discussão
a rotina de montagem da BMDP fornece valores precisos (geralmente dentro de 6%) para constantes de tempo e amplitudes relativas de distribuições de três componentes, desde que o componente intermédio represente pelo menos 4-5% dos 1500 pontos de dados. Embora as estimativas individuais para um pequeno componente intermédio exibam uma dispersão considerável, os valores médios ainda estão dentro de 6% dos verdadeiros.,algumas das variações nas fit individuais podem resultar de inconsistências inerentes aos dados simulados. Em Ai = 5%, o componente intermediário consistia de apenas 75 pontos em 1500. Uma vez que o desvio padrão para uma distribuição exponencial é igual à sua média, 75 pontos não é realmente um tamanho de amostra adequado para uma distribuição exponencial. Embora os valores instalados gerados pela rotina da BMDP por vezes se desviassem dos meios, os valores instalados produziam consistentemente valores de likelihoods superiores aos valores médios da did, determinados por cálculo independente da função de probabilidade., Este achado indica que a rotina estava funcionando corretamente convergindo para os valores que maximizaram a probabilidade.
um problema associado com a instalação de distribuições que são as somas dos exponenciais é determinar o número de componentes necessários para descrever os dados. Por exemplo, uma função de densidade de probabilidade de dois componentes pode parecer adequada para ajustar uma distribuição de três componentes em que um componente intermediário é apenas 3-4% dos pontos de dados., A determinação Visual da bondade do ajuste e do número de componentes necessários nem sempre é satisfatória e pode produzir inconsistências na análise de dados.foram propostos vários testes para comparar a aptidão de diferentes modelos e determinar o número de componentes necessários para descrever uma distribuição. Estes ensaios baseiam – se na razão de probabilidade logarítmica (LLR), ou no logaritmo da razão entre o likelihoods máximo obtido por montagem a modelos diferentes, tais como aqueles que prevêem distribuições de dois versus três componentes., O LLR é igual à diferença entre funções de perda para os dois ajustes.
Quando os modelos são aninhados, duas vezes a LLR tem uma distribuição χ2 com número de graus de liberdade igual ao número de parâmetros adicionais do modelo mais complexo (4, 11). Em 2 graus de liberdade, o teste da relação de probabilidade favorece um ajuste de três componentes (com cinco parâmetros independentes) sobre um ajuste de dois componentes (com três parâmetros independentes) no nível de significância de 0,05 quando o LLR é mais de 3.,
outros testes para a bondade de ajuste incluem Termos que penalizam um modelo para complexidade adicional. O critério de informação Akaike (AIC) (12) afirma que o modelo com o AIC mais baixo é o melhor modelo. AIC = – L + P, Onde L é a máxima probabilidade logarítmica E P é o número de parâmetros independentes no modelo. Um ajuste de três componentes seria favorecido sobre um ajuste de dois componentes sempre que o LLR é mais de 2.um método similar foi proposto por Schwarz (13). O critério de Schwarz (SC) é – L + , onde N é o número total de tempos de permanência., Quando N = 1500, um ajuste de três componentes seria selecionado sobre um ajuste de dois componentes apenas quando o LLR difere em mais de 7.3.
Para os dados simulados, em que Ai foi de 5%, a probabilidade rácios de dois componentes versus componente de três encaixa média de 9,2 ± 2.6 (±DP) para os cinco conjuntos de dados. Todos os três testes consideram isso uma diferença significativa e indicam que o modelo complexo é preferível. Quando a ia foi de 2%, os rácios de probabilidade foram, em média, de 2, 2 ± 1, 8. Apenas a AIC favoreceria a seleção do ajuste de três componentes.,conjuntos de dados
Aos quais foi atribuída a ia valores intermédios de 3 ou 4% foram também testados para determinar se o programa BMDP foi capaz de detectar um terceiro componente quando produziu uma melhoria significativa em fit. Para os dois conjuntos de dados contendo três componentes que se encaixam apenas como distribuições de dois componentes, os LLRs foram 2.4 e 2.0. Apenas a AIC sugere que as RL indicam diferenças significativas. Em média, o LLR para Ai = 4% foi de 6, 0 ± 5, 2 e o LLR para Ai = 3% foi de 4, 2 ± 2, 6.,ambos os testes LLR e SC sugerem que o programa BMDP foi capaz de resolver um terceiro componente na distribuição sempre que o ajuste de três componentes foi uma melhoria significativa sobre o ajuste de dois componentes. Para conjuntos de dados em que a rotina de ajuste de três componentes produziu apenas duas constantes de tempo, a diferença entre as duas Fit não foi significativa.
