2. 实验设计：板布局与随机化原则

板布局这事，说白了就是决定你的样品往哪放。我刚开始做高通量筛选的时候，觉得这有什么好讲究的，不就是把样品波进去嘛。

结果第一个正式筛选就栽了跟头——边缘效应、加样漂移、温度梯度，全搅在一起，根本分不清是化合物的问题还是板子的毛病。

后来我才明白，板布局不是简单的“摆放”，它是实验设计里能跟统计对抗的第一道防线。你想想看，一个384孔板，角落和中心的孔位，历史表现能差出15%去。

2.1 板布局的黄金法则

我个人习惯把板子分成几个功能区块。不是为了好看，是为了后续质控的时候能快速定位问题。具体来说，每一块板子至少要包含这四类孔：

• 阴性对照（Negative Control）：通常放DMSO或空白溶剂，用来定义信号基线。
• 阳性对照（Positive Control）：已知活性的标准品，用来监控检测窗口是否正常。
• 空白孔（Blank）：不包含样品和试剂，用来扣除背景吸收或自发荧光。
• 样品孔（Sample）：待测化合物，也就是我们要分析的主要对象。

这里有个硬性要求：每种对照至少要占到整板的5%～10%。我在项目中见过有人为了多跑样品，把对照压缩到只有两列，结果阳性对照的Z’因子只有0.3，整批数据都不敢用。

再来说说间距问题。同一个化合物的不同浓度，或者同一个批次的重复孔，不能挨着放。我见过有人把三个重复孔紧贴在一起，加样枪头和板子边缘的距离都一样——这等于自我欺骗，测出来CV再低也不能代表真实重现性。

一个典型的384孔板布局可以参考下面的结构：

列1-2: 阴性对照（均匀分散在上下两端）
列3-4: 阳性对照（均匀分散在中间区域）
列5-22: 样品孔（每4列为一个浓度梯度区块）
列23: 空白孔（均匀分散）
列24: 阳性对照（对称分布，用于检查板内对称性）

2.2 随机化的三个层面

随机化不是玄学，它是消除系统偏差最实用的手段。我通常把它拆成三个层面来执行：

层面	解决的问题	操作方法
布局随机化	加样顺序、板位效应	将样品按照随机数表分配到板内位置
运行顺序随机化	试剂时效、设备漂移	每批次中随机打乱板子的读取顺序
试剂分配随机化	加样头差异、移液精度	不同板子的对照孔使用不同批次的试剂

布局随机化是最容易操作也最容易被人忽略的。我见过一个团队，他们把所有候选化合物按字母顺序排板，结果发现首字母靠前的化合物平均活性普遍偏高。为什么？因为加样顺序是A-Z，A列加的样品暴露时间长，溶剂蒸发快，浓度变了。

随机化之后，这种顺序偏差就会变成随机误差，而不是系统误差。具体怎么做？可以用Excel的RAND()生成随机数，然后按随机数排序分配板位。

运行顺序随机化主要针对多批次实验。举个例子，你今天测20块板子，如果每次都是从第1块测到第20块，那最后几块板子的试剂可能已经降解了。我建议每批次开始前，先做一个随机顺序表，按这个表指定上机顺序。

批次随机顺序表示例（384板，8块/批）：

批号A: 板3 → 板7 → 板1 → 板5 → 板8 → 板2 → 板6 → 板4
批号B: 板5 → 板2 → 板8 → 板6 → 板1 → 板4 → 板3 → 板7

试剂分配随机化听起来有点反直觉——试剂不是应该保持一致吗？但你要知道，配一次试剂不可能无限量，新配的和旧配的总有差别。我建议对同一批次的不同板子，尽量使用不同批次的对照品，这样你才能真正评估批间变异有多大。

2.3 随机化的软件实现

手工做随机化太累了，尤其面对上千个化合物的时候。我一般用R或者Python写个简单的脚本，直接把布局文件生成好。

下面是一个R脚本示例，用来生成随机化的板布局映射表：

library(dplyr)
# 假设有768个样品，需要2块384孔板
samples <- paste0("Cpd_", 1:768)
# 生成随机顺序
set.seed(42)
random_order <- sample(seq_along(samples))
# 分到两板
plate1 <- random_order[1:384]
plate2 <- random_order[385:768]
# 转换为板位坐标
row_labels <- rep(LETTERS[1:16], each = 24)
col_labels <- rep(1:24, times = 16)
layout <- data.frame(
  Well = paste0(row_labels, col_labels),
  Sample = samples[c(plate1, plate2)],
  Plate = c(rep("Plate1", 384), rep("Plate2", 384))
)

当然，大部分自动化液体处理工作站也内置了随机化功能。我习惯在排布参数里直接定义“randomize within plate”选项，这样加样时就已经打乱了。

2.4 区块随机化与分层随机化

别把东西扔到一个池子里随机化就完事了。如果你的化合物是根据某种特征分组的（比如结构类、活性范围、毒性级别），那就要用分层随机化。

举个例子，我手头有96个化合物，其中30个属于“高毒性”类别。如果全部随机化分布，那高毒性的化合物有可能全挤在一个角落。设想一下，如果这个角落恰好靠近加样针的清洗位，交叉污染的概率就会大大提高。

正确的做法是：先把化合物按类别分层，然后在每个层内做随机化。这叫做分层随机化（Stratified Randomization）。具体操作：

1. 按化合物类别（或浓度组）分成K个层。
2. 对每一个层内的样品，分别生成随机数并排序。
3. 将每个层的样品均匀分配到所有板子中。

2.5 板布局与随机化的文档化

说句实在话，布局做好了不存下来就等于白做。我要求每个项目必须保留以下两份文档：

• 板布局图（Plate Map）：包含每个孔位的样品ID、浓度、对照类型、复孔编号。
• 随机化映射表（Randomization Mapping Table）：记录原始序号与随机化后位置的对应关系，包括随机种子（Seed）。

为什么要记种子？因为随机数生成器每次启动都会产生不同的序列，没有种子，你之后永远无法还原实验时的布局。把种子记录到实验笔记本或LIMS系统里，这是可溯源的基本要求。

2.6 本章知识体系

下面的图表总结了板布局与随机化的核心逻辑：

2.7 案例复盘

我两年前接手过一个项目，客户说他们的Z’因子总是在0.4-0.6之间晃动，怎么也提不上去。我去现场一看，板子布局是这样：

• 列1-2放阴性对照（全部贴着边缘）
• 列3-22放样品（按字母排序）
• 列23-24放阳性对照（全部在边缘）

我二话没说，先把布局改成对照均匀分散、样品随机化、并且把阳性对照也在板内对称分布。连续测试了3个批次，Z’因子全部稳定在0.7以上。客户问我是怎么做到的——其实就做了一件事：把系统误差变成了随机误差。