概述
非线性回归（Nonlinear Regression）在生物实验中的应用非常广泛：ELISA 标准曲线、受体配体结合、酶动力学、细胞增殖抑制实验等都需要通过非线性模型拟合数据。GraphPad Prism 提供了丰富的预设模型，但软件输出的大量参数往往让初学者感到困惑。
本文聚焦非线性回归结果中最常见、也最容易误读的参数：R²、EC50/IC50、Hill slope、标准误和置信区间。掌握这些参数的含义和判断标准，才能正确评估拟合质量并解释实验结果。
非线性回归与线性回归的区别
线性回归假设 Y 与 X 之间存在直线关系；而非线性回归使用曲线方程描述两者关系。ELISA 标准曲线通常是 S 型曲线，酶动力学数据常用米氏方程，这些都无法用线性回归准确拟合。
GraphPad Prism 中常用的非线性模型包括：
| 模型 | 典型应用 | 关键参数 |
|---|---|---|
| Sigmoidal dose-response | ELISA、细胞增殖抑制 | EC50/IC50、Hill slope、Top/Bottom |
| Michaelis-Menten | 酶动力学 | Vmax、Km |
| One site binding | 受体配体结合 | Bmax、Kd |
| Exponential growth/decay | 细胞增殖、药物代谢 | Rate、Plateau |
关键参数解读
R²：拟合优度
R²（决定系数）表示模型对数据变异的解释比例，取值范围为 0 到 1。R² 越接近 1，说明拟合曲线越接近数据点。
注意：
- R² 高不等于模型正确。一个错误的模型也可能对某组数据拟合出很高的 R²。
- 非线性回归中的 R² 不像线性回归那样有严格的统计解释，GraphPad 中更推荐使用 Sy.x（残差标准差）评估拟合质量。
- 不要单独用 R² 作为模型选择的唯一标准。
| R² 范围 | 拟合质量 |
|---|---|
| > 0.99 | 优秀 |
| 0.95 - 0.99 | 良好 |
| 0.90 - 0.95 | 可接受，但需检查残差 |
| < 0.90 | 拟合可能不可靠，需重新检查数据或模型 |
EC50 与 IC50
- EC50：半数有效浓度，使效应达到最大值 50% 时的药物浓度。用于激动剂、激活剂等。
- IC50：半数抑制浓度，使效应降低 50% 时的药物浓度。用于抑制剂、毒性实验等。
在 GraphPad 的 Sigmoidal dose-response 模型中，EC50/IC50 是曲线中点对应的 X 值。它们通常以浓度对数形式报告，例如 EC50 = 12.5 nM（95% CI: 8.3 - 18.7 nM）。
Hill slope（斜率因子）
Hill slope 描述曲线中点的陡峭程度：
| Hill slope | 含义 |
|---|---|
| = 1.0 | 标准 S 型曲线，适合大多数受体结合场景 |
| > 1.0 | 曲线更陡峭，可能存在协同结合 |
| < 1.0 | 曲线更平缓，可能提示异质性或多位点结合 |
| 负值 | 抑制型曲线，对应 IC50 模型 |
如果 Hill slope 的 95% 置信区间包含 1.0，通常可以用固定 Hill slope = 1 的模型重新拟合，以减少参数数量并提高稳定性。
Top 与 Bottom
- Top：曲线平台期的上限响应值
- Bottom：曲线平台期的下限响应值
在 ELISA 标准曲线中，Top 对应最高浓度标准品的信号，Bottom 对应空白或零浓度标准品的信号。如果 Top 或 Bottom 的估计值明显偏离实际观测值，可能是标准品浓度范围设置不当。
标准误（SE）与置信区间（95% CI）
每个拟合参数都会输出一个标准误和一个 95% 置信区间。标准误反映参数估计的精确度；置信区间表示如果重复实验多次，95% 的情况下真实参数会落在这个区间内。
判断标准：
- 95% CI 越窄，参数估计越精确
- 如果 95% CI 非常宽或包含无意义值（如负浓度），说明数据对该参数的约束不足
- 报告结果时应优先使用 95% CI，而不是单独报告 SE
