Question

我有这些剂量反应数据：

df <- data.frame(viability=c(14,81,58,78,71,83,64,16,32,100,100,81,86,83,100,90,15,100,38,100,91,84,92,100),
                 dose=c(10,0.62,2.5,0.16,0.039,0.0024,0.0098,0.00061,10,0.62,2.5,0.16,0.039,0.0024,0.0098,0.00061,10,0.62,2.5,0.16,0.039,0.0024,0.0098,0.00061),
                 stringsAsFactors=F)

然后我使用drc软件包的drm函数为这些数据拟合对数逻辑曲线：

library(drc)
fit <- drm(viability~dose,data=df,fct=LL.4(names=c("slope","low","high","ED50")),type="continuous")

> summary(fit)

Model fitted: Log-logistic (ED50 as parameter) (4 parms)

Parameter estimates:

                  Estimate Std. Error  t-value p-value
slope:(Intercept)  5.15328   18.07742  0.28507  0.7785
low:(Intercept)   20.19430   12.61122  1.60130  0.1250
high:(Intercept)  83.33181    4.96736 16.77586  0.0000
ED50:(Intercept)   2.98733    1.99685  1.49602  0.1503

Residual standard error:

 21.0743 (20 degrees of freedom)

然后我生成预测，以便我能够绘制曲线：

pred.df <- expand.grid(dose=exp(seq(log(max(df$dose)),log(min(df$dose)),length=100))) 
pred <- predict(fit,newdata=pred.df,interval="confidence") 
pred.df$viability <- pmax(pred[,1],0)
pred.df$viability <- pmin(pred.df$viability,100)
pred.df$viability.low <- pmax(pred[,2],0)
pred.df$viability.low <- pmin(pred.df$viability.low,100)
pred.df$viability.high <- pmax(pred[,3],0)
pred.df$viability.high <- pmin(pred.df$viability.high,100)

我还使用PharmacoGx Bioconductor包来计算曲线及其上下限的AUC和IC50：

library(PharmacoGx)
auc.mid <- computeAUC(rev(pred.df$dose),rev(pred.df$viability))/((max(pred.df$viability)-min(pred.df$viability))*(max(pred.df$dose)-min(pred.df$dose)))
auc.low <- computeAUC(rev(pred.df$dose),rev(pred.df$viability.low))/((max(pred.df$viability.low)-min(pred.df$viability.low))*(max(pred.df)-min(pred.df$dose)))
auc.high <- computeAUC(rev(pred.df$dose),rev(pred.df$viability.high))/((max(pred.df$viability.high)-min(pred.df$viability.high))*(max(pred.df$dose)-min(pred.df$dose)))
ic50.mid <- computeIC50(rev(pred.df$dose),rev(pred.df$viability))
ic50.low <- computeIC50(rev(pred.df$dose),rev(pred.df$viability.low))
ic50.high <- computeIC50(rev(pred.df$dose),rev(pred.df$viability.high))

使用所有参数来保存表格，以便我可以将所有参数绘制在一起：

ann.df <- data.frame(param=c("slope","low","high","ED50","auc.mid","auc.high","auc.low","ic50.mid","ic50.high","ic50.low"),value=signif(c(summary(fit)$coefficient[,1],auc.mid,auc.high,auc.low,ic50.mid,ic50.high,ic50.low),2),stringsAsFactors=F)

最后将其全部绘制出来：

library(ggplot2)
library(grid)
library(gridExtra)
pl <- ggplot(df,aes(x=dose,y=viability))+geom_point()+geom_ribbon(data=pred.df,aes(x=dose,y=viability,ymin=viability.low,ymax=viability.high),alpha=0.2)+labs(y="viability")+
  geom_line(data=pred.df,aes(x=dose,y=viability))+coord_trans(x="log")+theme_bw()+scale_x_continuous(name="dose",breaks=sort(unique(df$dose)),labels=format(signif(sort(unique(df$dose)),3),scientific=T))
ggdraw(pl)+draw_grob(tableGrob(ann.df,rows=NULL),x=0.1,y=0.175,width=0.3,height=0.4)

给出了：

我的问题是：

我认为斜率应为负值。它是怎么来的5.2？
将auc.mid，auc.high和auc.low归为：

auc.mid＆lt; - computeAUC（rev（pred.df $ dose），rev（pred.df $ viability）） auc.low＆lt; - computeAUC（rev（pred.df $ dose），rev（pred.df $ viability.low）） auc.high＆lt; - computeAUC（rev（pred.df $ dose），rev（pred.df $ viability.high））

分别给出21.47818,37.52389和2.678228。

由于这些不在[0,1]范围内，我认为将它们按最高相应生存能力区域划分将给出我正在寻找的东西，即相对AUC，但这些值似乎太低了相对于图中显示的内容。那么这些AUC是什么？

另外，auc.mid＆gt; auc.low＆gt; auc.high？我认为它应该是auc.high＆gt; auc.mid＆gt; auc.low

IC50值似乎也有点低。它们有意义吗？

加分问题：如何避免slope，low，high，ED50，ic50.mid和ic50.high中的尾随零在图中？

Answer 1

您要拉出的参数是坡度参数，或指数浓度变量前面的系数，而不是曲线的实际斜率。
对于曲线上方的区域，提供的AUC在[0-100]范围内。我运行代码并获得了auc.low＆gt; auc.mid＆gt; auc.high的订单。传统上报告响应曲线下的面积，或1活力。
重要的是要注意PharmacoGx包使用3参数山坡模型，类似于drc中的LL.3。因此，该图不符合PharmacoGx计算IC50或AUC的函数。

资料来源：PharmacoGx dev。

剂量反应曲线的参数和AUC和IC50

1 个答案: