Em formação

Como faço para resolver esse problema relacionado à especificidade e sensibilidade?


Considere uma doença autossômica recessiva com uma incidência de 1 / 10.000 na população geral de 100.000. Seu melhor amigo chega muito chateado porque acabou de fazer um teste de rastreamento para essa doença e obteve um resultado positivo. Ele está convencido de que é portador, apesar de não ter histórico familiar da doença. Você tenta tranquilizá-lo, mas ele diz: "Não se preocupe. A Clínica disse que esse teste tem 98% de sensibilidade e 90% de especificidade. Com esse nível de sensibilidade, deve estar correto!" Qual é a chance de seu amigo NÃO ser portador?

Tentei desta forma: A razão pela qual usei Hardy-Weinberg é porque não há outra maneira de determinar se ele é portador ou não.

Caso 1: Ele é AA (duplo dominante). Isso tem uma chance de 0,99 ^ 2 = 0,9801. A chance de seu resultado ser positivo é 1 - 0,90 = 0,1, pois essa é a chance de que a especificidade falhou, pois a especificidade mede a chance de verdadeiros negativos. Multiplicando isso nos dá uma probabilidade de 0,09801 desse caso.

Caso 2: Ele é Aa (heterozigoto). Isso tem uma chance de 2 * 0,99 * 0,01 = 0,0198. Novamente, sua chance de um resultado positivo deve ser de 1 - 0,9 = 0,1. Multiplicando isso nos dá 0,00198.

Caso 3: Ele é aa (duplo recessivo). Isso tem uma chance de 0,01 ^ 2 = 0,0001. A chance de obter um resultado positivo é de 0,98. Multiplicando, obtemos 0,000098.

Somando isso, tenho 0,100088. Queremos a probabilidade de ele não ser um portador, então 0,000098 + 0,09801 (casos 1 e 3) dividido por 0,100088 (o total). Isso produz em torno de 0,9802 ou 98% de chance, o que não é uma das opções. O que estou fazendo de errado?


Como calcular a sensibilidade, especificidade, valor preditivo positivo e valor preditivo negativo

O wikiHow é um “wiki,” semelhante à Wikipedia, o que significa que muitos de nossos artigos são co-escritos por vários autores. Para criar este artigo, 18 pessoas, algumas anônimas, trabalharam para editá-lo e aprimorá-lo ao longo do tempo.

Este artigo foi visto 589.759 vezes.

Para qualquer teste administrado a uma determinada população, é importante calcular o sensibilidade [1] X fonte de pesquisa, especificidade [2] X fonte de pesquisa, valor preditivo positivo [3] X fonte de pesquisa, e valor preditivo negativo [4] X Fonte de pesquisa, para determinar a utilidade do teste na detecção de uma doença ou característica em determinada população. Se quisermos usar um teste para testar uma característica específica em uma população de amostra, gostaríamos de saber:

  • Qual é a probabilidade do teste de detectar o presença de uma característica em alguém com A característica (sensibilidade)?
  • Qual é a probabilidade do teste de detectar o ausência de uma característica em alguém sem A característica (especificidade)?
  • Qual é a probabilidade de alguém com um positivo resultado do teste para realmente tenho A característica (valor preditivo positivo)?
  • Qual é a probabilidade de alguém com um negativo resultado do teste para realmente não tem A característica (valor preditivo negativo)?

Esses valores são muito importantes para calcular a fim de determinar se um teste é útil para medir uma característica específica em uma determinada população. Este artigo demonstrará como calcular esses valores.


Abordagem multiobjetivo baseada em sensibilidade e especificidade para seleção de recursos: Aplicação ao diagnóstico de câncer

O estudo da sensibilidade e da especificidade de um teste de classificação constitui um tipo poderoso de análise, pois fornece aos especialistas informações muito detalhadas úteis para o diagnóstico do câncer. Neste trabalho, propomos o uso de um algoritmo genético multiobjetivo para a seleção gênica de conjuntos de dados Microarray. Esse algoritmo realiza a seleção gênica do ponto de vista da sensibilidade e da especificidade, ambas utilizadas como indicadores de qualidade do teste de classificação aplicado aos genes previamente selecionados. Nesse algoritmo, a tarefa de classificação é realizada por máquinas de vetores de suporte, além de uma validação cruzada de 10 dobras aplicada aos subconjuntos resultantes. É perceptível o comportamento emergente de todas estas técnicas utilizadas em conjunto, uma vez que esta abordagem é capaz de oferecer, de forma original e fácil, um vasto leque de soluções precisas aos profissionais desta área. A eficácia dessa abordagem é comprovada em conjuntos de dados públicos de câncer, trabalhando com resultados novos e promissores. Uma análise comparativa de nossa abordagem usando dois e três objetivos, e com outros algoritmos existentes, sugere que nossa proposta é altamente apropriada para resolver este problema.


