CC BY
139
УДК 619:615.37.012
Л. А. Неминущая, Т. А. Скотникова, Э. Ф. Токарик,
И. В. Ковальский, Н. К. Еремец, И.В. Павленко,
О. В. Провоторова, В. И. Еремец, А. Я. Самуйленко, З. А. Канарская
ПРИМЕНЕНИЕ СТАТИСТИЧЕСКИХ МЕТОДОВ В БИОТЕХНОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ
ЧАСТЬ 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ,
ОБОСНОВАНИЕ ВЫБОРА МЕТОДОВ МНОГОМЕРНОЙ СТАТИСТИКИ
И ПРОГРАММНОЙ СРЕДЫ
Ключевые слова: математическая модель, многомерная статистика, вакцина, критерии качества, безопасность, стабильность, эффективность, эталонная серия.
На модели вирусвакцины против ньюкаслской болезни разработаны методологические подходы к обработке медико-биологической информации с применением многомерной статистики и специализированной программной среды для автоматизации исследований. Такие подходы могут быть использованы для разработки других иммунобиологических препаратов микробиологической природы и технологии их производства.
Keywords: a mathematical model, multivariate statistics, a vaccine, criteria of quality, safety, stability, the efficacy, a reference series.
Model virusvaccine against Newcastle disease developed methodological approaches to the processing of biomedical information, with application of multivariate statistics and specialized software environment for automation research. Such approaches can be used to develop other immunobiological preparations of microbiological nature and technology of their production.
Актуальность. Обеспечение продовольственной безопасности страны является одной из основных доктрин развития агропромышленного комплекса РФ [1, 2]. Оно напрямую связано с благополучием животноводства и птицеводства по инфекционным заболеваниям. Основа птицеводства России - крупные птицеводческие предприятия промышленного типа. 90 % общего объема мяса птицы производится в сельхозпредприятиях и 10 % - в фермерских хозяйствах и лично подсобных хозяйствах (ЛПХ) населения [3].
Проблема борьбы с вирусными болезнями крайне актуальна. Одним из современных путей решения этой проблемы является разработка вакцин высокого качества, способов их изготовления и методов оценки качества, сопряженных с медико-биологическими исследованиями. Для
промышленного многоэтапного изготовления лекарственных средств, в том числе, иммунобиологических препаратов, аспект внедрения автоматизации отдельных процессов является крайне современным и актуальным, т.к. он позволяет повысить эффективность и качество производства.
Ньюкаслская болезнь (НБ) - высококонтагиозное заболевание птиц, которое входит в Перечень карантинных и особо опасных болезней, контролируемых МЭБ. Согласно данным МЭБ в 2012 -2013 гг. вспышки заболевания были отмечены в 83 странах мира, в том числе пограничных районах с РФ в КНР, Финляндии, Монголии, Турции, Казахстане [4].
В РФ эпизоотическая ситуация по НБ остается напряженной, так как существует постоянная угроза заноса вируса на территорию страны дикими птицами. Импорт инкубационного яйца и гибридных суточных цыплят из 14 стран мира в РФ также
представляет угрозу для эпизоотического благополучия отечественного птицеводства.
Ньюкаслская болезнь относится к зоонозам. Зоонозы (антропозоонозы) - болезни, общие для людей и животных, передающиеся от животных к человеку и практически не передающиеся от человека к человеку. Ежегодно от возбудителей этих зоонозов страдают 2,4 миллиарда человек и для 2,2 миллионов заканчиваются летальным исходом. Среди зоонозов большая роль отводится болезням птиц в силу того, что птица тесно контактирует с человеком и происходит постоянная циркуляция вируса между ними. Птицы - один из основных и древнейших резервуаров вирусов в природе, по мере развития птицеводства их роль, как распространителя возбудителей опасных антропозоонозов, возрастает [5 - 7]. Сегодня доказана их роль в распространении ньюкаслской болезни (НБ) [6].
Все вышеперечисленное вынуждает держать НБ под пристальным контролем и проводить постоянную вакцинацию всего поголовья птицеводческих хозяйств, в том числе, находящегося в личных подсобных и фермерских хозяйствах граждан в районах расположения птицефабрик, с целью создания буферных иммунных зон. Вакцинация остается главной мерой профилактики и борьбы с ньюкаслской болезнью в России. Для ее проведения необходимы вакцины высокого качества, обеспечивающие создание прочного иммунитета [8].
