Zusätzliche Funktionen für den Bioassay mit quantaler Wirkung
Bei quantalen Bioassays (Anteile) können die Validitätstests für Regression, Parallelität und Linearität mit der Standardmethode Likelihood-Ratio-Devianz oder mit Finneys Minimum-Chi-Quadrat (Konvention nach EP 5.3) berechnet werden. Bei der Devianzmethode markiert ein Hinweis jede Dosisgruppe mit genau 0 % oder 100 % Wirkung und empfiehlt Finneys Methode. Relative Wirksamkeit, ihr Konfidenzintervall und die Koeffizienten bleiben von der Wahl unberührt.
Zuletzt geprüft
Kernaussage
Die Quantal Response Method berechnet ihre Validitätstests wahlweise per Likelihood-Ratio-Devianz oder per klassischem Minimum-Chi-Quadrat nach Finney, das auch bei 0 % oder 100 % Wirkung einer Dosisgruppe stabil bleibt.
Auf dieser Seite
- Bioassay – Quantal Response Method (quantale Wirkung)
- Was wurde ergänzt?
- Regulatorischer und statistischer Hintergrund
- Die Mathematik
- Begründung: Warum zwei Konventionen und wann welche verwenden?
- Was sich in der Ausgabe ändert und was nicht
- Wo Sie diese Funktion finden
- Verifizierung anhand veröffentlichter Referenzdaten
- Literatur
Bioassay – Quantal Response Method (quantale Wirkung)
Neue Funktion: Optionale Methode für die Validitätstests („Likelihood-Ratio Deviance“ vs. „Finney's Classical Chi-Square“) und automatischer Diagnosehinweis bei extremer Wirkung
Was wurde ergänzt?
Die Quantal Response Method erhält eine zweite, optionale Berechnungsweise für ihre drei Validitätstests (Signifikanz der Regression, Parallelität, Linearität) sowie einen neuen automatischen Diagnosehinweis, der nur erscheint, wenn die Daten eine bestimmte Bedingung aufweisen, die die Standardberechnung numerisch instabil machen kann. Der Punktschätzer der relativen Wirksamkeit und sein Konfidenzintervall sind von keiner der beiden Ergänzungen betroffen – beide betreffen nur die Validitätstests und wie weit Anwender ihnen vertrauen können.
Regulatorischer und statistischer Hintergrund
Ein Assay mit quantaler Wirkung wird eingesetzt, wenn das erfasste Ergebnis ein Anteil ist – etwa der Anteil der Versuchsobjekte, die bei jeder Dosis reagieren – und kein stetiger Messwert. Es wird ein Modell (meist Probit oder Logit) angepasst, das die logarithmierte Dosis mit der Wirkungswahrscheinlichkeit verknüpft, und wie bei den anderen Bioassay-Methoden sind dieselben drei Validitätsprüfungen (Signifikanz der Regression, Parallelität, Linearität) erforderlich, bevor eine Wirksamkeit angegeben werden darf.
Für die Berechnung dieser drei Validitätstests gibt es zwei verschiedene, voneinander unabhängig gültige statistische Verfahren. Der moderne Standard passt eine Reihe geschachtelter verallgemeinerter linearer Modelle per Maximum-Likelihood an und vergleicht sie mit Likelihood-Ratio-Devianztests. Die klassische Alternative, die D.J. Finney in „Statistical Method in Biological Assay“ ausführlich beschreibt (ein grundlegendes Referenzwerk, dem diese gesamte Familie von Bioassay-Werkzeugen folgt), verwendet stattdessen ein Minimum-Chi-Quadrat-Verfahren auf Basis einer linearisierten „Arbeitsvariablen“ (working variate). Kommerzielle Software, die dem Europäischen Arzneibuch (Ph. Eur.), Kapitel 5.3 – „Statistical Analysis of Results of Biological Assays and Tests“ – entspricht, verwendet üblicherweise das zweite Verfahren.