Desenvolvimento de modelos de alerta precoce

O equilíbrio entre sensibilidade e especificidade

A sensibilidade e a especificidade refletem a autenticidade do aviso prévio de duas perspectivas diferentes. De acordo com a teoria da distribuição estatística, os dados de vigilância baseados em eventos para surtos e não-surtos podem ter uma certa sobreposição em termos de suas distribuições de probabilidade, o que pode levar a contradições entre sensibilidade e especificidade. Se for usada uma estratégia de alerta precoce com alta sensibilidade, o sistema é capaz de detectar surtos “reais” e tem uma melhor pontualidade no alerta precoce, mas também enfrenta perdas pelo consumo de recursos adicionais devido à baixa especificidade. Se for usada uma estratégia com alta especificidade, o sistema se beneficia de uma redução significativa no consumo de recursos, humanos e tempo, mas tem uma capacidade reduzida de detectar surtos “reais”, o que pode levar à omissão ou atraso para muitos surtos. Portanto, os modelos de alerta precoce precisam atingir um equilíbrio entre sensibilidade e especificidade.

O LR é um indicador que integra informações de sensibilidade e especificidade e consiste na razão de verossimilhança positiva (PLR) e na razão de verossimilhança negativa (NLR). O PLR é a razão entre o positivo verdadeiro e os FPRs e reflete a probabilidade de eventos “positivos” que são detectados por um modelo de alerta precoce em surtos “reais” e não surtos. O NLR é a razão entre as taxas de falso negativo e verdadeiro negativo e reflete a probabilidade de eventos “negativos” serem detectados por um modelo de alerta precoce em surtos “reais” e não surtos. Na prática, a PLR deve ser maior do que 1. Além disso, uma PLR maior é melhor. O NLR deve ser menor que 1 e um NLR menor é melhor. O cálculo do LR é mostrado nas Eqs. (3,36) e (3,37).

O índice de Youden & # x27s é a soma da sensibilidade e especificidade menos um e reflete a capacidade geral de um modelo de alerta precoce para detectar surtos e não-surtos. O índice de Youden & # x27s integra informações de sensibilidade e especificidade em circunstâncias que enfatizam a sensibilidade e a especificidade, com um valor que varia de 0 a 1. O índice de Youden & # x27s que se aproxima de 1 indica maior autenticidade em um modelo de aviso prévio. O cálculo do índice de Youden & # x27s é mostrado na Eq. (3,38).


Como faço para resolver esse problema relacionado à especificidade e sensibilidade? - Biologia

Avaliação de testes e outras evidências médicas

1. Para avaliar o desempenho de um novo teste diagnóstico, o desenvolvedor verifica em 100 casos conhecidos da doença para a qual o teste foi projetado e em 200 controles conhecidos como livres da doença. Noventa dos casos resultaram em testes positivos, assim como 30 dos controles. Com base nesses dados, a especificidade e as taxas de erro de falso positivo do teste são, respectivamente,
uma. 75% e 10%
b. 85% e 10%
c. 85% e 15%
d. 85% e 25%
e. 90% e 15%

Com base em todas as informações disponíveis atualmente, você estima que o paciente em seu consultório tem uma chance em quatro de ter uma doença grave. Você solicita um teste diagnóstico com sensibilidade de 95% e especificidade de 90%.

2. O resultado é positivo. Com base em todas as informações agora disponíveis, a chance de seu paciente realmente ter a doença é mais próxima de
uma. 100%
b. 95%
c. 90%
d. 75%
e. 60%
f. cerca de 30%

3. O resultado volta negativo. Com base em todas as informações agora disponíveis, a chance de seu paciente realmente ter a doença é mais próxima de
uma. 1%
b. 2%
c. 5%
d. 10%
e. 15%
f. 25%

4. O teste A tem sensibilidade de 70% e especificidade de 90%. O teste B tem 90% de sensibilidade e 80% de especificidade. Assumindo que as respostas aos Testes A e B são estatisticamente independentes, e assumindo uma probabilidade pré-teste de doença de 50%, determine a sensibilidade e especificidade, bem como os valores preditivos positivos e negativos, de
uma. usando o Teste A e o Teste B em paralelo.
b. usando o Teste A e o Teste B em série, Teste A primeiro.
c. usando o Teste A e o Teste B em série, Teste B primeiro.

