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

Význam tématu

Monitoring cyanobakteriálních toxinů, zejména microcystinů (MC), je kritický pro ochranu veřejného zdraví a řízení vodních zdrojů. Kalibrační metody typu ELISA jsou v praxi rozšířené, ale při použití malého počtu standardů vykazují vysokou nejistotu odhadu, což může vést k chybným rozhodnutím (př. varování o pitné vodě). Studie předkládá Bayesovský hierarchický model (BHM) se sekvenčním aktualizováním pro snížení nejistoty kalibračních křivek bez nutnosti měnit laboratorní postupy.

Cíle a přehled studie / článku

Hlavním cílem bylo ukázat, že BHM se sekvenčním aktualizováním zlepšuje přesnost odhadů koncentrací microcystinu oproti tradičním metodám. Autoři aplikovali metodu na reálný soubor 214 ELISA testů z monitoringu HABs v západní části jezera Erie (NOAA GLERL, období 2012–2021) a porovnali několik modelů: klasické inverzní odhadce, bayesovský odhad bez hierarchie a BHM varianty se sdílením informace v rámci testu a mezi testy.

Použitá metodika a instrumentace

Popis dat a laboratorní postup:

• Zdroj: NOAA-GLERL, 214 ELISA testů (2012–2021), každý test obsahoval 6 standardů (0–5.00 μg/L) a kontrolní vzorek 0.75 μg/L; až 40 vzorků v duplicitě.
• ELISA kit: Abraxis (absorbance měřená per standardy); standardně byly páry replik průměrovány pro další analýzu.
• Konstrukce kalibračních křivek: do 83. testu převážně log–log lineární model (log(y)=β0+β1 log(x)), od určitého data přechod na čtyřparametrový logistický model (4PL), který lépe zachycuje nelineární odezvu.

Statistické metody a implementace:

• Modely testované (shrnutí): IFE5 (inverzní odhad s 5 body), IFE12 (inverzní odhad s 12 body), Bayes (Bayesovský bez hierarchie), BHM1 (sdílení informace v rámci testu), BHM2 (sdílení mezi testy se sekvenčním aktualizováním), BHM3 (kombinované sdílení v rámci i mezi testy + sekvenční aktualizace).
• BHM: dvouúrovňová hierarchie — (i) společný prior pro neznámé koncentrace v rámci jednoho testu (Steinův shrinkage efekt), (ii) prior pro parametry kalibrační křivky napříč testy (hyperparametry μθ, σθ2).
• Sekvenční aktualizování: posteriory hyperparametrů z prvních 9 testů použity jako informatívní priory pro následné testy; aktualizace prováděna přes MCMC (Stan) a souhrnná normal–inverzní-gama aproximace hyperprioru získaná metodou momentů pro efektivní pokračování procesu bez nutnosti kombinovat všechna historická data opakovaně.
• Hodnocení: porovnání přesnosti (accuracy) odhadu kontrolního vzorku (0.75 μg/L) jako mediánu absolutních odchylek z posteriorních simulací (5000 MC vzorků).

Hlavní výsledky a diskuse

Klíčové empirické nálezy:

• Použití všech 12 standardních měření (IFE12) oproti 5 bodům (IFE5) výrazně snížilo chybu a varianci odhadu (IFE5: accuracy median 0.261 μg/L, IFE12: 0.145 μg/L; F-test p ≪ 0.001).
• Bayes bez hierarchie dále zlepšil přesnost oproti IFE12 (accuracy 0.127 μg/L) díky potlačení extrémních odhadů pomocí slabě informatívních priorů.
• BHM modely přinesly další zlepšení: BHM1 (sdílení v rámci testu) accuracy 0.114 μg/L; BHM2 (sdílení mezi testy se sekvenční aktualizací) accuracy 0.121 μg/L; kombinovaný BHM3 nejlepší accuracy 0.109 μg/L.
• Vysoká mezitestová heterogenita kalibračních křivek snížila přínos napříč-testového poolingu, proto v případě dat s velkou variabilitou dominuje efekt sdílení v rámci testu.

Důsledky interpretace:

• BHM poskytuje konzistentnější a přesnější odhady než tradiční inverzní metody; snížení nejistoty je zvlášť důležité pro rozhodnutí s velkými následky (př. uzavření vodovodů).
• Sekvenční aktualizace umožňuje nasazení BHM v běžných laboratořích bez náročného slučování historických dat ani změny laboratorních protokolů — stačí nahradit analytický software a udržovat prior/posterior parametry.
• Praktická adaptace může zahrnovat aplikace (Shiny app), a možnost váhování nebo „diskontování“ starších dat zvětšením posteriorní variance hyperparametrů, pokud se očekává změna v metodice nebo v sadách kitů.

Přínosy a praktické využití metody

Hlavní přínosy pro aplikační praxi:

• Výrazné zlepšení přesnosti měření MC bez nutnosti obsazovat více políček ELISA destičky standardy.
• Menší riziko falešně pozitivních či nadhodnocených výsledků, což vede k rozumnějším manažerským rozhodnutím během HAB událostí.
• Možnost snadné automatizace (sekvenční aktualizace) pro rutinní laboratorní workflow s minimálními náklady.