Die Mathematik
Devianzmethode (bisheriger Standard dieses Werkzeugs). Ein vollständig saturiertes Modell – ein freier Parameter für jede einzelne Präparat-/Dosisgruppe – wird per Maximum-Likelihood angepasst, zusammen mit zunehmend eingeschränkten geschachtelten Modellen (eine gemeinsame Steigung über die Präparate; eine vollständig gepoolte einzelne Gerade). Jeder Validitätstest ist die Likelihood-Ratio-Devianzdifferenz zwischen zwei dieser geschachtelten Modelle:
Devianzdifferenz = -2 x (Log-Likelihood des einfacheren Modells - Log-Likelihood des allgemeineren Modells)
die mit einer Chi-Quadrat-Verteilung verglichen wird, deren Freiheitsgrade der Differenz der Anzahl angepasster Parameter zwischen den beiden Modellen entsprechen. Dies ist der moderne Standardansatz nach dem Maximum-Likelihood-Prinzip; er setzt jedoch voraus, dass das vollständig saturierte Modell für jede einzelne Gruppe zu einem endlichen Schätzwert konvergiert. Das schlägt fehl, sobald die beobachtete Wirkungsrate einer Gruppe genau 0 % oder genau 100 % beträgt, da kein endlicher Parameterwert dieses Ergebnis unter einem Probit- oder Logit-Modell wiedergeben kann (ein Zustand, den Statistiker „perfekte Separation“ nennen).
Klassisches Minimum-Chi-Quadrat-Verfahren nach Finney (die neue Option). Statt ein saturiertes Modell anzupassen, geht das Verfahren vom bereits konvergierten Modell mit gemeinsamer Steigung aus und berechnet für jede Dosisgruppe einen „Arbeits“-Probit- oder -Logit-Wert – den angepassten linearen Prädiktor, korrigiert um einen Term, der proportional dazu ist, wie stark der beobachtete Anteil reagierender Objekte vom vorhergesagten Anteil des Modells abweicht, gewichtet mit dem Kehrwert der an diesem Punkt erwarteten Binomialvarianz:
Arbeitsvariable (je Gruppe) = angepasster linearer Prädiktor + (beobachteter Anteil - angepasster Anteil) / (lokale Steigung der Linkfunktion)
Gewicht (je Gruppe) = Gruppengröße x (lokale Steigung der Linkfunktion)^2 / (angepasster Anteil x (1 - angepasster Anteil))
Anschließend werden eine gewöhnliche gewichtete Kleinste-Quadrate-Regression und eine sequenzielle Varianzanalyse mit diesen Arbeitsvariablen anstelle der Rohanteile durchgeführt. Daraus ergeben sich Chi-Quadrat-Statistiken für Regression, Nicht-Parallelität und Nicht-Linearität, für die nie ein eigener Parameter einer einzelnen Gruppe separat geschätzt werden muss – eine Gruppe mit 0 % oder 100 % führt daher nie zu einer nicht endlichen Anpassung.
Begründung: Warum zwei Konventionen und wann welche verwenden?
Beide Methoden sind bei gutartigen Daten asymptotisch äquivalent und liefern in der Praxis nahezu identische Chi-Quadrat-Statistiken, solange jede Dosisgruppe eine beobachtete Wirkungsrate deutlich entfernt von 0 % oder 100 % aufweist. Entscheidend für die Wahl sind daher die Daten, nicht persönliche Vorlieben: Sobald eine Dosisgruppe tatsächlich einen extremen beobachteten Anteil zeigt – ein häufiges, unauffälliges Vorkommnis an den Enden einer Dosis-Wirkungs-Kurve, besonders bei kleineren Gruppengrößen –, können die Validitätsstatistiken der Devianzmethode instabil oder überhöht werden, während Finneys Methode numerisch stabil bleibt, weil sie den eigenen Parameter dieser extremen Gruppe nie isoliert anpassen muss.