5. Um teste com sensibilidade de 99,9% e especificidade de 99% é usado para rastrear uma população para uma doença com prevalência de 1%. A proporção de testes positivos na tela que realmente têm a doença será aproximadamente
uma. 10%
b. 30%
c. 50%
d. 90%
e. 99%
f. 99,9%

6. A American Disease X Foundation relata que 6% da população com mais de 50 anos de idade tem a doença X. Você pergunta sobre a fonte de suas informações e eles citam dados de triagem populacional de doenças na literatura que relata que 6% disso população foi positiva quando rastreada. Consultando a literatura, você descobre que o teste de triagem utilizado teve sensibilidade de 95% e especificidade de 98%. Que proporção da população com mais de 50 anos você acha que realmente tem a doença?

7. Existem três testes que podem ser usados ​​na triagem da doença D em uma população, que você acredita estar presente em cerca de 1% da população. O teste A tem sensibilidade de 99% e especificidade de 99,9%. O teste B tem sensibilidade de 95% e especificidade de 99%. O teste C tem sensibilidade de 99,9% e especificidade de 98%. Usar a porcentagem de testes positivos para estimar a prevalência da doença na população ajudaria muito a apoiar a posição institucional correspondente, se você fosse
uma. CEO da American Disease D Foundation
b. Newt Gingrich
c. Diretor do Instituto para a Verdade na Medicina da UI

8. Em um artigo no Arquivos de sua especialidade, os pesquisadores relatam que o teste de triagem T é extremamente eficaz e deve ser usado rotineiramente. Como evidência, eles relatam que a taxa de sobrevida de cinco anos de pacientes cuja doença foi descoberta pelo teste T é de 90%, enquanto a taxa de sobrevida de cinco anos de pacientes cuja doença foi descoberta por outros meios é de apenas 60%. No entanto, em um artigo naquele mesmo mês no Jornal da faculdade de sua especialidade, outro grupo de pesquisadores relatou que a triagem com o Teste T não tem efeito. Como evidência, eles relatam que um estudo que randomizou indivíduos para um programa de triagem de rotina com o Teste T ou nenhum regime de triagem especial encontrou uma taxa de sobrevivência de cinco anos de 80% em ambos os grupos. A questão parece ainda mais confusa porque este segundo grupo de investigadores reconhece que se seus dados forem reanalisados ​​para comparar a taxa de sobrevivência de indivíduos que realmente seguiram o regime de triagem com aqueles que não seguiram, qualquer que seja o grupo ao qual foram atribuídos, a coorte daqueles que na verdade, foram selecionados tiveram sobrevida de cinco anos de 85%, enquanto a coorte daqueles que não foram examinados teve sobrevida de apenas 75%. Apesar disso, esses investigadores mantêm a posição de que nenhum efeito da triagem foi demonstrado. Escreva uma breve nota para o Resumo prático de consultório para médicos de clínica geral, explicando por que esses vários conjuntos de resultados podem ser esperados da maneira que eles fazem e aconselhando se deve ou não fazer a triagem com o Teste T.

9. Um artigo no The New York Times no ano passado, em conexão com o tratamento do câncer de próstata do técnico de futebol americano do Buffalo Bills, Marv Levy, e do prefeito de Washington, DC, Marion Barry, apontou que os diagnósticos anuais de câncer de próstata quase dobraram desde 1990, e que a maioria dos especialistas atribui isso ao aumento da detecção de câncer existente por meio do teste de antígeno prostático específico (PSA). O artigo do Times sugeriu que a detecção precoce por meio do teste de PSA estava levando a um tratamento precoce e inevitavelmente mais bem-sucedido do câncer de próstata, com uma taxa de cura na faixa de 80-90% para homens com diagnóstico precoce. O Times não forneceu dados específicos relativos ao efeito benéfico do aumento do diagnóstico precoce produzido pelo uso do PSA.

Entre os dados que podem ser usados ​​para apoiar as alegações de que o uso do PSA está melhorando os resultados de saúde das vítimas de câncer de próstata estão
uma. a sensibilidade e especificidade do teste PSA
b. os valores preditivos positivos e negativos do teste PSA na população específica de interesse
c. a taxa de sobrevivência pós-dx global de cinco anos (às vezes chamada de & quot taxa de cura & quot em estudos de câncer)
d. a diferença nessas taxas entre os homens diagnosticados por testes de PSA em comparação com aqueles diagnosticados por outros meios
e. a diferença nessas taxas entre os homens que já fizeram um ou mais testes de PSA em comparação com aqueles que não fizeram, seja qual for o método de diagnóstico
f. a sobrevida média pós-dx global
g. a diferença nessas médias entre os homens que foram diagnosticados por testes de PSA em comparação com aqueles diagnosticados por outros métodos
h. a diferença nessas médias entre os homens que já fizeram um ou mais testes de PSA em comparação com aqueles que não fizeram
eu. a taxa de mortalidade ajustada por idade para câncer de próstata
j. a diferença nas taxas de diagnóstico entre homens designados aleatoriamente para receber exames periódicos de PSA e homens designados aleatoriamente para exame retal digital periódico
k. a diferença nas taxas de sobrevivência pós-dx de cinco anos entre homens designados aleatoriamente para receber exames periódicos de PSA e homens designados aleatoriamente para exame retal digital periódico
eu. a diferença nas taxas de mortalidade ajustadas por idade para câncer de próstata entre homens designados aleatoriamente para receber exames periódicos de PSA e homens designados aleatoriamente para exame retal digital periódico.

