A Bayesian hierarchical modeling approach can improve measurement accuracy of microcystin concentrations

Význam tématu

Monitorování cyanobakteriálních toxinů je klíčové pro ochranu veřejného zdraví a řízení zdrojů pitné vody. Mikrocytoviny (microcystiny, MC) jsou jedny z nejrozšířenějších a nejtoxičtějších produktů sinic; chybná nebo nejistá měření mohou vést k nadměrným bezpečnostním opatřením nebo naopak ohrožení populace. Článek předkládá statistické zlepšení přesnosti měření MC z existujících ELISA dat bez nutnosti měnit laboratorní protokoly.

Cíle a přehled studie / článku

Autoři zhodnotili, zda bayesovský hierarchický model (BHM) se sekvenčním aktualizováním sníží nesouměrnost a nejistotu odvozených koncentrací MC získaných ELISA metodou používanou programem NOAA GLERL pro západní záliv jezera Erie. Hlavní cíle byly: (1) srovnat klasické inverzní odhadce s bayesovskými a hierarchickými přístupy, (2) navrhnout sekvenční aktualizační algoritmus použitelný v praxi a (3) kvantifikovat zlepšení přesnosti na základě kontrolního vzorku s koncentrací 0,75 μg/L.

Použitá instrumentace

• ELISA souprava Abraxis (šestiměřítkové standardy 0–5,00 μg/L; kontrolní vzorek 0,75 μg/L), měření absorbance mikroplate čtečkou (relativní absorbance).
• Datový soubor: 214 ELISA testů z let 2012–2021 (NOAA GLERL), až 40 vzorků/test, dvojité replikace.
• Statistické nástroje: R a Stan (MCMC) pro bayesovské odhady; postup sekvenčního aktualizování založený na normal-inverzní-gamma konjugaci a metodě momentů; dostupný kód na GitHubu.

Použitá metodika

Analýza zahrnovala šest přístupů: klasický inverzní odhad s 5 standardy (IFE5), inverzní s oběma replikami (IFE12), jednoduchý bayesovský odhad (Bayes), BHM sdílející informace v rámci testu (BHM1), BHM sdílející informace napříč testy se sekvenční aktualizací (BHM2) a kombinovaný BHM sdílející informace v rámci i napříč testy (BHM3). Kalibrační křivky modelovali buď log–log lineárním přístupem (dřívější testy) nebo čtyřparametrickou logistickou funkcí (většina testů); vzhledem k malému počtu standardních bodů (df často <4) autoři zdůraznili statistické problémy s tradičním odhadem rozptylu a použili bayesovský rámec pro stabilizaci odhadů. Sekvenční aktualizace spočívala v tom, že posteriori hyperparametrů (průměr a mezi-testová variabilita koeficientů) z prvních 9 testů byly shrnuty do konjugované priorní formy (normal-inverse-gamma) a následně použity jako informativní priory pro další jednotlivé testy; tyto priory se při dalším kroku aktualizovaly metodou momentů z MCMC vzorků.

Hlavní výsledky a diskuse

Analýza se zaměřila na přesnost odhadu kontrolního vzorku (0,75 μg/L), měřenou jako medián absolutní odchylky mezi 5000 MCMC simulacemi a skutečnou hodnotou. Klíčové výsledky (medián absolutní odchylky v μg/L):

• IFE5: 0,261
• IFE12: 0,145 (při porovnání variancí IFE5 vs IFE12 F-test p = 1.176e−12; významné zlepšení při použití obou replik)
• Bayes (bez hierarchie): 0,127
• BHM1 (sdílení v rámci testu): 0,114
• BHM2 (sdílení napříč testy, sekvenční aktualizace): 0,121
• BHM3 (sdílení v rámci i napříč testy): 0,109 — nejlepší výkon

Hlavní poznatky: použití všech 12 standardních měření zlepšilo výkon oproti pěti bodům; bayesovské přístupy redukovaly extrémní odhady a variabilitu; hierarchické modely (zejména propojení vzorků v rámci testu) poskytly další zlepšení díky principu shrinkage/Steinova paradoxu. Vysoká mezi-testová heterogenita kalibračních křivek omezila přínos napříč-testového poolování, což vysvětluje, proč BHM1 a BHM3 vykazují podobné hodnoty přesnosti (dominance intra-testové úrovně).

Přínosy a praktické využití metody

Praktické výhody navrženého přístupu jsou:

• Zlepšení přesnosti a konzistence měření mikrocytomin bez změny laboratorních protokolů (pouze výměna softwarového postprocesingu).
• Snížení rizika falešně pozitivních či falešně negativních rozhodnutí při řízení kvality vody (příklad: zásah v Toledu 2014).
• Možnost snadné implementace v laboratořích prostřednictvím automatizovaných nástrojů (např. Shiny aplikace), minimalizující potřebu statistické expertízy u uživatele.
• Obecná použitelnost pro jiné kalibrační úlohy v analytické chemii, kde je omezený počet standardů.

Budoucí trendy a možnosti využití

Možné směry rozvoje a aplikace:

• Automatizace workflowu (webové aplikace) pro rychlé sekvenční aktualizace v rutině laboratoře.
• Adaptivní vážení starších dat: zavedení diskontního faktoru nebo nafouknutí mezi-testové variance pro postupné snižování váhy zastaralých testů.
• Rozšíření BHM na jiné typy ligand-binding a kalibračních assay (LC-MS, jiná imunotesty) s přihlédnutím k rozdílné heterogenitě křivek.
• Regulační přijetí shrinkage-based přístupů jako doplněk ke stávajícím validacím metod za účelem snížení systematické nejistoty.
• Další výzkum zaměřený na modelování heterogenity mezi soupravami/kity a uživateli a na robustní metody detekce případných odlehlých kalibračních výsledků.

Závěr

BHM se sekvenčním aktualizováním přináší významné zlepšení přesnosti odhadů koncentrací mikrocytomin z ELISA dat oproti tradičnímu inverznímu odhadu, a to bez nutnosti měnit laboratorní postupy. Doporučení autorů jsou používat vždy všech 12 měření standardů a zvážit shrinkage modely (nejlépe kombinující sdílení v rámci testu), přičemž sekvenční aktualizace umožňuje praktickou a výpočetně efektivní implementaci v reálných monitorovacích programech.

Reference

1. Jaffe S., Qian S.S., Gionfriddo E., Gossiaux D., Errera R.M., 2025. A Bayesian hierarchical modeling approach can improve measurement accuracy of microcystin concentrations. Chemosphere 384:144481.
2. Qian S.S., Chaffin J.D., DuFour M.R., et al., 2015. Quantifying and reducing uncertainty in estimated microcystin concentrations from the ELISA method. Environmental Science & Technology 49:14221–14229.
3. Gelman A., Carlin J.B., Stern H.S., Dunson D.B., Vehtari A., Rubin D.B., 2014. Bayesian Data Analysis. 3rd ed. CRC Press.
4. Efron B., 1996. Empirical Bayes methods for combining likelihoods. Journal of the American Statistical Association 91(434):538–550.
5. Findlay J.W., Dillard R.F., 2007. Appropriate calibration curve fitting in ligand binding assays. AAPS Journal 9:29.
6. Nummer S.A., et al., 2018. Updating the ELISA standard curve fitting process to reduce uncertainty in estimated microcystin concentrations. MethodsX 5:304–311.
7. Boegehold A.G., et al., 2023. Routine monitoring of western Lake Erie to track water quality changes associated with cyanobacterial harmful algal blooms. Earth System Science Data Discussions 2023:1–39.