Одной из отраслей биотехнологии является производство иммунобиологических препаратов, в том числе вакцин медицинского и ветеринарного назначения. Разработка технологии биопрепаратов основана на использование в практических целях биологической информации, получаемой с участием физиков, математиков, химиков, биологов.
Решение определенной научно-
практической задачи в современной науке реализуется по следующей принципиальной схеме:
- получение больших баз данных при проведении экспериментов;
- их анализ и статистическая обработка, чтобы подтвердить или опровергнуть верность результатов эксперимента и исследований в целом [9].
Такая схема подразумевает большие массивы информации и возможные ошибки при расчетах, поэтому необходимо информационное сопровождение исследований - обработка экспериментальных данных методами многомерной статистики в специализированном программном пакете.
Разработка и производство вакцин для специфической профилактики - одна из важнейших отраслей биотехнологии, которая сопровождается широким спектром биологических и физико-химических экспериментов с большими объемами данных, обработка и анализ которых требует обязательного применения методов математической статистики [8, 10, 11].
Цель настоящей работы - разработка методологических подходов, обеспечивающих повышение качества биопрепаратов, в частности, живых вирусных вакцин.
Разработка методологических методов основывалась на:
- модели вирусвакцины против ньюкаслской болезни птиц;
- стандартизации метода определения активности вакцинного вируса;
- определение термостабильности вируса;
- обоснование состава эффективной защитной среды (стабилизатора), составление прогноза сроков годности сухой вакцины;
- статистической обработке баз данных биологических экспериментов, математических методах планирования экспериментов и статистической обработки их результатов.
Современное информационное обеспечение позволяет автоматизировать процесс обработки данных, анализ которых вручную ведет к большим затратам сил и времени, и устранить субъективный фактор оценки результатов.
Критерии качества вакцин. Согласно международным требованиям качество вирусных вакцин обеспечивается тремя основными показателями: безопасность, эффективность и стабильность [12].
Безопасность. Под безопасностью понимается безвредность препаратов при применении их животным, а также отсутствие или минимизация вредного воздействия препарата на персонал и окружающую среду при его производстве и применении. Безвредность определяется, как правило, на тест-системах биологической природы различной сложности - культурах клеток и тканей, эмбрионах, лабораторных животных. Безопасность препаратов обеспечивается использованием асептического метода их производства [12, 13].
Эффективность. Под эффективностью понимается создание высокой степени иммунной за-
щиты организма после вакцинации. При использовании живых вакцин образование антител (иммунный ответ) зависит непосредственно от количества активного антигена (живых вирусов или бактерий, входящих в состав вакцины). Поэтому для живых вакцин титр антигена (количество живых вирусов или бактерий) является очень важным показателем качества [8].
В фармацевтической и биологической отраслях производства лекарственных средств (ЛС) эффективность и безопасность препаратов традиционно оценивают зависимостью «доза-эффект» / «доза-ущерб», результаты которой обрабатывают методами биомедицинской статистики. Такой подход позволяет установить связь между эффективностью исследуемого препарата с одной стороны и характеристиками продукции, представляющими определенные опасности, с другой. Поскольку контроль качества в данной отрасли относится к разрушающим видам контроля, это определяет его выборочный характер, который характеризуется применением статистических методов обработки результатов [14].
Стабильность лекарственных средств -это сохранение терапевтических и
профилактических свойств в процессе производства, хранения, транспортирования и применения. Она определяется как внешними факторами (температура, освещенность и влажность окружающей среды), так и свойствами препарата -химическими и физическими для фармацевтических средств, а для иммунобиологических препаратов дополнительно биологическими свойствами биообъекта. Стабильность живых противовирусных вакцин является важным фактором успешной вакцинации [15, 16, 17]. Современным и перспективным методическим приемом оценки стабильности (устойчивости биологической активности препаратов при длительном хранении) является тест термостабильности при повышенных температурах (тест «ускоренного старения»).
Сегодня проблема повышения стабильности противовирусных препаратов решается
применением метода сублимационного
высушивания, которое включает замораживание и удаление замороженной воды в вакууме. Стабильность сухих препаратов (сложной, многокомпонентной системы) зависит от факторов изготовления и хранения. К факторам приготовления принято относить условия культивирования вирусов и сублимационного высушивания, в котором основную роль играют эффективные защитные среды и режимы замораживания-высушивания [15, 18, 19].
