先看你的标准曲线形态再决定
拿到标准品 OD 值后，先在 Excel 或 GraphPad 里把 X=浓度、Y=OD 的散点图画出来，看形状对应选模型：
| 曲线形态 | 推荐模型 | 典型场景 |
|---|---|---|
| 中间 3–5 个点近似直线，两端有弯曲 | 线性回归（只取线性区间） | 标准品范围窄（≤2 个数量级），试剂盒声明线性范围 |
| 明显 S 形：低浓度平缓 → 中间陡 → 高浓度饱和 | 四参数 Logistic（4PL） | 常见夹心法 ELISA，标准品跨度 3 个数量级以上 |
| S 形但低浓度段比高浓度段明显不对称 | 五参数 Logistic（5PL） | 竞争法 ELISA，或小分子半抗原检测 |
一句话判断：如果标准品跨度超过 3 个 10 倍稀释，线性拟合通常已经不够用，必须上 4PL。
线性拟合的适用边界与陷阱
线性回归（y = ax + b）是大家最熟悉的方法，但 ELISA 反应本质上不是线性的，只是中间某段近似直线。
可用条件
- 试剂盒说明书明确声明「线性范围」，且你的标准品点 100% 落在该范围内
- 散点图上选中的 5–7 个点肉眼看起来近似直线
- 线性拟合 R² ≥ 0.99，且每个浓度点残差（实测值 - 预测值）< 10%
常见误用导致的定量偏差
- 把两端弯曲点也一起拟合：肉眼能看到高浓度或低浓度偏离直线，还强行拉进线性回归。此时 R² 可能看起来还过得去，但边缘样品定量偏差可达 30%–50%
- R² > 0.99 就以为合格：R² 只代表整体拟合优度，不代表每个点都好。一定要逐个检查每个标准品点的回算浓度误差（回算值 / 真值 × 100%），合格标准是 80%–120% 之间
- 低浓度线性区间和高浓度不是同一条线：有些 ELISA 在低 OD < 0.3 的线性斜率和中段不同，硬用一条线穿过全部会导致低浓度样本全部偏高或偏低
四参数 4PL 拟合的原理和读参数方法
公式
四参数 Logistic 方程为：
y = (A - D) / (1 + (x/C)^B) + D四个参数含义：
| 参数 | 名称 | 实验意义 | 参考范围 |
|---|---|---|---|
| A | 最低渐近线（底 asymptote） | 零标准品的平均 OD（背景） | 通常 0.02–0.10 |
| D | 最高渐近线（顶 asymptote） | 无限高浓度的饱和 OD | 通常 2.0–3.5 |
| C | EC50 / 拐点浓度 | 吸光度为 (A+D)/2 时对应的浓度，也是曲线斜率最大的位置 | 落在你的定量区间中部最佳 |
| B | 斜率因子 / Hill 系数 | 曲线在 C 点附近的陡峭程度 | 理想 0.8–1.2；< 0.6 太平，定量不准；> 1.5 可能标准品梯度设置过密 |
拟合质量怎么判断
拟合完成后按优先级检查：
- 曲线是否穿过所有数据点附近：散点图叠加拟合曲线，有没有哪个点系统性离群
- 每个标准品点的回算浓度偏差：理论浓度 ± 20% 内算合格，定量下限附近允许放宽到 ± 25%
- 相关系数 r：4PL 非线性回归给的是相关系数，不是 R²；r ≥ 0.998 才比较稳妥
- 参数的置信区间宽度：GraphPad 会给出 A/B/C/D 的 95% CI，置信区间太宽（例如 C 从 20 到 200）说明标准品点太少或分布不均，拟合不稳定
线性 vs 四参数：同一组数据定量差多少
以下是一组典型 7 点标准品（1000, 333.3, 111.1, 37, 12.3, 4.1, 1.4 ng/mL）的两种模型比较：
| 真值 | 线性拟合回算 | 误差 | 4PL 回算 | 误差 |
|---|---|---|---|---|
