x, so dass die Reaktion die Hälfte von V max beträgt . Es ist ein umgekehrtes Maß für die Affinität des Substrats zum Enzym. K m ist ein Maß für die Affinität des Enzyms zum Substrat. Substrate, die fest binden, haben kleine Km- Werte; Substrate, die schwach binden, haben große Km-Werte.
Mit der Fit-Kurven-Plattform und der Wahl des Michaelis-Menten-Modells lassen sich sowohl V max als auch K m leicht aus der Gleichung extrahieren. Siehe das Beispiel in Abbildung 7.
Abbildung 7: Schätzung der Parameter a (Vmax) und Parameter b (Km) bei der Michaelis-Menten-Kurvenanpassung.
Bedenken Sie, dass ALLE nichtlinearen Modelle iterativ gelöst werden. Andere Softwarepakete lösen die Modellparameter möglicherweise mit geringerer Präzision/niedrigeren Konvergenzgrenzen.
Für die relative Wirksamkeit sollte der Wert auf der X-Achse logarithmisch zur Basis 10 transformiert werden. Einige andere Softwarepakete erledigen dies automatisch, ohne dass Sie es wissen.
Siehe Absatz über relative Potenz:
Relative Potenzen
Gibt die Potenz und die relative Potenz für jede Ebene der Gruppierungsvariablen an. Die Wirksamkeit beträgt 10^(EC 50 ), wobei EC 50 die Konzentration ist, bei der die Reaktion auf halbem Weg zwischen Grundlinie und Maximum erreicht wird. Für die Logistik 2P, 3P und 4P beträgt die Potenz 10^ (Wendepunktparameter). Die relative Potenz ist die Potenz einer Ebene der Gruppierungsvariablen dividiert durch die Potenz einer anderen Ebene. In Abbildung 14.10 ist beispielsweise die relative Wirksamkeit von Test A gegenüber dem Standard Potency test A /Potency standard .
https://www.jmp.com/support/help/en/17.2/index.shtml#page/jmp/test-parallelism.shtml%23
Die Modelle von JMP und ihre Parameter sind hier aufgelistet: https://www.jmp.com/support/help/en/17.2/index.shtml#page/jmp/statistical-details-for-fit-curve-models.shtml%23ww631631
Statistische Details zu Ableitungen für die nichtlineare Plattform in JMP (wird auch für Fit Curve verwendet): https://www.jmp.com/support/help/en/17.2/index.shtml#page/jmp/statistical-details -on-derivatives.shtml%23ww289354