例如：
- 良好：EC50 = 15.2 nM（95% CI: 11.4 - 20.3 nM）
- 可疑：EC50 = 15.2 nM（95% CI: 0.5 - 452 nM）
拟合质量的综合判断
1. 看残差图
GraphPad Prism 可以输出残差图。理想情况下，残差应随机分布在 0 上下，无明显趋势或模式。如果出现系统性偏差，说明模型选择不当。
2. 看参数相关性矩阵
某些参数之间可能存在高度相关性（如 EC50 与 Hill slope），导致参数估计不稳定。GraphPad 的 Covariance Matrix 可以帮助识别这类问题。
3. 看收敛提示
如果拟合未收敛或出现”ambiguous”提示，说明数据不足以唯一确定模型参数。常见原因包括：
- 标准品浓度点太少
- 浓度范围未覆盖平台期
- 复孔变异过大
- 初始值设置不当
ELISA 标准曲线中的参数应用
以四参数逻辑回归（4PL）为例：
Y = Bottom + (Top - Bottom) / (1 + 10^((LogEC50 - X) × HillSlope))| 参数 | 实际意义 | 常见问题 |
|---|---|---|
| Bottom | 空白孔信号 | 过高提示背景或基质效应 |
| Top | 最高浓度标准品信号 | 未达到平台说明浓度上限不足 |
| LogEC50 | 曲线中点浓度对数 | 代表标准品中点浓度 |
| HillSlope | 曲线陡峭程度 | 偏离 1 过远时需检查模型适用性 |
使用标准曲线反算样本浓度时，样本信号应落在 Bottom 和 Top 之间。超出该范围的样本需要稀释或浓缩后重新检测。
常见坑点与避坑建议
1. 强行使用线性拟合替代曲线拟合
ELISA 标准曲线在两端明显弯曲，强行取中间几个点做线性拟合会低估或高估样本浓度。应使用 4PL 或 5PL 非线性模型拟合全量程数据。
2. 只看 R² 选择模型
R² 受异常值和数据点数量影响。建议同时查看残差分布、参数置信区间和生物学合理性。
3. 忽略 X 轴的对数刻度
药物浓度通常以 log 浓度为 X 轴输入。如果误用原始浓度，会导致 EC50/IC50 估计严重偏差。GraphPad 中可在 Analyze 对话框设置 X 为 logarithmic scale。
4. 未固定 Bottom 或 Top
当低浓度或高浓度数据点不足时，Bottom 和 Top 的估计会不稳定。如果已知空白孔信号应接近 0，可以将 Bottom 固定为 0；如果最高浓度标准品已达到饱和，可以将 Top 固定为实测平台值。
5. 用单点估计浓度而不报告置信区间
GraphPad 的”Analyze → XY analyses → Nonlinear regression → Interpolate”可以给出未知样本的浓度估计及其 95% CI。发表时应报告浓度 ± 95% CI，而不是单点值。
发表时的结果报告
在方法部分建议写明：
- 非线性回归模型名称（如 4PL、Michaelis-Menten）
- 软件及版本
- 是否固定任何参数（如 Bottom = 0）
- 异常值处理规则
在结果部分建议报告：
| 参数 | 估计值 | 95% CI |
|---|---|---|
| EC50 | 12.5 nM | 8.3 - 18.7 nM |
| Hill slope | 1.12 | 0.89 - 1.35 |
| Top | 2.843 | 2.765 - 2.921 |
| Bottom | 0.052 | 0.041 - 0.063 |
| R² | 0.998 | - |
如果比较多个处理组的 EC50，应使用 Prism 的”Compare”功能进行统计检验，而不是简单比较点估计值。
总结
GraphPad Prism 的非线性回归输出参数虽然繁多，但核心关注 R²、EC50/IC50、Hill slope、Top/Bottom 和置信区间即可满足大多数实验需求。判断拟合是否可信，应综合残差图、参数置信区间和生物学合理性，避免仅凭 R² 下结论。正确理解和报告这些参数，是实验数据从”出图”到”可发表”的关键一步。