免疫学数据的现代统计分析指南

免疫学数据的现代统计分析指南

与统计分析相关的免疫学研究特殊方面

免疫数据结构

免疫学数据通常不是有 规则的分布，研究者要么进行数据转换（例如

log

转换使偏斜 数

据向有规则分布）

，要么选择不以严格数据假设为基础的统计 学技术（例如用不要求有规则

分布的非参数统计学方法）

。另外 一个重要的方面是不同的免疫学数据在同一个研究中呈高

度的相关（多重共线性）

。因此，在观察中设定为独立性的统计技术应用通常是无效的，基

因上 述原因，在考虑因通常“后台”生物学机制导致的研究变量的前提下，采取一种方法。

后 台的生物学机制不能直接观察到，但是却影响不止一种的免疫学变量：

“免疫成熟”

，

“下

调”或者“

Th2

转换”

。

免疫学中关系的复杂性

免疫参数之间 的关系会变，例如

（细胞因子）在不同细胞群中，

在不同那个的 时间以及

其他免疫参数

“有或者缺”

的 情况作用都不相同。

我们经常通过把焦点集中在从非免疫因子

（ 暴露过敏原）

到产出结果（例如特应性或哮喘）

来解释完整的路 径。

毫无疑问的是简单的

单因素统计分析不能确定在几个研究变 量中和不能测到的后台免疫机制的如此多内部关系；

同时的多参数检测需要多因素统计学 技术。

知道统计分析最基本的一步是在概念框架中设定

明晰假设 。

概念框架展现年打算的关注的研究变量中的内部关系和确定一些大的影响数值后

台免疫学机制。概念框架应详细和明晰的。

另外两个本文不重点谈到重要免疫学数据是：

免疫参数测定的重现性

重现性

（

reproducibility

）

是反映在同一个实验室和样本的情况下，

我们获得同样结果的

频率。

在任何检测中变异是意料之中的，

并且统 计学分析必须考虑变异的程度。

虽然免疫学

检测的重现性已经确 定，

但是这些诊断检测目的的，

例如与疫苗保护相关的抗体水平

（例如

水平

>10IU/mL

乙肝疫苗的应答）

，

表现型特征

（

CD4

数量或评价

HIV< /p>

免疫状态的

CD4/DC8

比

，对很多免疫学参数来讲重现性是很难确定的。这与自成一体另外的但 很重要的问题

--

重复性无关：

在多中 心研究中不同中心，

在不同实验室检测相同的免疫学参数，

或者 是在不

同的研究中检测相同的参数研究，也就是重复性（

rep eatability

）

。

多重检测

由于可以检测的免疫学参数 增加和研究者在同样研究数据中处理的大量统计学检测，

关

于免 疫学研究的相关多重检测问题增多。

在统计学中特别关注是从那些泛音真正生物学关系< /p>

（系统性变异，常假设为因果关系）区分机会性发生（由于随机变异或噪音）

。大多数研究

者用统计显著性水平

（类型

错误，

例如

P=0.0 5

）

来确定分析结果是否是因为偶然性。

处理

多重假设检测应该导致接下来的类型

1

< br>错误的扩大

（依赖于检测的相关程度）

。

例如，

P<0.05

，

处理< /p>

20

个独立的有意义的检测数据组一个对照可能是显著的偶然性。 有很多多重比较程序

可以应对类型

1

错 误的扩大去校准统计学分析，例如同时检测程序，由

Bonferroni,

Tukey,

Scheff

é

or Dunnet or

熟练的逐步过程，

免疫研究的研究目标

通常免疫研究目标可以分组为四类

1

）

没有任 何假设的因果关系的免疫参数之间关联的调查模式，

（因此，

与 因变量一

样

dependent

va riables

不分类研究变量（例如产出）

）

，和自变量

independent

variabl es

（例如说明变量或协同变量）

covariates)

。

典型的这类研究问题如下：

评价不同 细胞因子的相关强度

或定量细胞因子表达不同水平的平衡。例如，研