Optymalizacja metod analizy Főrsterowskiego rezonansowego przeniesienia energii (FRET) pojedynczych cząsteczek
Loading...
Date
2011-06-06T07:58:09Z
Authors
Advisor
Editor
Journal Title
Journal ISSN
Volume Title
Publisher
Title alternative
Optimization of analysis methods of single-molecule Förster Resonance Energy Transfer (FRET)
Abstract
Technika FRET (ang. Förster Resonance Energy Transfer), Försterowskie rezonansowe przeniesienie energii pojedynczych cząsteczek znajduje zastosowanie w badaniu dynamiki i mechanizmów działania makrocząsteczek biologicznych, takich jak DNA, RNA i białka. W celu estymacji parametrów kinetycznych procesu, do analizy wyników eksperymentalnych często używa się histogramów czasów on-off. Jednakże nie we wszystkich przypadkach metoda ta pozwala na oszacowanie parametrów modelu. Konieczne jest więc poszukiwanie nowych metod analizy danych. W niniejszej pracy wykorzystano symulacje komputerowe Monte Carlo w celu zbadania właściwości metody opartej na analizie największej wiarygodności (ang. Maximum Likelihood, ML) trajektorii czasów międzydetekcyjnych dla pojedynczych, unieruchomionych cząsteczek. Stwierdzono, że korzystając z ML możliwa jest estymacja parametrów modelu już dla krótkich trajektorii (ok. 5000 fotonów), a także kiedy średni czas przebywania w danym stanie jest dwukrotnie krótszy, niż średni czas międzydetekcyjny. Nie jest przy tym wymagana wysoka intensywność fluorescencji, a parametry startowe dopasowania mogą znacznie odbiegać od teoretycznych. ML daje także możliwość dopasowania do modeli o większej liczbie stanów i różnej topologii (na przykład modele liniowe i cykliczne). Dzięki AIC i BIC (ang. Akaike/Bayesian Information Criterion) możliwe jest rozróżnianie modeli kinetycznych.
Single-Molecule FRET (Förster Resonance Energy Transfer) is a powerful technique for exploring the dynamic and mechanisms in biomolecules such as DNA, RNA and proteins. Experimentalists often use the on-off analysis for the model parameters recovery. It is not always possible, however, to estimate the correct model parameters using this method. One needs to look for new and more efficient methods of data analysis. In this work Monte Carlo method was applied to get the statistical properties of estimated parameters using Maximum Likelihood (ML) method. The interarrival times trajectories were simulated and the maximum likelihood function was fitted to explore the kinetic parameters of the model.The parameters can be estimated even when the average dwell time is two times smaller than the average interphoton time. Moreover, the parameters can be recovered for quite short trajectories (say 5000 photons) and for low intensities. No significant influence of initial fit parameters was observed. It is not only possible to distinguish models with different numbers of states but also to select between models consisting of the same number of states but with different topologies (linear and circular models). Using AIC and BIC (Akaike/Bayesian Information Criterion) criteria it was possible to select the best-fitting model for the experimental data.
Single-Molecule FRET (Förster Resonance Energy Transfer) is a powerful technique for exploring the dynamic and mechanisms in biomolecules such as DNA, RNA and proteins. Experimentalists often use the on-off analysis for the model parameters recovery. It is not always possible, however, to estimate the correct model parameters using this method. One needs to look for new and more efficient methods of data analysis. In this work Monte Carlo method was applied to get the statistical properties of estimated parameters using Maximum Likelihood (ML) method. The interarrival times trajectories were simulated and the maximum likelihood function was fitted to explore the kinetic parameters of the model.The parameters can be estimated even when the average dwell time is two times smaller than the average interphoton time. Moreover, the parameters can be recovered for quite short trajectories (say 5000 photons) and for low intensities. No significant influence of initial fit parameters was observed. It is not only possible to distinguish models with different numbers of states but also to select between models consisting of the same number of states but with different topologies (linear and circular models). Using AIC and BIC (Akaike/Bayesian Information Criterion) criteria it was possible to select the best-fitting model for the experimental data.
Description
Wydział Chemii: Zakład Chemii Fizycznej
Sponsor
Keywords
FRET, analiza danych, data analysis, rozróżnianie modeli kinetycznych, model selection, AIC, BIC