Damit dies umsetzbar ist, ohne dass Anwender das zugrunde liegende numerische Problem verstehen müssen, prüft das Werkzeug nun zusätzlich die Rohdaten direkt auf genau diese Bedingung (jede Dosisgruppe, in der die Anzahl reagierender Objekte genau null oder genau gleich der Anzahl getesteter Objekte ist). Wird sie gefunden, zeigt es bei gewählter Devianzmethode einen automatischen Hinweis an, der das Risiko erklärt und das Chi-Quadrat-Verfahren nach Finney empfiehlt. Finneys Methode ist von dieser Bedingung nicht betroffen, daher erscheint der Hinweis nicht, wenn sie gewählt ist. Die Erkennung beruht bewusst auf den beobachteten Anteilen selbst und nicht auf numerischen Warnungen, die die zugrunde liegende Berechnung möglicherweise ausgibt, da eine breitere Klasse technischer Warnungen sonst auch bei gutartigen Daten ohne extreme Gruppe auftreten kann, was ein Fehlalarm wäre.
Die Wahl von Finneys Methode wird empfohlen, sobald der Hinweis erscheint, und ist außerdem nützlich, um Validitätsteststatistiken mit EP 5.3-konformer kommerzieller Software abzugleichen, die standardmäßig diese Methode verwendet. Liegt keine extreme Gruppe vor, bleibt der bisherige devianzbasierte Standard des Werkzeugs eine vollständig gültige Standardwahl.
Was sich in der Ausgabe ändert und was nicht
Betroffen:
- Die Spalten „Chi-Square“ (bzw. „F-value“) und „P-value“ der drei Validitätstests (Signifikanz der Regression, Parallelität, Linearität)
- Ein neuer automatischer Diagnosehinweis (bei gewählter Devianzmethode), wenn eine Dosisgruppe eine beobachtete Wirkung von genau 0 % oder 100 % aufweist
Nicht betroffen:
- Die geschätzte relative Wirksamkeit jedes Testpräparats
- Das Konfidenzintervall der Wirksamkeit
- Die angepassten Regressionskoeffizienten (Steigung und Achsenabschnitte)
Wo Sie diese Funktion finden
Im Eingabeformular des Werkzeugs Quantal Response Method bietet ein Feld mit der Bezeichnung „Validity test method“ die Wahl zwischen „Likelihood-ratio deviance (this tool's default)“ und „Finney's classical minimum chi-square (EP 5.3 default)“. Der automatische Diagnosehinweis erscheint, wenn er ausgelöst wird und die Devianzmethode gewählt ist, in der Ausgabe neben den Validitätsergebnissen.

Verifizierung anhand veröffentlichter Referenzdaten
Beide Ergänzungen wurden anhand eines veröffentlichten Beispiels geprüft, mit dem Finney selbst die Methode veranschaulichte – ein Probit-Assay der Insulinwirksamkeit, gemessen an der Krampfreaktion von Mäusen, mit neun Dosisstufen für das Standardpräparat und fünf für das Testpräparat, entnommen aus Finneys eigenem Lehrbuch. Die niedrigste Dosisgruppe des Standardpräparats (Dosis 3.4, n=33) hat null Reagierende – eine echte 0 %-Beobachtung und genau die Bedingung, für deren Erkennung der neue automatische Hinweis entwickelt wurde.
Quelle: D.J. Finney, „Statistical Method in Biological Assay“, 3. Auflage (1978), Griffin, London, Beispiel auf S. 376 – wiedergegeben im veröffentlichten Beispielbericht PLA 3.0 von Stegmann Systems (Document-2077, „D.J. Finney, p. 376... Insulin, Mouse convulsion - with Suitability tests“)
Test / Kennzahl | Veröffentlicht (Finney / PLA) | Berechnet (Option Chi-Quadrat nach Finney) |
Signifikanz der Regression (Chi-Quadrat, df=1) | 130.26783, p=3.581E-30 | 130.2678, p≈0 |
Parallelität (Chi-Quadrat, df=1) | 0.28243, p=0.59512 | 0.2824, p=0.5951 |
Linearität (Chi-Quadrat, df=10) | 5.42085, p=0.86135 | 5.4208, p=0.8614 |
Wirksamkeitsverhältnis (T:S) | 0.66852 | 0.66852 (wie erwartet von dieser Einstellung unberührt) |
95%-KI | 0.55339 – 0.80406 | 0.5534 – 0.8041 (wie erwartet von dieser Einstellung unberührt) |
Mit der aktiven Standardmethode (devianzbasiert) erschien bei demselben Datensatz der automatische Diagnosehinweis korrekt; er nannte die Gruppe mit Dosis 3.4 des Standardpräparats als Risikoquelle und empfahl das Chi-Quadrat-Verfahren nach Finney. Mit gewähltem Chi-Quadrat-Verfahren nach Finney erschien der Hinweis korrekterweise nicht, da diese Methode der zugrunde liegenden Instabilität nicht unterliegt. Eine separate Prüfung bestätigte, dass der Hinweis bei gutartigen Datensätzen ohne extreme Gruppe nicht erscheint, womit Fehlalarme ausgeschlossen sind.