| 1000 | 1320 | +32% | 985 | -1.5% |
| 333 | 375 | +13% | 328 | -1.5% |
| 111 | 114 | +3% | 110 | -0.9% |
| 37 | 35 | -5% | 38 | +2.7% |
| 12.3 | 10.8 | -12% | 12.5 | +1.6% |
| 4.1 | 2.8 | -32% | 4.3 | +4.9% |
| 1.4 | 0.7 | -50% | 1.5 | +7.1% |
可以看到：中段（111、37）两种模型都 OK，但高、低两端线性拟合偏差迅速恶化。 如果实际样品碰巧落在边缘，用错模型会直接导致浓度判断错误。
具体操作：GraphPad Prism 里怎么选模型
GraphPad Prism 中：
- 新建 XY 表，X 轴输入标准品浓度（不要先取 log，先按原值输入）
- 全选数据 → Analyze → Nonlinear regression
- 在「Dose-response - Sigmoidal」分类里：
- 先选 Four parameter logistic (4PL)
- 然后在 Compare 选项卡勾「Compare with linear regression」，软件会自动做 F 检验比较哪种模型更优
- 如果 F 检验 p < 0.05，说明 4PL 显著优于线性，应该坚持 4PL
- 如果 p > 0.05 且你的标准品范围窄，两种模型都可以，一般选更简单的线性
Excel 不内置 4PL 拟合，想在 Excel 做需要用 Solver 插件手动最小化残差平方和，或直接用 GraphPad、Origin 更省事。
什么时候必须用 4PL
以下情况之一，请直接使用 4PL，不要尝试线性回归：
- 标准品浓度范围 ≥ 3 个数量级（例如 1 pg/mL 到 1000 pg/mL）
- 试剂盒说明书推荐使用 4PL / 5PL 拟合
- 低浓度段标准品（第 6、第 7 点）在线性拟合下回算偏差 > 20%
- 竞争法 ELISA（小分子、半抗原、药物检测）：曲线天然不对称，通常需要 5PL
- 需要报告定量下限 LLOQ 或检测范围的正式实验
什么时候线性拟合够用
- 只用标准品中间 4 个点做校准，高低两端的点只用来确认曲线形状
- 所有待测样品预期浓度全部落在中间 2 个数量级内
- 教学演示或快速筛测，不需要特别精确的定量
常见误区
| 误区 | 正确做法 |
|---|---|
| 4PL 看起来很高级就一定好 | 当标准品范围窄、数据本身就是直线，4PL 并不会比线性拟合更准，反而可能过拟合 |
| R² 够就通过 | 无论哪种模型，都要检查每个标准品点的回算浓度偏差，而不是只看全局 R² |
| 把 X 轴取对数后再做线性，和 4PL 等价 | 不等价。log 变换 + 线性只是把 S 形变直，但中间信息丢失，两端偏差依然存在 |
| 一个试剂盒用一次模型定下来以后就不变 | 每次新板都要独立判断。标准品批次变化、孵育温度、抗体批次都会改变曲线形态 |
| 5PL 比 4PL 更准，默认用 5PL | 5PL 多一个不对称参数，只有当曲线真的不对称时才优于 4PL。强行用 5PL 会让参数置信区间变宽，反而定量更不稳定 |
相关工具
相关阅读
- GraphPad 标准曲线绘制与回归分析（含 4PL/5PL 操作步骤）
- ELISA 标准曲线非线性怎么办
- ELISA 标准曲线常见问题总排查
- ELISA 标准品浓度点怎么布局
- ELISA 重复孔差异大排查
- 文献方法：ELISA 4PL 拟合如何降低浓度估计不确定度
相关工具
继续用工具完成条件判断和计算
本文用于科研实验排查与条件优化，不替代实验室 SOP、试剂说明书或医学判断。