Для культивирования вирусов предложены различные методы, но для получения их в больших количествах, для целей изготовления противовирусных специфических препаратов применяется размножение в организме восприимчивых животных, в курином эмбрионе (КЭ) и тканевых культурах. Большинство известных вирусов, в том числе вирус НБ, обладают способностью размножаться в курином эмбрионе [8].
Защитная среда (стабилизатор) - вещество (или смесь веществ), предупреждающие повреждения биообъекта в процессе замораживания, обезвоживания, длительного хранения в высушенном состоянии (особенно при повышенных температурах) и в восстановленном состоянии при применении. Компоненты защитной среды обеспечивают физико-химическую модификацию структуры объекта, не образуя с ним прочных химических связей (физико-химическая
стабилизация).
Так как любые биологические системы характеризуются большой вариативностью собственных значений, эксперименты, связанные с получением того или иного параметра, необходимо стандартизировать во избежание ошибок при проведении эксперимента.
Эксперименты, связанные с получением значения инфекционной активности вируса (титрованием), принято стандартизировать посредством эталонной серии. Согласно требованиям ВОЗ [20, 21] при тестировании любого материала (объекта) необходимо использовать эталонный образец (образец для сравнения), который предварительно должен быть охарактеризован для получения статуса эталонного. Это особенно важно, когда для контроля используют тест-системы биологической природы (например, культуры клеток и тканей, куриные эмбрионы, лабораторные животные),
нестандартность которых может привести к получению ошибочных результатов.
Инфекционность вируса является одним из основных показателей качества (активности) вакцины, Определение титра инфекционности вирусов в значительной степени зависит от метода количественного исследования, основанного на принципе «доза - эффект». Такой принцип может реализовываться различными способами: по Керберу или по Риду и Менчу [22, 23].
Изготовление лекарственных средств, как правило, осуществляется сериями, поэтому насколько бы идентичными ни были условия производства невозможно изготовление точно одинаковых серий препаратов, то есть имеет место разброс значений показателей качества. Поэтому необходимо применение статистических методов анализа, сбора, систематизации данных для всех показателей качества, с целью получения математической модели процесса. Математическая модель отражает наиболее существенные стороны исследуемого явления (объекта) и представляет в количественной форме влияние различных факторов на его свойства. Основываясь на такой модели, можно определенной комбинацией факторов задавать объекту требуемые свойства [24, 25, 26].
Перспективным способом построения математических моделей сложных процессов (явлений, систем, объектов) является проведение «активных экспериментов» на основе математической теории планирования
экспериментов. Под планированием эксперимента понимают совокупность приемов и методов,
позволяющих получить информацию о сложных процессах ценой относительно небольших затрат времени и средств.
Обязательной частью процесса
производства является анализ характера разброса данных, количественная характеристика величины разброса и сравнение с нормативными показателями. Эталонные серии препаратов используют для стандартизации условий определения: титра инфекционности вируса НБ, безвредности и иммуногенности образцов вакцины [21, 23].
Биотехнологические и медико-
биологические исследования (далее - БИ и МБИ) можно разделить на 6 основных этапов:
I. формирование цели и задач исследования;
II. организация исследования;
III. сбор информации;
IV. обработка информации;
V. анализ результатов исследования;
VI. внедрение результатов исследования в практику и оценка эффективности внедрения.
Основной задачей биотехнологических и медико-биологических исследований является получение максимально объективной и достоверной информации о состояния изучаемого биообъекта [24, 25, 26]. В связи с быстрым развитием компьютеризированных информационных
технологий они стали использоваться и в области МБИ [27].
Заметим, что перечисленные выше задачи присущи любой системе автоматизации экспериментальных исследований. Однако системы автоматизированной обработки данных БИ и МБИ имеют специфические особенности. К ним относятся:
1. Специфика самого объекта исследования. Заметим, что системы автоматизации экспериментальных исследований технических объектов и систем в большинстве случаев основаны на априорном знании структуры математической модели исследуемого объекта. Для таких сложных структур, какими являются биологические системы, построение подобных моделей весьма затруднительно, так как во многих случаях не существует фундаментальных биологических теорий, позволяющих установить адекватное математическое описание взаимосвязей между показателями, характеризующими их состояние.