Com referência, conforme apropriado, a tendências específicas, explique por que cada um dos tipos de dados acima fornece ou não informações confiáveis ​​sobre o impacto do PSA na saúde de homens com câncer de próstata.

10. Qual das alternativas a seguir não conduz ao sucesso de um programa de triagem médica?
uma. alta incidência
b. longa duração da doença inaparente
c. excelentes resultados terapêuticos em todas as fases
d. rastreio barato
e. alta especificidade do teste

11. Para evitar ser enganados pelo viés de migração de estágio ao comparar os resultados ao longo de diferentes períodos de tempo entre os quais a acuidade diagnóstica mudou, devemos
uma. comparar medidas de resultados específicas do estágio
b. comparar medidas de resultado ajustadas diretamente ao estágio
c. avaliar os resultados no período posterior usando o SMR com base nas taxas de resultado de referência do período anterior
d. comparar medidas de resultados combinando e não ajustadas para o estágio da doença


Valor preditivo positivo (PPV)

É a porcentagem de pacientes com teste positivo que realmente têm a doença. Em uma tabela 2 x 2 [Tabela 1], a célula & # x02032a & # x02032 é & # x02032 verdadeiros positivos & # x02032 e a célula & # x02032b & # x02032 é & # x02032 falsos positivos. & # X02032 Na situação da vida real, fazemos o novo teste primeiro e não temos resultados de & # x02032 padrão ouro & # x02032 disponíveis. Queremos saber como está o desempenho desse novo teste. O PPV nos informa sobre isso & # x02013 quantos testes positivos são verdadeiros positivos e se esse número for maior (o mais próximo possível de 100), então ele sugere que este novo teste está indo tão bem quanto o & # x02032 padrão ouro. & # x02032

= a (verdadeiro positivo) / a + b (verdadeiro positivo + falso positivo)

= Probabilidade (paciente com doença quando o teste é positivo)

Exemplo: Usaremos a sensibilidade e a especificidade fornecidas na Tabela 3 para calcular o valor preditivo positivo.

PPV = a (verdadeiro positivo) / a + b (verdadeiro positivo + falso positivo)


Um computador acabou de resolver este problema de biologia de cem anos

Big data e mdashe grande poder de processamento e mdashis um grande negócio para a ciência. Ao processar enormes quantidades de dados bilhões de vezes mais rápido do que poderia ser feito manualmente, os computadores permitiram que os cientistas descobrissem planetas distantes, desvendassem nosso código genético e até encontrassem a partícula subatômica responsável pela gravidade. Mas imagine um futuro no qual os computadores não usem apenas seu incrível poder para ajudar os cientistas. Imagine um futuro em que o computador possa apresentar ideias e hipóteses científicas úteis por conta própria.

Bem, isso simplesmente aconteceu. Conforme relatam no jornal de ciências PLOS, Michael Levin e Daniel Lobo, dois cientistas da computação / biólogos da Tufts University, programaram um computador que criou de forma independente sua própria teoria científica. É algo que pode resolver um mistério da biologia de 120 anos que escapou até mesmo às nossas melhores explicações: exatamente como os genes de um verme chato em fatias conduzem sua sinfonia de células quando se regeneram em novos organismos.

“Escolhemos esse problema porque é realmente muito interessante”, diz Levin. "Esses vermes são basicamente imortais, você pode cortá-los e eles formam novos organismos continuamente. E por que isso acontece pode ser a chave para o desenvolvimento de tudo, desde medicamentos regenerativos até o projeto de robôs auto-reparadores."

"Esses vermes são basicamente imortais. Você pode cortá-los e eles formam novos organismos continuamente."

