Come calcolare RMSD

Contenuto

• La formula RMSD
• Deviazione standard
• Cosa ti dice RMSD
• RMSD in Impostazioni pratiche

Quando si esegue un esperimento che fornisce una serie di valori osservati che si desidera confrontare con valori teorici, il deviazione quadrata radice-media (RMSD) o errore root-mean-square (RMSE) consente di quantificare questo confronto. Calcola RMSD trovando la radice quadrata dell'errore quadrato medio.

La formula RMSD

Per una serie di osservazioni, si calcola l'errore quadratico medio trovando la differenza tra ciascun valore sperimentale o osservato e il valore teorico o previsto, quadrando ogni differenza, sommandole e dividendole per il numero di valori osservati o valori previsti che ci sono .

Questo rende la formula RMSD:

{RMSD} = sqrt { frac { sum (x_e - x_o) ^ 2} {n}}

per X_e valori attesi, X_o valori osservati e n numero totale di valori.

Questo metodo per trovare una differenza (o deviazione), quadrare ogni differenza, riassumendole e dividendole per il numero di punti dati (come faresti quando si trova la media di un insieme di dati), quindi prendere la radice quadrata del risultato è ciò che dà alla quantità il suo nome, "deviazione radice-media-quadrata". È possibile utilizzare un approccio passo-passo come questo per calcolare RMSD in Excel, il che è ottimo per grandi set di dati.

Deviazione standard

Deviazione standard misura quanto varia un insieme di dati all'interno di se stesso. Puoi calcolarlo usando (Σ (X - μ)² / n)^1/2 per ogni valore X per n valori con μ ("mu") nella media. Si noti che questa è la stessa formula per RMSD ma, invece dei valori di dati previsti e osservati, si utilizzano rispettivamente il valore di dati stesso e la media dell'insieme di dati. Utilizzando questa descrizione, è possibile confrontare l'errore quadratico medio radice con la deviazione standard.

Ciò significa che, sebbene abbia una formula con struttura simile a RMSD, la deviazione standard misura uno specifico scenario sperimentale ipotetico in cui i valori previsti sono tutti la media dell'insieme di dati.

In questo ipotetico scenario, la quantità all'interno della radice quadrata (Σ (X - μ)² / n) si chiama il varianza, come i dati sono distribuiti attorno alla media. Determinare la varianza consente di confrontare il set di dati con distribuzioni specifiche che ci si aspetterebbe che i dati prendano in base a conoscenze precedenti.

Cosa ti dice RMSD

RMSD offre un modo specifico e unificato per determinare in che modo gli errori di come i valori previsti differiscono dai valori osservati per gli esperimenti. Più basso è l'RMSD, più accurati sono i risultati sperimentali rispetto alle previsioni teoriche. Ti consentono di quantificare in che modo varie fonti di errore influenzano i risultati sperimentali osservati, come la resistenza dell'aria che influenza un'oscillazione dei pendoli o la tensione superficiale tra un fluido e il suo contenitore impedendogli di fluire.

Puoi inoltre assicurarti che RMSD rifletta l'intervallo dell'insieme di dati dividendolo per la differenza tra il valore sperimentale massimo osservato e il minimo per ottenere il deviazione quadrata media-radice normalizzata o errore.

Nel campo del docking molecolare, in cui i ricercatori confrontano la struttura teorica delle biomolecole generate dal computer con quelle dei risultati sperimentali, RMSD può misurare quanto i risultati sperimentali riflettano da vicino i modelli teorici. Più risultati sperimentali sono in grado di riprodurre ciò che prevedono i modelli teorici, minore è l'RMSD.

RMSD in Impostazioni pratiche

Oltre all'esempio dell'attracco molecolare, i meteorologi usano l'RMSD per determinare quanto da vicino i modelli matematici del clima predicono i fenomeni atmosferici. I bioinformatici, scienziati che studiano la biologia con mezzi informatici, determinano come le distanze tra le posizioni atomiche delle molecole proteiche variano dalla distanza media di quegli atomi nelle proteine ​​che usano l'RMSD come misura di accuratezza.

Gli economisti usano RMSD per capire quanto i modelli economici si adattano ai risultati misurati o osservati dell'attività economica. Gli psicologi usano RMSD per confrontare il comportamento osservato dei fenomeni psicologici o basati sulla psicologia con i modelli computazionali.

I neuroscienziati lo usano per determinare come i sistemi artificiali o biologici possono apprendere rispetto ai modelli di apprendimento. Gli informatici che studiano imaging e visione confrontano le prestazioni di un modello in grado di ricostruire le immagini con le immagini originali attraverso diversi metodi.