Literatur
- Europäisches Arzneibuch (Ph. Eur.), Kapitel 5.3 – „Statistical Analysis of Results of Biological Assays and Tests“ (5. Ausgabe, 2005, und Folgeausgaben).
- United States Pharmacopeia, General Chapter <111> – „Design and Analysis of Biological Assays“.
- Finney, D.J. (1978). „Statistical Method in Biological Assay“, 3. Auflage. Charles Griffin & Company, London. Beispiel und Daten: S. 376.
- Stegmann Systems GmbH, veröffentlichtes Beispiel PLA 3.0 (Document-2077) – https://www.bioassay.de/media/document/document-2077-o130_permanent_pla_307.pdf
Häufig gestellte Fragen
Was ist ein Bioassay mit quantaler Wirkung?
Ein Assay mit quantaler Wirkung wird eingesetzt, wenn das erfasste Ergebnis ein Anteil ist, etwa der Anteil der Versuchsobjekte, die bei jeder Dosis reagieren, und kein stetiger Messwert. Ein Probit- oder Logit-Modell verknüpft die logarithmierte Dosis mit der Wirkungswahrscheinlichkeit, und der Assay muss die Validitätsprüfungen für Signifikanz der Regression, Parallelität und Linearität bestehen, bevor die relative Wirksamkeit angegeben wird.
Warum kann die Devianzmethode versagen, wenn eine Dosisgruppe 0 % oder 100 % Wirkung zeigt?
Die Devianzmethode passt ein saturiertes Modell mit einem Parameter je Dosisgruppe an. Beträgt die beobachtete Wirkung einer Gruppe genau 0 % oder 100 %, kann kein endlicher Parameter sie unter einem Probit- oder Logit-Modell wiedergeben – ein Zustand, der perfekte Separation genannt wird. Die Validitätsstatistiken können dann instabil oder überhöht werden, während Finneys Methode numerisch stabil bleibt.
Wie funktioniert das Minimum-Chi-Quadrat-Verfahren nach Finney?
Es geht vom konvergierten Modell mit gemeinsamer Steigung aus und berechnet für jede Dosisgruppe einen Arbeits-Probit- oder -Logit-Wert, korrigiert um die Abweichung des beobachteten vom angepassten Anteil, mit Gewichten auf Basis der Binomialvarianz. Eine gewichtete Kleinste-Quadrate-Regression mit diesen Arbeitsvariablen liefert die Chi-Quadrat-Statistiken für Regression, Nicht-Parallelität und Nicht-Linearität.
Wie wählen Sie in Zometric Statistical Software die Methode für die Validitätstests?
Im Eingabeformular der Quantal Response Method bietet das Feld Validity test method die Optionen Likelihood-ratio deviance (Standard) und Finney's classical minimum chi-square. Bei gewählter Devianzmethode markiert ein automatischer Hinweis jede Dosisgruppe, in der kein oder jedes Versuchsobjekt reagiert; wählen Sie dann Finneys Methode, ebenso beim Abgleich mit EP 5.3-konformer Software. Relative Wirksamkeit und ihr Konfidenzintervall bleiben unberührt.