Um teórico do silício

Simplificando, o computador de Levin e Lobo tentou imitar os estudos da vida real repetidas vezes em uma simulação dolorosamente detalhada. A máquina adivinharia aleatoriamente como os genes do verme formaram uma rede regulatória que permitiu essa incrível regeneração, então deixaria essa rede genética assumir o controle em uma simulação e, finalmente, mediria quão próximos os resultados estavam de dados experimentais reais. Se seus palpites fossem bons (o que significa que a rede de genes fazia o verme simulado se regenerar de maneira semelhante aos experimentos da vida real), então a máquina modificou ligeiramente a rede genética aleatória que havia criado e tentou novamente até que seu modelo fosse ainda melhor.

Isso pode parecer simplista, mas depois de três dias de adivinhação constante, simulando, avaliando seus palpites e aprimorando suas táticas, o computador inventou uma rede genética central que correspondia fielmente a cada uma das centenas de experimentos em seu banco de dados. Essencialmente, explicou o que os cientistas não conseguiram - como os genes se conectam.

Levin e Lobo estão bastante convencidos de que o que eles programaram em seus computadores "não são apenas estatísticas ou processamento de números", diz Levin. Por meio de trilhas e erros, o computador inventou um modelo preciso do funcionamento interno do flatworm. "A invenção de modelos para explicar o que a natureza está fazendo é a coisa mais criativa que os cientistas fazem ... este é o coração e a alma do empreendimento científico", diz ele. "Nenhum de nós poderia ter criado esse modelo que (como campo) deixamos de fazer depois de mais de um século de esforços."

Hava Siegelmann, cientista da computação e engenheiro biomédico da Universidade de Massachusetts que não esteve envolvido na pesquisa, aplaude o trabalho inventivo da equipe e também concorda com a afirmação de Levin de que isso é mais do que apenas 'estatísticas ou cálculos numéricos'.

"Este é o coração e a alma do empreendimento científico."

A ascensão do cientista da computação

Embora o computador precise de apenas três dias para resolver o problema de genética da flatworm, Levin diz que levou anos e anos para projetar e preparar o programa de computador. Por um lado, a dupla teve que rastrear centenas de experimentos científicos realizados em flatworms apenas para traduzir esses experimentos em um enorme banco de dados para o computador - dando essencialmente à máquina matéria-prima rigidamente estruturada. Eles até tiveram que desenvolver uma linguagem de computador formal personalizada que se ajustasse aos dados que eles precisavam descrever.

Apesar da dificuldade, Levin acredita que essa abordagem de tentativa e erro totalmente orientada por computador para desenvolver modelos científicos e teorias poderia ser usada em muitas disciplinas da ciência, especialmente onde há muitos dados (ou os dados são muito complicados) para o cérebro humano para compreender totalmente.

"Nenhum de nós poderia ter criado esse modelo que deixamos de fazer depois de mais de um século."

“Este problema, e nossa abordagem, é quase universal. Ele pode ser usado com qualquer coisa, onde dados funcionais existam, mas o mecanismo subjacente seja difícil de adivinhar”, diz ele. Em um futuro próximo, provavelmente veremos insights cada vez maiores sobre a ciência básica impulsionados por computadores semelhantes.

Na verdade, Levin já está aplicando essa mesma abordagem a uma questão radicalmente diferente da biologia: como o câncer começa a se espalhar pelo corpo, também conhecido como metástase. “Contanto que você ajuste a linguagem formal, construa o banco de dados de fatos em seu campo e forneça um simulador apropriado, todo o esquema pode ser usado para muitas, muitas aplicações”, diz ele.


Resumo

A engenharia de circuitos genéticos com funções inovadoras é uma promessa para amplas aplicações em biologia, engenharia e medicina. A evolução dirigida complementa o design racional como uma estratégia importante para otimizar circuitos de genes e elementos de circuitos.

De novo a engenharia de circuitos genéticos com funções bem definidas está no cerne do campo nascente da biologia sintética (1-7). Esses sistemas de engenharia podem oferecer insights sobre os princípios de design subjacentes do controle biológico e levar a aplicações inovadoras em biotecnologia, computação e medicina.

No entanto, a engenharia de circuitos de genes com propriedades desejadas e não triviais é um desafio. Quando montado, um circuito pode não funcionar conforme projetado devido a interações impróprias ou desequilibradas entre seus componentes (DNAs, RNAs e proteínas). Múltiplas rodadas de revisão e caracterização de circuitos são uma prática comum. Para este fim, a modelagem é freqüentemente usada para explorar como os comportamentos qualitativos e quantitativos do circuito dependem de seus parâmetros. Guiado pela modelagem, pode-se escolher componentes do circuito com propriedades cinéticas específicas. Se os componentes existentes não satisfizerem os critérios de projeto para desempenho ideal do circuito, pode-se escolher modular suas propriedades por projeto racional baseado em estrutura. No entanto, o projeto racional é frequentemente limitado pela falta de conhecimento detalhado das relações estrutura-função dos componentes individuais do circuito.