2. Чрезвычайно высокая роль субъективного фактора в общем числе факторов, определяющих эффективность систем автоматизированного анализа данных БИ и МБИ. Биология и медицина - та область человеческой деятельности, где по-прежнему интуиция специалиста очень важна. Следствием этого факта остается достаточно скептическое отношение части медицинских специалистов к возможности применения компьютерных технологий, наличие психологических барьеров, связанных со стремлением сохранить существующие приемы организации БИ и МБИ.
3. Сложность формализации задач анализа данных БИ и МБИ и интерпретации результатов. Это связано с тем, что специалисты, участвующие в формулировке проблемы и проведении исследований (медики, биологи, химики и т.д.), и специалисты, обеспечивающие получение результатов на основе методов математического (прежде всего статистического) анализа данных, в большинстве случаев достаточно сложных, имеют различную базовую подготовку. Как правило, специалисты в области биологии и медицины интуитивно понимают свои проблемы, но не всегда могут сформулировать их в математических терминах и, кроме того, имеют весьма туманное представление о том, каковы возможности статистических методов анализа и
современных компьютеров для реализации этих методов. Напротив, специалисты, владеющие методами обработки данных, не всегда правильно интерпретируют природу и характер экспериментальных результатов, не понимая особенностей биологических процессов, их порождающих. Это приводит к опасности формального анализа данных, результаты которого могут противоречить биологической сути данных.
Однако данная классификация методов МБИ не является исчерпывающей, так как она не отражает специфических требований, связанных с характером проведения исследований, их назначением и способом организации.
Схема, отражающая содержание подобной классификации, приведена на рисунке 1 [28].
По характеру исследования По целям исследования По способу организации
г
Научные исследования
Апробированные Текущие клинико-биохимические
исследования Массовые профилактические осмотры
Обнаружение явлений Проверка гипотез Получение
математической модели
процесса
Оптимизация модели Стандартные измерения
Активный эксперимент Совокупность активных экспериментов Универсальный эксперимент Пассивный эксперимент
Рис. 1 - Классификация МБИ
Всю совокупность данных БИ и МБИ и методов их автоматизированного анализа можно разделить на две большие группы: детерминированные и статистические.
Детерминированные данные имеют место в тех случаях, когда известен вид функциональной зависимости, связывающей значения исследуемых клинико-биохимических показателей. Лишь в сравнительно немногих случаях, да и то в виде первого приближения, можно считать, что реальная зависимость, связывающая некоторые исследуемые показатели биологического объекта, носит детерминированный характер.
В абсолютном большинстве случаев оказывается, что анализируемые показатели являются недетерминированными, статистическими. Именно такая природа данных представляет наибольший интерес и наибольшую сложность с точки зрения методов анализа, целью которых в этом случае является выявление некоторых объективных закономерностей, отражающих связь исследуемых показателей для принятия дальнейших решений [29].
В нашем случае процесс автоматизации возможен и необходим, как видно по обзору
эксперимента, на стадии обработки полученных данных.
Поскольку данные связаны с живыми организмами и на них влияет множество факторов, то характер распределения данных не определен. Это говорит о том, что данные носят статистический характер и для решения поставленной задачи должна использоваться статистическая модель.
Процесс автоматизации обработки результатов состоял из двух этапов:
1. перевод качественных показателей в количественные для последующей обработки;
2. анализ полученных данных методами математической статистики.
Поскольку полученные данные являются случайными величинами, так, как они принимают заранее неизвестные значения, использована статистическая модель исследования, для которой применимы методы математической статистики.
Для предобработки данных использовано приложение MS Excel из пакета офисных программ компании Microsoft - MS Office. Однако ряд статистических функций в нем представлены лишь дополнительными встроенными формулами [30].
Таблица 1 - Статистические критерии использованные в работе
s Л и н s л w ^ Область применения Название критерия Число наблюд ений Условие >стоверност I различий
m дои
Оценка достоверности
различий обобщающих Критерий Любое t>t0.05
и коэффициентов двух не Стьюдента (1)
и связанных серий
и & и S Л Й Оценка достоверности различий обобщающих коэффициентов более двух связанных серий Однофакторный дисперсионный анализ по критерию Фишер; (р) Любое F<F0.05
и Критерий
и Шапиро-Уилка n<50 W>W0.05
и Проверка (Ш)
н и S Л нормальности распределения Критерий Колмогорова- n>50 D>D0.05
G и К Смирнова (О)
Сравнение двух Критерий Уилкоксона (2) Число пар= 625 Z<Z0.05
связанных
(зависимых) серий Критерий знаков (О) Число пар <50 G <G0.05
Установка направление и Парный корреляционный анализ
тесноту взаимосвязи между определенными - -
явлениями.
