1 / 14

Computerkurs: Quantitative Auswertung biochemischer Experimente

Computerkurs: Quantitative Auswertung biochemischer Experimente. Guten Morgen. Computerkurs: Quantitative Auswertung biochemischer Experimente Tag 3. Aufgabe 6 : Globale Auswertung von Datensätzen Aufgabe 7 : Wichtung von Daten Aufgabe 8: Auswertung von Michaelis Menten Kinetik II.

rhea-oneil
Download Presentation

Computerkurs: Quantitative Auswertung biochemischer Experimente

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Computerkurs: Quantitative Auswertung biochemischer Experimente Guten Morgen Computerkurs: Quantitative Auswertung biochemischer Experimente

  2. Computerkurs: Quantitative Auswertung biochemischer Experimente Tag 3 • Aufgabe 6: Globale Auswertung von Datensätzen • Aufgabe 7: Wichtung von Daten • Aufgabe 8: Auswertung von Michaelis Menten Kinetik II Computerkurs: Quantitative Auswertung biochemischer Experimente

  3. Messung 1 Messung 2 Messung 3 Messung 4 Globale Auswertung von mehreren Datensätzen Global auswerten: Computerkurs: Quantitative Auswertung biochemischer Experimente

  4. Globale Auswertung: Neue Aspekte • Verwendung von Effektfaktoren • Gemeinsame Auswertung mehrerer Datensätze • lokale und globale Parameter • Excel Programmiertechnik • Fehlergewichtung Computerkurs: Quantitative Auswertung biochemischer Experimente

  5. Globale Auswertung: Definitionen • Das gemessene Signal setzt sich additiv aus den Beiträgen aller Spezies (i) in der Lösung zusammen. • Das Signal jeder Spezies ist proportional zu ihrer Konzentrationci in der Lösung. • Einzelne Spezies tragen unterschiedlich stark zum Signal bei: Effektfaktor: fi Computerkurs: Quantitative Auswertung biochemischer Experimente

  6. Effektfaktoren: Beispiele • Radioaktivität: CPM = fix ci • Fluoreszenzspektroskopie: Signal = fi x ci • Absorbtionsspektroskopie: OD = fi x ci • (hier entspricht fi dem Extinktionskoeffizienten e von Spezies i) • ELISA: Signal = fi x ci • Färbungen • etc. Computerkurs: Quantitative Auswertung biochemischer Experimente

  7. Globale und lokale Parameter • Abhängig vom Modell erhält man eine Reihe von Parametern, die letztlich die Beziehung zwischen den gemessenen Daten und den Vorgaben des Modells herstellen. • Man unterscheidet zwei Arten von Parametern: • globale und • lokale. Computerkurs: Quantitative Auswertung biochemischer Experimente

  8. Globale und lokale Parameter • Globale Parameter • sind in allen Datensätzen (die zusammengehören) gleich. • häufig physikalischen Größen, deren Zahlenwerte man messen möchte, z.B. Bindungskonstanten, kinetische Konstanten, etc. • Lokale Parameter • z.B. Effektfaktoren; können von Experiment zu Experiment variieren (z.B. wieviel CPM produziert ein 1 µM Produkt oder wie hoch ist eine Hintergrundfärbung im ELISA). • Die numerischen Werte dieser lokalen Parameter sind häufig uninteressant, gehen aber in die Ergebnisse der Auswertung ein. Computerkurs: Quantitative Auswertung biochemischer Experimente

  9. Globale und lokale Parameter • Die Unterscheidung in lokale und globale Parameter ist dann wichtig wenn man mehrere Datensätze zu einer Messung gemeinsam auswerten muss: • die Zahlenwerte von globalen Parametern müssen in allen Fällen gleich sein, • die von lokalen dürfen von Datensatz zu Datensatz variieren. Computerkurs: Quantitative Auswertung biochemischer Experimente

  10. Messung 1 Messung 2 Globale Auswertung mehrerer Datensätze Global auswerten: Computerkurs: Quantitative Auswertung biochemischer Experimente

  11. Wichtung von Datensätzen • Fehlergewichtung • Gelegentlich unterscheidet sich die Signalintensität von Messkurven stark. • Dann können Kurven mit großem Signal solche mit kleinen Signalen bei der Auswertung dominieren, weil ihre FQS größer sind. • Unter solchen Umständen kann es sinnvoll sein, die FQS zu gewichten, z.B. mit dem mittleren Signal der Kurven oder dem Effektfaktor. Computerkurs: Quantitative Auswertung biochemischer Experimente

  12. k 0,10067459 k 0,13840073 f 1015,97884 9,7662782 f 992,225146 9,7474359 null 91,7947899 -0,00846495 null 155,857295 0,50077039 FQS 8145,14791 5,96838544 8151,11629 FQS 21815,2933 21244,8943 43060,1876 Datensatz2 Datensatz2 Datensatz1 Datensatz1 12 12 1200 1200 10 10 1000 1000 8 8 800 800 CPM CPM CPM CPM 6 6 600 600 400 4 400 4 200 200 2 2 0 0 0 0 0 20 40 60 80 0 20 40 60 80 0 20 40 60 80 0 20 40 60 80 t/min t/min t/min t/min Wichtung von Datensätzen Beispiel ohne Wichtung mit Wichtung gleichmäßige Anpassung beider Kurven 2. Kurve schlecht angepaßt Computerkurs: Quantitative Auswertung biochemischer Experimente

  13. Bisher Neu c(P) c(P) c(P) c(P) c(P) c(P) t t t t t t Problem: keine Rückkopplung zu Originaldaten LR c(P) c(P) t t v Km, kcat c(S) Auswertug von Michaelis-Menten Kinetiken Km, kcat verwenden um Geradensteigung zu berechnen Fehler minimieren, um Km und kcat zu bestimmen Fehler werden an Originaldaten minimiert Computerkurs: Quantitative Auswertung biochemischer Experimente

  14. Computerkurs: Quantitative Auswertung biochemischer Experimente • Aufgabe 6: Globale Auswertung von Datensätzen • Aufgabe 7: Wichtung von Daten • Aufgabe 8: Michaelis-Menten Kinetik II Computerkurs: Quantitative Auswertung biochemischer Experimente

More Related