A evolução direcionada serve como uma alternativa poderosa que complementa a abordagem de design racional. Implica a geração de um grande pool de componentes mutantes através da mutagênese aleatória e subsequente triagem e seleção de mutantes com a função desejada. Ele depende menos do conhecimento detalhado sobre as relações estrutura-função dos componentes a serem otimizados. Tradicionalmente, a evolução direcionada tem se mostrado altamente eficiente na otimização do funcionamento de uma ampla variedade de biomoléculas, sem a necessidade de recorrer ao conhecimento detalhado de suas estruturas (8). Nos últimos anos, entretanto, têm aumentado as aplicações de evolução direcionada para a otimização de um circuito ou de seus componentes individuais (9-14). Um elemento importante desse desenvolvimento é que os componentes desenvolvidos em um contexto podem expandir o escopo do projeto de circuitos gênicos em um contexto diferente (15). Nesta edição, Sun e colegas de trabalho (16) apresentam um elegante estudo sobre a otimização de loops de feedback positivo (PFLs) por meio da evolução direta de um componente individual. Os circuitos desenvolvidos exibem limiares de ativação significativamente reduzidos em resposta a N- (3-oxo-hexanoil) homoserina lactona (OHHL), um indutor. A sensibilidade de resposta aprimorada desses circuitos pode ser útil para aplicações potenciais em engenharia metabólica e terapia genética.

No primeiro PFL (PFL1) (16), ao ligar a molécula indutora OHHL e PluxI promotor, o fator de transcrição LuxR retirado de Vibrio fischeri é autoativado por sua própria expressão em Escherichia coli, formando o PFL. UMA gfpuv gene a montante de luxR atua como repórter para a dinâmica do circuito. O segundo circuito (PFL2) é o mesmo que PFL1, exceto pela incorporação de um LuxR expresso constitutivamente. Ambos PFL1 e PFL2 de tipo selvagem exibem ultrassensibilidade em sua resposta a OHHL. Estimulação OHHL acima de um valor limite (OHHL50, onde o nível de saída de GFPuv está na metade de seu máximo) pode provocar uma amplificação significativa da expressão de GFPuv. Para melhorar ainda mais a sensibilidade desses circuitos, os autores criaram uma biblioteca de mutantes LuxR por evolução direcionada. Mutantes LuxR favoráveis ​​com comportamento de circuito melhorado foram posteriormente rastreados e identificados. Eles levantaram a hipótese de que os mutantes LuxR identificados são mais propensos a aumentar a interação de ligação com OHHL ou o promotor PluxI , aumentando assim a força do PFL.

PFLs desempenham papéis essenciais em diversas funções celulares, incluindo desenvolvimento de tecidos, decisão do destino celular e memória de longo prazo (17, 18). Eles podem resultar em respostas biestáveis ​​graduadas ou "tudo ou nada" a uma sugestão externa. Para o trabalho de Sun e colegas (16), pode-se questionar como as partes evoluídas podem impactar a dinâmica geral. Para obter uma visão, desenvolvemos um modelo cinético simples para analisar o comportamento de comutação dos sistemas (Figura 1). Quando o feedback positivo é fraco (ou seja,, o valor α é menor do que o valor da linha tracejada azul, Figura 1, painel b), o circuito só pode demonstrar comportamento monoestável, exemplificado por um dependente monotônico "R vs S"curva (inserção inferior, Figura 1, painel b). Para uma regulação de feedback suficientemente forte, no entanto, o circuito pode demonstrar biestabilidade (consulte o biestável"R vs S"curva, inserção superior, Figura 1, painel b).


Fundo

Sensibilidade e especificidade são características de um teste.

O valor preditivo positivo (PPV) e o valor preditivo negativo (NPV) são melhor considerados como o relevância clínica de um teste.

A diferença significativa é que PPV e NPV usam o prevalência de uma condição para determinar a probabilidade de um diagnóstico de teste aquela doença específica. Considerando que a sensibilidade e especificidade são independente da prevalência.

Prevalência é o número de casos em uma população definida em um único ponto no tempo e é expresso como um decimal ou uma porcentagem.

Sensibilidade é a porcentagem de verdadeiros positivos (por exemplo, 90% de sensibilidade = 90% das pessoas que têm a doença-alvo terão um teste positivo).

Especificidade é a porcentagem de verdadeiros negativos (por exemplo, especificidade de 90% = 90% das pessoas que não têm a doença alvo terão teste negativo).

Isso permite que você condições de regra dentro ou fora, mas não diagnosticar definitivamente uma condição.

Uma tabela clássica que permite que a sensibilidade e a especificidade sejam trabalhadas quantitativamente pode ser vista abaixo.