Выбор программной среды. Пакеты статистической обработки данных подразделяются на специализированные, профессиональные, полупрофессиональные (популярные).
Статистические программы являются наукоемким программным обеспечением. Профессиональные пакеты обладают большим числом методов анализа. Для универсального применения подходят популярные программы. Специализированные пакеты ориентированы на анализ данных в какой-либо узкой области.
Нами были проанализированы 3 специализированных пакета:
1. Универсальный российский статистический пакет STADIA - за 12 лет существования и развития стал аналитическим инструментом для многих тысяч пользователей в различных областях науки, техники, планирования, управления, производства, сельского хозяйства, экономики, бизнеса, маркетинга, образования, медицины и др. по всей русскоязычной Евразии. По своим базовым возможностям сопоставим с наиболее известными западными статистическими пакетами. Отличается познаваемостью и простотой пользования применительно к отечественной аудитории;
2. STATISTICA. Производитель программы - фирма StatSoft Inc. (США) выпускающая приложения для статистики, начиная с 1985 года. STATISTICA включает в себя множество методов статистического анализа (более 250 встроенных функций), которые объединены следующими
специализированными статистическими модулями: Основные статистики и таблицы,
Непараметрическая статистика, Дисперсионный анализ, Множественная регрессия, Нелинейное оценивание, Кластерный анализ, Факторный анализ, Дискриминантный функциональный анализ, Анализ временных рядов и прогнозирование, Анализ длительностей жизни, Каноническая корреляция, Многомерное шкалирование, Моделирование структурными уравнениями и др. Простотой в освоении, данный статистический пакет может быть рекомендован для биомедицинских исследований разного уровня сложности;
3. Пакет SPSS 22 (Statistical Package for Social Science), имеющий русскоязычную версию.
Это наиболее часто используемый пакет статистической обработки данных с более чем 30-ти летней историей. Мощный и гибкий, он применяется для всех видов статистической обработки биомедицинской информации. В SPSS существует несколько десятков модулей, дополнительно подключаемых к пакету. Он даёт возможность не только обрабатывать, но и формировать отчёты о результатах обработки, имеет значительный арсенал наглядного представления результатов с помощью графиков и диаграмм.
Подробная информация о возможностях описанных программых средств приведена в таблице 2.
Таблица 2 - Сравнение возможностей программных сред
Пакеты Stadia Spss Statistica
Графика
x-y зависимости 2 1
Диаграмма рассеяния 1 1
Столбчатая диаграмма 1 2
Круговая диаграмма 1 1
Параметрические тесты
Описательная статистика 9 13 11
Гистограмма+нормальность 1 1
Распределения 3 4
Критерии Стъюдента, 3 2
Фишера
Непараметрические тесты
Хи-квадрат 1 1
Биномиальный - 1
Кокрена - 1
Колмогорова-Смирнова 2 1
Регрессионный анализ
Простая регрессия 3 3
Нелинейная регрессия 1 1
Многомерные методы
Корреляция 1 1
Дискриминантный анализ 1 6 5
Кластерный анализ 17 17 17
Для достижения основной цели работы -
автоматизация процесса статистической обработки результатов исследования с помощью специализированных программных сред нами был выбран общепризнанный пакет SPSS 22 (Statistical Package for Social Science), имеющий русскоязычную версию.
В соответствии с очерченным кругом задач, в исследованиях применяли такие методы математической статистики, как критерии согласия Колмогорова-Смирнова и Шапиро-Вилка; однофакторный дисперсионный анализ, критерии Уилкоксона и критерий знаков; критерий сравнения двух выборок Стьюдента, корреляционный анализ.
Заключение
Научно-практическая значимость работы состоит в том, что методологические подходы к обработке медико-биологической информации методами многомерной статистики в специализированном программном пакете, разработанные на модели вирусвакцины против ньюкаслской болезни, могут быть использованы для разработки других иммунобиологических препаратов микробиологической природы и технологии их производства.
