Научная литература
booksshare.net -> Добавить материал -> Медицина -> Зайцев С.В. -> "Наркомания. Нейропептид Морфиновые рецепторы " -> 12

Наркомания. Нейропептид Морфиновые рецепторы - Зайцев С.В.

Зайцев С.В., Ярыгин К.Н., Варфоломеев С.Д. Наркомания. Нейропептид Морфиновые рецепторы — МГУ, 1993. — 256 c.
ISBN 5-211-02349-8
Скачать (прямая ссылка): narkomaniya1993.djvu
Предыдущая << 1 .. 6 7 8 9 10 11 < 12 > 13 14 15 16 17 18 .. 108 >> Следующая

II.1. МЕТОД ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
Рассмотрим применение МИМ для анализа взаимодействий одновалентных лигандов с несколькими (п) независимыми центрами связывания. Зависимость концентрации связанного лиганда В от концентрации свободного лиганда L в этом случае имеет вид
(2.3). Существенным моментом для дальнейшего количественного анализа экспериментальных зависимостей типа (2.3) является
Рис. 2.2. Анализ остатков экспериментальных результатов по связыванию меченых лигандов с опиоидны-ми рецепторами
установление характера распределения ошибки измерений (здесь имеется ввиду постоянство либо относительной, либо абсолютной ошибки). Ответить на этот вопрос можно, используя метод анализа остатков. Например, рис. 2.2 показывает, что связывание опиатных лигандов с рецепторами характеризуется постоянством относительной ошибки измерений.
Существо МИМ сводится к следующему.
1 Рассматриваются кривые вида (2.3); для оценки параметров модели используется МНК в предположении, что ошибки относительны, распределены по усеченному нормальному закону и независимы от измерения к измерению.
2 Полученные оценки параметров модели используются в имитационном эксперименте как истинные. Имитационный эксперимент представляет собой случайное моделирование на ЭВМ с уче'ом реальной экспериментальной ошибки определения как В. так и L относительно теоретической кривой, полученной в (1). Моделируется тот же объем псевдоэкспериментальных точек, что и в реальном эксперименте, с сохранением характера распределения и опыте экспериментальных точек. Число таких ЭВМ ->ьспе-; иментов определяется произведением (р+1)1, где р - число паралич ров модели, 1 - число экспериментальных точек на кривой.
3. По алгоритму раздела (1) в каждом ЭВМ-эксперименте вычисляются оценки параметров выбранной модели и сумма квпд-ратов отклонений от теоретической кривой. Полученная совокупность значений параметров используется для анализа их раз броса, построения эмпирических функций распределения и вместе со значениями сумм квадратов отклонений для дискриминации моделей.
Перейдем к рассмотрению результатов применения МИМ дли анализа лиганд-рецепторных взаимодействий. На рис. '1 ) представлено облако разброса параметров для системы взаимодействий одного лиганда с одним типом центров связывания. Хорошо видно, что оценки К и Ro сильно коррелированы. \ о же самое имеет место для модели комплексообразования лигннл * < циумя независимыми центрами связывания (рис. 2.4). Таким образом, налицо существенное свойство системы, описываемой уравнением ; 2.3), - сильная линейная корреляция оценок параметров к, и [Ri]0. Количественной характеристикой зависимости К, и [R,]o может служить коэффициент линейной корреляции, а также, по нашему мнению, отношение [Rj]o/Kj (оценка по регрессии) на поле полученных псевдоэкспериментальных значений параметров К. и [Ri]c (рис. 2.4). Аналогичный вывод о взаимосвязи оценок констант диссоциации и концентрации центров связывания можно сделать также исходя из анализа информационной матрицы уравнения (2.3).
кг, нн
/г,нм
0,26 0,30 [R],,HM
Рис. 2.3. Облако разброса оценок параметров модели комп-лексообразования лиганда с одним типом центров связывания.
Коэффициент корреляции оценок параметров К и [R]o -0,85. отношение [R]o/K=0,100± 0,003 (3%) оценено по линейной регрессии. Кривая теоретическая с параметрами К=3 нМ. [R]0=0,3 нМ
^]о,СЛг]0,нМ
Рис. 2.4. Облака разброса оценок параметров адекватной модели, описывающей взаимодействие одного лиганда с двумя независимыми типами центров связывания.
Коэффициенты корреляции оценок параметров К и [R]o для первого и второго центров равны соответственно 0,97 и 0,90. Отношения [Ri]o/K = 0,026±0,001 (3,8%) и [R2]o/K2 = 0.0018± 0,0001 (5,5%) оценены по линейной регрессии. Кривая теоретическая с параметрами: Kj =3 нМ. К2 = 120 нМ. [Rl]0 =0,08 нМ, [R2]o =0,6 нМ
Анализ элементов информационной матрицы - часто используемый подход для оценки силы взаимодействий параметров (Bard, 1981; Хеммельблау, 1973). Информационная матрица. А записывается следующим образом. Пусть г] (х;, (3) - значение отклика используемой модели, другими словами, теоретическое значение некоторой экспериментально наблюдаемой величины, связанной с независимой переменной х; (xj может быть, например, концентрацией свободного лиганда) и набором векторов параметров (3, описывающих модель функцией 7/). Тогда
А = Хт • X, (2.5)
где [Ху]— дПх^р--~ , i = 1,. .. , 1; j = 1,..., Р; 1 - число экспериментальных точек, Р - число параметров, описывающих модель;
drii йл±
дрг ¦ ' ¦ ¦ дрр
<?Л1. Лт.
dpi ' ' й/Зр
Чем меньше недиагональнъле элементы матрицы А по сравнению с элементами главной диагонали, тем менее вероятно, что матрица А окажется вырожденной (матрица называется вырожденной, если ее определитель равен 0), и тем меньше будет взаимодействие между параметрами. Равенство 0 определителя информационной матрицы указывает на сильную взаимосвязь, корреляцию параметров модели (Хеммельблау, 1973).
Предыдущая << 1 .. 6 7 8 9 10 11 < 12 > 13 14 15 16 17 18 .. 108 >> Следующая

Реклама

c1c0fc952cf0704ad12d6af2ad3bf47e03017fed

Есть, чем поделиться? Отправьте
материал
нам
Авторские права © 2009 BooksShare.
Все права защищены.
Rambler's Top100

c1c0fc952cf0704ad12d6af2ad3bf47e03017fed