Como a especificidade, a sensibilidade e a reatividade cruzada estão relacionadas?

Como a especificidade, a sensibilidade e a reatividade cruzada estão relacionadas?

Respostas do dever de casa

Reatividade cruzada significa diferentes antígenos que apresentam resposta imune semelhante. Mas as respostas imunológicas são muito específicas por natureza.

E apenas o antígeno e o anticorpo sensíveis podem reagir entre si. que devem ser complementares entre si.

Portanto, se a reatividade cruzada tiver origem, significa que o anticorpo específico que é sensível a um antígeno específico também pode reagir com outro antígeno com características de simulação do antígeno.

Como podemos tomar um exemplo de vários antígenos e anticorpos Teste não específico ou de triagem na ciência médica para diagnóstico de várias doenças.

Como o teste Widal para febre entérica.

Salmonella Typhi e Paratyphi são duas espécies intimamente relacionadas.

Eles têm o antígeno O e o antígeno H.

Neste teste, não usamos o antígeno O de Paratyphi, pois apresenta reatividade cruzada com o antígeno O de tifo. Portanto, pode nos dar uma interpretação falsa e não podemos chegar à conclusão de que essa febre entérica é causada pelo tifo ou paratifo.

Portanto, usamos o antígeno H, que tem uma estrutura antigênica diferente e mais específica para que não reaja cruzadamente com os anticorpos Typhi e nos forneça uma boa interpretação.

Resumidamente. Espécies mais intimamente relacionadas mostram antígeno menos específico e antígenos intimamente relacionados de espécies diferentes podem ser mais sensíveis a anticorpos de outras espécies e mostram reatividade cruzada entre si.

Mais próximo - menos específico - mais sensível a outro anticorpo - reatividade cruzada.

Adicionar resposta a:

10) Calcule a sensibilidade e especificidade de 2 em 2 (teste de triagem A). (2.

10) Calcule a sensibilidade e especificidade de 2 em 2 (teste de triagem A). (2 pontos) Teste + Teste- Doença 100 10 Não Doente 20 80 Sensibilidade Especificidade Quantos falsos positivos existem? (1 ponto) 12) Calcule a sensibilidade e especificidade do teste de rastreamento B (2 pontos) Não D Teste positivo 34 Teste negativo 13 Se eu quisesse limitar o número de falsos positivos, qual dos dois testes de rastreamento seria o preferido? A ou B.

A questão de epidemiologia 3. O ajuste do ponto de corte do rastreamento afeta a sensibilidade. especificidade, PPV e NPV do.

A questão de epidemiologia 3. O ajuste do ponto de corte do rastreamento afeta a sensibilidade. especificidade, PPV e NPV do teste? Porque? os respectivos & # 34custos & # 34 anel o ponto de corte de triagem afetam o número de falsos positivos e falsos negativos associados a falsos positivos e falsos negativos? Qual 5. sensibilidade, PPV e NPV do teste? Como você esperaria aumentar o ponto de corte para 220mg de glicose no sangue por 100ml para afetar a especificidade foi repetido usando 130mg de glicose no sangue.

Como um administrador de saúde usaria validade, relacionabilidade, sensibilidade, especificidade e valores preditivos para deter.

Como um administrador de saúde usaria validade, relacionabilidade, sensibilidade, especificidade e valores preditivos para determinar se deve usar um novo teste de tomografia para uma população inteira?

10) Calcule a sensibilidade e especificidade de 2 em 2 (teste de triagem A). (2 pontos) Teste + Teste- Disea.

10) Calcule a sensibilidade e especificidade de 2 em 2 (teste de triagem A). (2 pontos) Teste + Teste- Doença 100 10 Não Doente 20 80 Sensibilidade Especificidade Quantos falsos positivos existem? (1 ponto) 12) Calcule a sensibilidade e especificidade do teste de rastreamento B (2 pontos) Não D Teste positivo 34 Teste negativo 13 Se eu quisesse limitar o número de falsos positivos, qual dos dois testes de rastreamento seria o preferido? A ou B.

Calculei a sensibilidade, especificidade, PPV, NPV, LR (+) e LR (-) para o teste abaixo. Minha pergunta.

Calculei a sensibilidade, especificidade, PPV, NPV, LR (+) e LR (-) para o teste abaixo. Minha pergunta é como descrever o teste, ou seja, bom / ruim, algum recurso a ser notado? Condição Presente Condição Ausente Teste Total + 83 8 91 Teste - 6 22 28 Total 89 30 119 Sensibilidade = 0,93 Especificidade = 0,73 PPV = 0,91 NPV = 0,79 LR (+) = 3,44 LR (-) = 0,095

A remoção da colistina e do ácido nalidíxico do CNA alteraria a sensibilidade ou especificidade do meio.