Литература
1. Самуйленко А.Я., Раевский А.А., Бондарева Н.А., Неми-нущая Л.А., Беро И.Л., Гринь С.А., Литвинова Е.О., Киш Л.К., Гринь А.В., Шубина Е.А. Ветеринария и кормление. №2. с. 22 - 29. (2011).
2. Самуйленко А.Я., Неминущая Л.А., Литвинова Е.О., Бондарева Н.А., Гринь С.А., Гринь А.В., Беро И.Л., Рудакова И.С., Киш Л.К., Шубина Е.А. Ветеринария, №3, 9-12 (2012).
3. http://sfera.fm/articles/innovatsionnye-napravleniya-promyshlennogo.
4. http://www.oie.int/wahis.
5. Бактериальные и вирусные зоонозы. Доклады комитета экспертов ВОЗ при участии ФАО. ВОЗ. СТД № 682. Женева. 100 с. (1985).
6. Болезни птиц. Изд. 2-ое./Под. ред. В.Н. Сюрина. Колос. М. 463 с. (1971).
7. Джавадов Э.Д. Птица и птицепродукты. № 5. с. 32-34 (2008).
8. Сергеев В.А., Непоклонов Е.А., Алипер Т.И. Вирусы и вирусные вакцины. Библионика. М. 524 с. (2007).
9.Стентон Гланц, Медико-биологическая статистика. Практика/Под ред. Н.Е. Бузикашвили, Д.В. Самойлова. М. 459 с. (1999).
10. Школьников Е.Э., Еремец Н.К., Павленко И.В., Немину-щая Л.А., Скотникова Т.А., Токарик Э.Ф., Бобровская И.В., Филимонов Д.Н., Гаврилов В.В., Ковальский И.В., Канарская З.А., Хусаинов И.А. Вестник Казан. технол. унив. Т. 17, № 13, 255 - 263. (2014).
11. Неминущая Л.А., Скотникова Т.А., Титова Е.И., Провото-рова О.В., Еремец Н.К., Бобровская И.В., Канарская З.А. Вестник Казан. технол. унив. Т.15. №4. 69-74. (2012).
12. Смоленский В.И., Зуев Ю.В., Руденко Т.В., Горева И.П. Ветеринария. № 1. с. 44 - 47. (2011).
13. Скотникова Т.А., Неминущая Л.А., Еремец Н.К., Самуйленко А.Я., Кржижановская Е.В., Чулков А.К., III Меж. Ветер. конгресс по птицеводству. М. с. 58-59. (2007).
14. Самуйленко А.Я., Скотникова Т.А., Неминущая Л.А., Беро И.Л., Токарик Э.Ф., Еремец Н.К., Люлькова Л.С., Бобровская И.В. Изв-я Самарского науч. центра Росс. академии наук. Т. 13. № 5(3). С. 178-180. (2011).
15. Токарик Э.Ф. Автор. дисс. д. биол. наук. М. 48 с. (1989).
16. Самуйленко А.Я., Неминущая Л.А., Скотникова Т.А., Труды Кубан. гос. агр. унив. № 1(ч.1). с. 91-92 (2009).
17. Скотникова Т.А., Неминущая Л.А., Токарик Э.Ф., Еремец Н.К. Методические рекомендации по исследованию стабильности иммунобиопрепаратов на этапе разработки и в условиях действующего производства. Утв. РАСХН, М. 32 с. (2009).
18. Нежута А.А., Токарик Э.Ф., Самуйленко А.Я., Безгин В.М., Сербис Е.С. Теоретические и практические основы технологии сублимационного высушивания биопрепаратов. Изд. Курской гос. с/х академии. Курск. 239 с. (2002).
19. Никитин Е.Е., Звягин И.В. Замораживание и высушивание биологических препаратов. М. Колос. 343 с. 1971.
20. Комитет экспертов ВОЗ по стандартизации биологических препаратов. 41 доклад. Женева. С. 22-24. (1994).
21. Скотникова Т.А., Неминущая Л.А., Токарик Э.Ф., Смоленский В.И., Руденко Т.В., Горева И.П. 1 Межд. вет. конгресс по птицеводству. М. с. 147 - 152. (2005).
22. Ашмарин И.П., Воробьев А.А. Статистические методы в микробиологических исследованиях. Ленмедгиз, Л. 180 с. (1962).