Budoucí trendy a možnosti využití

Možnosti dalšího rozvoje a širší aplikace:

• Rozšíření přístupu na jiné kalibrační metody v analytické chemii (enzymové testy, ligand-binding assays atd.).
• Integrace adaptivních strategií diskontování historických dat, aby systém lépe reagoval na změny v reagentech, obsluze nebo instrumentaci.
• Vývoj uživatelsky přívětivých aplikací (web/desktop) pro rutinní použití v laboratořích bez nutnosti pokročilých statistických znalostí.
• Kombinace BHM s robustními modely chyb (heteroskedasticita, outliery) a modely časové závislosti pro dlouhodobé monitorovací programy.

Závěr

Studie prokázala, že Bayesovské hierarchické modely se sekvenčním aktualizováním a využitím všech dostupných standardních měření významně snižují chybu odhadu koncentrací microcystinu v ELISA testech. Doporučení jsou jasná: používat všech 12 standardních měření tam, kde jsou k dispozici, a uvažovat shrinkage přístupy (BHM) k zajištění robustnějších a konzistentnějších výsledků bez zásahu do laboratorních protokolů.

Použitá instrumentace

• ELISA kit: Abraxis (standardní ELISA destičky pro microcystin), absorbance měřená a průměrována z replikátů.
• Softwarová a výpočetní platforma: R (R Core Team) a Stan (MCMC) pro Bayesovskou inferenci; implementace sekvenční aktualizace přes MCMC a aproximaci normal–inverzní-gama pro hyperpriory.

Reference

Babica P., Bláha L., Maršálek B., 2006. Exploring the natural role of microcystins—a review of effects on photoautotrophic organisms. J. Phycol. 42(1): 9–20.
Bingham M., Sinha S.K., Lupi F., 2015. Economic Benefits of Reducing Harmful Algal Blooms in Lake Erie. Environmental Consulting and Technology, Inc.
Biosensis, 2024. Technical Note 2, Data Analysis for Elisa Assays.
Boegehold A.G. et al., 2023. Routine monitoring of western Lake Erie to track water quality changes associated with cyanobacterial harmful algal blooms. Earth Syst. Sci. Data Discuss.
Box G.E.P., Tiao G.C., 1973. Bayesian Inference in Statistical Analysis. Addison-Wesley.
Chorus I., Welker M., 2021. Toxic Cyanobacteria in Water–a Guide To their Public Health Consequences, Monitoring and Management. Taylor and Francis.
Efron B., 1975. Biased versus unbiased estimation. Adv. Math. 16(3): 259–277.
Efron B., 1996. Empirical Bayes methods for combining likelihoods. J. Amer. Statist. Assoc. 91(434): 538–550.
Findlay J.W., Dillard R.F., 2007. Appropriate calibration curve fitting in ligand binding assays. AAPS J. 9: 29.
Gan N. et al., 2012. The role of microcystins in maintaining colonies of bloom-forming Microcystis spp. Environ. Microbiol. 14(3): 730–742.
Gelman A. et al., 2014. Bayesian Data Analysis, 3rd ed. CRC Press.
Gelman A. et al., 2004. Bayesian analysis of serial dilution assays. Biometrics 60(2): 407–417.
Gelman A. et al., 2008. A weakly informative default prior distribution for logistic and other regression models. Ann. Appl. Stat. 2(4): 1360–1383.
Huisman J. et al., 2018. Cyanobacterial blooms. Nat. Rev. Microbiol. 16(8): 471–483.
Klauenberg K. et al., 2015. Informative prior distributions for ELISA analyses. Biostatistics 16(3): 454–464.
Miller J.N., Miller J.C., 2010. Statistics and Chemometrics for Analytical Chemistry, 6th ed. Pearson.
Nummer S.A. et al., 2018. Updating the ELISA standard curve fitting process to reduce uncertainty in estimated microcystin concentrations. MethodsX 5: 304–311.
Qian S.S., 2016. Environmental and Ecological Statistics with R. Chapman & Hall/CRC.
Qian S.S. et al., 2015. Quantifying and reducing uncertainty in estimated microcystin concentrations from the ELISA method. Environ. Sci. Technol. 49: 14221–14229.
Qian S.S., Reckhow K.H., 2007. Combining model results and monitoring data for water quality assessment. Environ. Sci. Technol. 41: 5008–5013.
Stan Development Team, 2022. Stan modeling language user’s guide and reference manual.
Stein C., 1956. Inadmissibility of the usual estimator for the mean of a multivariate normal distribution. Proc. Third Berkeley Symp. Math. Stat. Probab. 1: 197–206.
Svirčev Z. et al., 2017. Toxicology of microcystins with reference to cases of human intoxications. Arch. Toxicol. 91: 621–650.
Toledo Department of Public Utilities, 2014. Microcystin event preliminary summary.
West M., Harrison J., 1997. Bayesian Forecasting and Dynamic Models, 2nd ed. Springer.