é claro que a avaliação aqui descrita é verdadeiramente aplicável apenas às condições sob as quais o programa foi testado. A precisão e resolução do programa irá diminuir com menos pontos de dados., Os dados simulados foram, no entanto, projetados para fornecer um teste bastante rigoroso da rotina de montagem. Duas das constantes de tempo foram separados por um fator de apenas 5; tf foi de apenas 5 vezes tmin, o que significa que cerca de 18% dos dados deste componente foi excluído da análise; e cada conjunto de dados consistiu de apenas 1500 pontos, que é relativamente pequeno, mas realista do tamanho da amostra.no entanto, ao comparar modelos cinéticos com base em Fit realizados por este programa, devem ter-se em conta certas limitações., Embora as estimativas de probabilidade máxima tenham sido parcialmente corrigidas em relação a acontecimentos falhados com uma duração inferior a uma determinada tmin, continuam a aplicar-se restrições importantes à interpretação de dados que contêm um componente extremamente rápido, cuja constante de tempo não é muito superior à tmin.
uma fonte potencial de viés não tida em conta aqui é o erro de promoção da amostragem que ocorre quando a taxa de amostragem analógica-digital utilizada pelo computador é comparável à duração do evento (6, 14)., A amostragem de dados a intervalos discretos tem o efeito de combinar dados em caixas, uma vez que os tempos de permanência só podem ser expressos em múltiplos do intervalo de amostragem. Estas caixas sobrepõem – se e a duração real de um evento medido como intervalos de amostragem T pode, de facto, ser qualquer intervalo entre-1 E T + 1. Por exemplo, um intervalo de amostragem de 50 µsec/ponto significa que os tempos de permanência correspondentes a 100 µsec em duração podem efectivamente ter entre 50 e 150 µsec de comprimento. O número de tempos de permanência medidos em cada caixa será, portanto, maior do que o número verdadeiro, ou será promovido., Este efeito é mais significativo quando o período de amostragem é uma fracção significativa da constante de tempo da distribuição.McManus et al. (6) apresentaram expressões explícitas para corrigir a probabilidade de erros de promoção da amostragem (ver também Ref. 14). Concluem que os erros na estimativa máxima de probabilidade das constantes de tempo para somas de exponenciais só se tornariam significativos se o período de amostragem fosse superior a 10-20% da constante de tempo mais rápida da distribuição. Os métodos aqui apresentados não incorporam correções para erros de promoção da amostragem.,outro tipo de erro não mencionado anteriormente é produzido por eventos que passam sem serem detectados porque são mais rápidos do que a tmin. Os tempos fechados falhados fazem com que as aberturas de canais pareçam demasiado longas porque dois eventos de abertura adjacentes aparecem como um único evento longo. Similarmente, aberturas perdidas causam erroneamente longas medições de durações fechadas porque dois tempos fechados adjacentes aparecem como um único longo tempo fechado. A correção para tais eventos perdidos é dependente do modelo e pode se tornar bastante complexa (15, 16)., A correção depende do número de vias pelas quais o canal pode passar por transições de um estado para outro e das magnitudes relativas das constantes de taxa para a transição entre Estados. A falha na correção de tais eventos falhados pode introduzir erros substanciais nas estimativas de constantes de taxa entre Estados.
desde que estas limitações sejam consideradas, a rotina de montagem da BMDP fornece um método conveniente para gerar constantes de tempo e amplitudes relativas de distribuições de tempo de permanência de um canal único.