23. Стандартизация результатов по титрованию инфекционности вирусов. Комитет экспертов ВОЗ по стандартизации биологических препаратов. СТД ВОЗ, № 658 (31-й доклад). Женева. С. 157-173. (1981).
24. Маслак А.А., Маркова Е.В., Самуйленко А.Я., Сергиенко А.И. Компьютерные системы биотехнологических исследований. М. 432 с. (1993).
25. Тихов М.С., Бородина Т.С. Математическая модель и компьютерный анализ критериев однородности зависимости «доза-эффект». Нижний Новгород. С.175 с. (2012).
26. Журавлев В.А. Авт. дис. канд. биол. Покров. 28 с. (2008).
27. Евдокименков В.Н., Компьютерные технологии сбора, обработки и анализа данных медико-биологических исследований. Уч. пос. Изд-во МАИ, М. 436 с. (2005).
28. Пеккер Я. С., Бразовский К. С., Компьютерные технологии в медико-биологических исследованиях. Сигналы биологического происхождения и медицинские изображения. Уч. пос. Темплан. М. 240 с. (2002).
29. Реброва О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA. М. 79 с. (2003).
30. Лапач С.Н., Чубенко А.В. Статистические методы в медико-биологических исследованиях с использованием Excell . Морион. 408 с. (2001).
© Л. А. Неминущая- д-р биол. наук, зав. лаб. отдела обеспечения качества ФГБНУ ВНИТИБП, vnitibp@mail.ru; Т. А. Скотникова - д-р биол. наук, зав. лаб. отдела обеспечения качества ФГБНУ ВНИТИБП, vnitibp@mail.ru; Э. Ф. Токарик - главный научный сотрудник, профессор, ФГБНУ ВНИТИБП, vnitibp@mail.ru; И.В. Ковальский - асп. ГНУ ВНИТИБП РАСХН РФ, vnitibp@mail.ru; Н. К. Еремец -канд. биол. наук, зав. отделом обеспечения качества лекарственных средств для ветеринарии и животноводства, vnitibp@mail.ru; И. В. Павленко- канд. биол. наук, зав. лаб. отдела противобактерийных препаратов ГНУ ВНИТИБП РАСХН РФ, polt65@yandex.ru; О. В. Провоторо-ва - кандидат технических наук, научный сотрудник, ФГБНУ ВНИТИБП, vnitibp@mail.ru; В.И. Еремец - д-р биол. наук, профессор, зам. директора по научной работе ФГБНУ ВНИТИБП, biv 74 @mail.ru; А. Я. Самуйленко - д-р ветеринарных наук, профессор, академик РАН, директор ФГБНУ ВНИТИБП , vnitibp@mail.ru; З. А. Канарская - канд. тех. наук, КНИТУ, доц. каф. ПищБТ, zosya_kanarskaya@mail.ru.
© L. A. Neminuschaja - Dr. Biol. Sciences; headlab. ofassurancequality farmproducts for animals; FGBNU VNITIBP, ook vnitibp@mail.ru; T. A. Skotnikova - Dr. Biol. Sciences; head. lab.of assurancequality vaccines;FGBNU VNITIBP; vnitibp@mail.ru; E. F. Tokaryk - chief scientific of-ficer;Dr. Biol. Sciences; Professor; FGBNU VNITIBP; vnitibp@mail.ru; I. V. Kowalski -aspirant of Department assurance quality medicines for the Veterinari and livestock; FGBNU VNITIBP; vnitibp@mail.ru; N. K. Eremetz - cand.Biol. Sciences, head. Department assurance quality medicines for the Veterinari and livestock, vnitibp@mail.ru; I. V. Pavlenko - cand. Biol. Sciences, head. lab. Department proteobacteria drugs, FGBNU VNITIBP; polt65@/yandex.ru; O. V. Provotorova - candidate of technical Sciences, researcher, FGBNU VNITIBP; vnitibp@/mail.ru; V. I. Eremets - Dr. Biol. Sciences, Professor, Deputy di-rector on scientific work of FGBNU VNITIBP; biv 74 @mail.ru; A. J. Samuyilenko - academician of RAS, Dr. of veterinary science, professor, DirectorFGBNU VNITIBP; vnitibp@mail.ru; Z. A. Kanarskaya — Ph.D, Associate Professor, Department of Food Biotechnology, KNITU, zosya_kanarskaya@mail.ru.