A remoção da colistina e do ácido nalidíxico do CNA alteraria a sensibilidade ou especificidade do meio? (Consulte as páginas 8 e 9, & # 34A Palavra sobre Design Experimental & # 34 para obter ajuda com esses termos.) A remoção da colistina e do ácido nalidíxico do CNA alteraria a sensibilidade ou especificidade do meio? (Consulte as páginas 8 e 9, & # 34A Word About Experimental Design & # 34 para obter ajuda com esses termos.)

Explicar por que é difícil fazer um teste de rastreamento com 100% de sensibilidade e especificidade.

explicar por que é difícil fazer um teste de rastreamento com 100% de sensibilidade e especificidade. use desenhos rotulados conforme apropriado.

Embora os conceitos de sensibilidade e especificidade sejam geralmente aplicados a exames laboratoriais de diagnóstico ou de triagem.

Embora os conceitos de sensibilidade e especificidade sejam geralmente aplicados a testes laboratoriais de diagnóstico ou de triagem, eles são igualmente válidos para outros testes que indicam a presença ou ausência de doença. Estes podem ser testes concebidos para eliciar certos sinais físicos de doença por meio de exame (por exemplo, hipertensão, câncer cervical, defeitos neurológicos e tendência a hemorragia) ou perguntas destinadas a revelar os sintomas. Suponha que um pequeno questionário psicométrico que foi elaborado para detectar casos não diagnosticados de transtorno de personalidade foi encontrado, posteriormente.

1. Explique como a PCR em tempo real tem maior sensibilidade e especificidade em comparação com a PCR convencional.

1. Explique como a PCR em tempo real tem uma sensibilidade e especificidade maiores em comparação com a PCR convencional 2. Um aluno detectou uma variação do DNA (G & gtA) no exon 1 (região codificadora do gene da globina B) que não causa substituição de aminoácidos. Mas a expressão do gene da globina B foi gravemente afetada. Explique por quê.

Um novo teste foi comparado com uma medição padrão ouro com os seguintes resultados Sensibilidade Especificidade.

Um novo teste foi comparado com uma medida padrão ouro com os seguintes resultados Sensibilidade Especificidade Valor preditivo positivo Valor preditivo negativo Novo Teste Padrão Ouro Positivo Padrão Ouro Negativo Positivo 18 2 Negativo 8 72


Figura 1

Figura 1. A modelagem matemática sugere a possibilidade de gerar comportamento biestável com os circuitos de feedback positivo inicial e evoluído. a) Esquemático do PFL sob o controle de um sinal OHHL (S). O fator de transcrição LuxR (R), ao se ligar a S, forma um complexo C ativado que forma um homodímero e se liga ao promotor PluxI para ativar a expressão LuxR, efetuando um feedback positivo. Este sistema pode ser modelado por duas equações adimensionais: dR / dτ = α (C n / 1 + C n)) - βR - kSR + α0 dC / dτ = kSR– C. Aqui, S, R e C nas equações representam as concentrações de OHHL, LuxR e complexo C, respectivamente. A síntese de R é modelada por uma única função de Hill, agrupando a transcrição e a tradução. O coeficiente de Hill é definido como 2 para refletir a dimerização rápida de C e a ligação do dímero a PluxI . α é a constante da taxa de síntese de R devido ao feedback. α0 é a constante de taxa de síntese basal ou constitutiva de R. β é a constante da taxa de degradação de R. k é a constante de ligação de R com S. Para tornar o modelo adimensional, o tempo é dimensionado em relação à constante de taxa de decaimento de C e as concentrações são dimensionadas em relação ao limite de meia ativação de C. Valores de parâmetros biologicamente viáveis ​​são usados ​​para bifurcação análise, com valores de base de β = 5, α0 = 1, e k = 1. b) Os comportamentos dinâmicos do PFL são determinados por α. Quando α é maior que o valor crítico (linha tracejada azul), o sistema exibe biestabilidade (inserção superior). Para cada α, as duas linhas vermelhas definem os limites da região biestável em termos de S.

Mudanças genéticas biestáveis ​​controladas por feedback positivo foram examinadas experimentalmente em alguns contextos celulares (19, 20). Os dados atuais na ref 16, que foram medidos ao nível da população, não podem indicar se o sistema é biestável. Análises adicionais examinando o comportamento de uma única célula e detectando a presença de histerese são necessárias para elucidar essas dinâmicas interessantes. Se este se tornar o objetivo do projeto dos autores, novas rodadas de evolução no LuxR, outros componentes do circuito ou o circuito podem ajudar.