4. 校准曲线模型建立与拟合

校准曲线是免疫分析方法定量结果的“标尺”。标准品浓度与仪器响应（如OD、发光计数、荧光强度）之间通常呈S形关系，需要用非线性模型描述。四参数逻辑斯蒂回归（4PL）和五参数逻辑斯蒂回归（5PL）是行业最常用的两类模型。理解它们的参数含义、拟合方式、加权策略以及曲线范围与锚点设置，是方法学验证中保证定量准确性的核心环节。

一、4PL与5PL的数学结构与参数含义

4PL模型的标准形式为：

y = D + (A - D) / [1 + (x / C)^B]

其中：A为上渐近线（零浓度附近的响应上限），D为下渐近线（高浓度饱和后的响应下限），C为半数有效浓度（EC50，曲线拐点对应的浓度），B为斜率因子（Hill斜率），决定曲线陡峭程度。当B>0时曲线随浓度升高而下降（竞争法常见），B<0时曲线随浓度升高而上升（夹心法常见）。

5PL在4PL基础上增加一个不对称因子E：

y = D + (A - D) / [1 + (x / C)^B]^E

E用于描述曲线上下半段不对称的情况。当E=1时，5PL退化为4PL。实际数据中，若上下渐近线附近的数据点分布明显不对称，或残差呈现系统性弯曲，5PL往往能显著改善拟合质量。但E的引入也增加了参数间的相关性，对数据点数量和分布要求更高，通常建议标准曲线不少于8个浓度点、每个点至少双复孔时才考虑5PL。

二、拟合流程与加权策略

拟合的本质是最小化残差平方和。普通最小二乘（OLS）假设各浓度点方差相等，但免疫分析中高浓度端响应值大、绝对误差也大，方差随响应值增大而增大，因此OLS会过度加权高响应点。加权最小二乘（WLS）通过给每个点赋予权重来校正这一偏差。

常用加权方式包括：

• 1/y：权重与响应值成反比，适用于误差与响应值近似成正比的情况；
• 1/y²：权重与响应值平方成反比，适用于误差与响应值平方根成正比的情况，是免疫分析中最常用的加权方式之一；
• 1/x或1/x²：按浓度加权，适用于低浓度端误差占主导的场景；
• 固定权重：所有点等权，即OLS。

选择加权方式时，应观察残差图：若残差随响应值增大呈喇叭口扩散，说明需要加权；若加权后残差在各浓度段均匀分布，则加权合理。拟合优度可用R²、残差标准误（Sy.x）以及各点回算浓度偏差（%RE）综合判断。通常要求标准曲线各点回算浓度与理论浓度的偏差在±20%以内（最低定量限附近可放宽至±25%）。

三、曲线范围与锚点设置

曲线范围指标准曲线可准确定量的浓度区间，下限为最低定量限（LLOQ），上限为最高定量限（ULOQ）。范围设置应覆盖预期样本浓度的80%～120%，并确保LLOQ和ULOQ处至少各有2～3个独立验证批次的数据支持。

锚点（anchor point）是位于曲线两端、用于稳定渐近线估计的额外标准品点。例如，定量范围为1～100 ng/mL时，可在0.5 ng/mL和200 ng/mL处各设置一个锚点。锚点不参与定量范围声明，但参与拟合，帮助模型更准确地估计A和D两个渐近线参数，避免因端点数据不足导致曲线外推失真。

锚点设置需注意：锚点浓度不宜过于远离定量范围，一般不超过LLOQ的0.5倍或ULOQ的2倍；锚点响应值应仍处于可可靠检测的范围内，避免因信号饱和或低于检测限而引入噪声。若锚点响应值异常，应排查是否属于钩状效应或基质干扰。

四、拟合质量判断与常见问题

拟合完成后，不能只看R²。R²接近1并不代表模型正确，因为非线性拟合中R²容易虚高。应重点检查：残差是否随机分布、各点回算浓度偏差是否在可接受范围、参数标准误是否合理、上下渐近线是否被数据充分约束。

常见问题包括：参数不可识别，表现为A或D的标准误极大，通常因端点数据不足或锚点缺失；曲线倒挂，表现为B符号与预期相反，多因标准品稀释错误或孔位污染；钩状效应，表现为极高浓度端响应值反而下降，此时应缩小定量范围或增加高浓度锚点确认。

五、可执行的曲线拟合参数记录表

以下表格可用于记录每次曲线拟合的关键参数，便于批次间比对和审计追踪。表中数值为示例，实际应以当次拟合软件输出为准。

校准曲线的建立不是一次性的数学操作，而是贯穿方法生命周期的持续确认过程。每次运行标准曲线时，都应记录模型、加权、参数和回算偏差，并与历史数据比对。当曲线参数出现趋势性漂移或回算偏差持续偏大时，应触发对试剂、仪器或操作环节的排查，而不是简单重新拟合了事。