Savitzky–Golay smoothing and differentiation for polymerase chain reaction quantification
Notice bibliographique
Résumé
In quantitative PCR (qPCR), replicates can minimize the impact of intra-assay variation; however, inter-assay variations must be minimized to obtain a robust quantification method. The method proposed in this study uses Savitzky–Golay smoothing and differentiation (SGSD) to identify a derivative-maximum-based cycle of quantification. It does not rely on curve modeling, as is the case with many existing techniques. PCR fluorescence data sets challenged for inter-assay variations (different thermocycler units, different reagents batches, different operators, different standard curves, and different labs) were used for the evaluation. The algorithm was compared with a four-parameter logistic model (4PLM) method, the Cy0 method, and the threshold method. The SGSD method compared favourably with all methods in terms of inter-assay variation. SGSD was statistically different from the 4PLM (P = 0.03), Cy0 (P = 0.05), and threshold (P = 0.004) methods on relative error comparison basis. For intra-assay variations, SGSD outperformed the threshold method (P = 0.005) and equalled the 4PLM and Cy0 methods (P > 0.05) on relative error basis. Our results demonstrate that the SGSD method could potentially be an alternative to sigmoid modeling based methods (4PLM and Cy0) when PCR data are challenged for inter-assay variations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».