📚 课程目录第4章 QC峰强度的评估指标

第4章 QC峰强度的评估指标

峰强度评估，说白了就是回答一个问题：这批数据能不能用？光看一眼色谱峰高矮胖瘦可不够，我们需要一套客观的量化指标。常用的有五个——均值、中位数、变异系数（CV）、峰面积稳定性、信噪比。这五个指标各有侧重，配合起来才能全面判断峰质量。

我最早做QC数据分析时，只看均值就下结论，结果吃过亏。后来才明白，每个指标都有自己的视角，缺一个都可能漏掉问题。

4.1 均值（Mean）——中心趋势的基础标尺

均值就是所有峰强度的算术平均。它反映数据的"重心"在哪。

import numpy as np
peak_intensities = [1250, 1280, 1220, 1310, 1270]
mean_val = np.mean(peak_intensities)
print(f"均值: {mean_val:.1f}")

均值计算简单，但有一个致命弱点：对极端值非常敏感。只要有一个峰的强度异常高或低，均值就会被带偏。我在项目中遇到过，某个批次进样时有一针部分堵塞，峰面积掉了40%，均值直接被拉到警戒线以下。

注意：均值不等于"正常值"。当数据分布不对称时，均值可能偏离大多数数据的实际水平。不要只看均值就判断合格。

4.2 中位数（Median）——稳健性的守护者

中位数是把所有峰强度排序后中间位置的值。它不像均值那样"怕"极端值。

median_val = np.median(peak_intensities)
print(f"中位数: {median_val:.1f}")

当你发现均值和中间值差异很大时，基本可以断定数据里有"捣乱分子"。我习惯同时计算这两个指标，看它们的差值。差值的绝对值超过均值的10%，我就会去查原始色谱，大概率能找到异常峰。

对比项	均值	中位数
对极端值敏感度	高	低
数据分布对称时	两者接近	两者接近
数据有偏态时	被拉偏	保持稳健
适用场景	正态分布、大样本	有异常值、小样本

4.3 变异系数（CV）——相对离散度的黄金指标

CV = 标准差 ÷ 均值 × 100%。它衡量的是数据相对波动的大小。为什么不用标准差？因为标准差是绝对值，不同批次、不同物质的峰强度量级不同，没法直接比。CV把量级归一化了，可以跨批次、跨物质比较。

cv_val = np.std(peak_intensities, ddof=1) / np.mean(peak_intensities) * 100
print(f"CV: {cv_val:.2f}%")

我个人习惯把CV阈值设在15%以内。如果超过15%，我会先检查方法本身是否稳定，再看仪器状态。有一次一个方法的CV从8%飙到了22%，排查下来是自动进样器的进样针有微量堵塞——冲洗之后CV就回到9%了。

经验：方法开发阶段就把CV基线跑出来。正常状态下的CV是多少，批次间波动就知道有多大。CV突然翻倍，基本等于"有事发生"。

4.4 峰面积稳定性——批次一致性的核心

峰面积稳定性，看的是同一个QC样品重复进样时，峰面积的一致性。通常用相对标准偏差（RSD）来量化，RSD就是CV，只不过在分析化学里习惯叫RSD。

评估方法不复杂：取至少6次重复进样的峰面积，计算RSD。RSD越小，说明系统越稳定。

# 6次重复进样的峰面积
areas = [12450, 12680, 12300, 12510, 12480, 12720]
rsd = np.std(areas, ddof=1) / np.mean(areas) * 100
print(f"峰面积 RSD: {rsd:.2f}%")

# 控制图风格的判断
if rsd < 3.0:
    print("✅ 稳定性优秀")
elif rsd < 6.0:
    print("⚠️ 稳定性可接受，需关注")
else:
    print("❌ 稳定性超标，立即排查")

我记得有一次做某项目的长期稳定性考察，QC样品的峰面积RSD连续三批都在4%左右，虽然没超过6%的限值，但比前期方法验证时的1.8%高了不少。最后查到是色谱柱逐渐老化，更换后RSD回到了2%以内。所以我的建议是：不光看阈值，还要看趋势。

避坑指南：我曾经以为只算QC样品的RSD就够了，后来发现同一次进样中，不同物质峰的稳定性差异很大。早期洗脱的峰RSD通常比晚期的大。所以评估时要关注每个目标峰的稳定性，不能只看几个代表性峰。

4.5 信噪比（S/N）——信号质量的底线

信噪比衡量的是色谱峰信号与背景噪音的比值。信噪比太低，峰就被噪声"淹没了"，积分结果不可靠。

信噪比的计算方法有多种，最常用的是USP和EP方法：

# 简化的信噪比计算
# 峰高除以基线噪音的峰峰值
peak_height = 1250      # 峰高（mAU）
noise_pp = 5.2          # 基线噪音峰峰值（mAU）
sn_ratio = peak_height / noise_pp
print(f"信噪比 (S/N): {sn_ratio:.1f}")

# 判断
if sn_ratio >= 10:
    print("✅ 定量可靠 (S/N ≥ 10)")
elif sn_ratio >= 3:
    print("⚠️ 可定性，建议优化 (3 ≤ S/N < 10)")
else:
    print("❌ 峰被噪声淹没，无法定量")

信噪比的阈值，行业惯例是：定性检测（LOD）S/N ≥ 3，定量检测（LOQ）S/N ≥ 10。但这个"10倍"不是绝对的。我遇到过一个方法，信噪比12，但峰面积RSD却达到了15%，原因是噪声虽然不大，但基线漂移严重，积分一致性差。所以信噪比和CV要配合着看。

4.6 综合评估框架

五个指标怎么一起用？我的做法是分三步：

先看信噪比——信号质量是基础。信噪比不到10，后面算什么都没意义。
再看CV和峰面积RSD——这俩衡量精密度。CV超了，说明方法或系统不稳定。
最后看均值和中间值——它们告诉你数据中心在哪，结合差值判断是否有异常。

下面这张图把整个评估体系串起来了。

  核心要点：五个指标不是孤立的。信噪比是"准入证"，CV和峰面积RSD是"稳定性的尺子"，均值和中间值是"异常的报警器"。我建议在方法开发阶段就把这五个指标的基线建好，后续每个批次用同一把尺子量，偏差一冒头就能发现。

最后说一句，指标是死的，但判断是活的。我曾经有一个方法，CV到了18%，但信噪比很好，均值和中间值也接近。拆开一看，是其中一针进样量偏大，剔除后CV就降到了6%。所以不只看数字，还要结合原始色谱做综合判断。