ENGLISH|企业邮箱|OA系统|Oracle Clinical
上周，“袁来云云”专栏就大分子生物剖析要领的校准曲线的设计、天生和编辑的思索和建议睁开了详细先容（袁来云云｜大分子生物剖析概论（四_上）：校准曲线的设计，天生和编辑），本期将延续上期内容，重点先容大分子生物剖析要领校准曲线拟合模子和权重举行取舍的要领 。
本系列文章先容的生物剖析是指定量地测定在动物和人体体液或组织中的生物药（本文特指卵白质类生物药，包括单抗，细胞因子，生长素，融合卵白等）的浓度 。大大都生物剖析要领都基于免疫测试要领（Immunoassays），或者更广义地称为，配体团结式测试要领（ligand binding assays, LBA） 。这些要领涉及一系列试剂的使用，如抗药物抗体，其它抗体，生物药的靶标卵白等 。
配体团结式测试要领（LBA，也称为immunoassays）是一种常用的定量剖析工具 。在LBA要领中，待测物浓度与响应数据之间的关系是质量作用定律驱动的非线性关系，两个被普遍接受和经由验证的LBA校准曲线的回归模子是4参数logistic（4PL）和5参数logistic（5PL）曲线拟合模子 。选择适当的回归模子和权重函数是LBA要领开发的要害组成部分 。
在剖析要领开发时代，应对选定的模子和权重函数举行评估，并在验证时代加以确认 。关于确定或选择适当的回归模子和权重函数的现实操作要领，在已揭晓的文献中颇为有限，本文将提出一个结构化的、有序的计划来确定两者 。
在LBA中视察到的实验响应是一个配体（待测物）和检测系统中使用的特定捕获/检测试剂的平衡团结的效果 。实验响应与对数变换后浓度之间的这种关系是非线性的，使得典范的LBA校准曲线为所有或部分的S型（sigmoidal） 。常见的非线性回归模子为4PL和5PL，拟合模子的选择可能由曲线的形状所驱动 。完全的 sigmoidal曲线（其中顶部和底部平台区是镜像）通常使用4PL 模子 。部分sigmoidal曲线，即非对称曲线，通常使用5PL模子（4PL、5PL模子详细解读请戳《袁来云云｜大分子生物剖析概论（四_上）：校准曲线的设计，天生和编辑》） 。
由于LBA中配体平衡团结（equilibrium binding）的特征，经�；崾硬斓讲馐韵煊Φ姆呛愣ǖ姆讲睿╪on-constant variance of response），这种不等同方差称为异方差性（heteroscedasticity） 。若是在曲线拟适时不思量应对异方差性，则可能导致最终效果中泛起回算过失和更大的误差 。为了镌汰异方差性的影响并提高曲线拟合的质量，必需只管镌汰具有较高方差（higher variance）的校准点对曲线拟合的孝顺，广义最小平方 （generalized least squares）和方差稳固变换（variance stabilizing transformation）可以用来解决这个问题 。这些要领要么在每个拟合迭代后更新权重函数；要么转换数据和模子，以使用通俗最小平方模子，而不使用权重函数 。在已揭晓的要领中，线性回归斜率要领（linear regression slope approach）可能是最适用的 。本文下面讨论这个要领 。
大大都与 LBA测试相关的软件为种种拟合模子和常用的权重函数（如 1/Y 或 1/Y2）提供了内置的选择 。相关羁系指南建议使用最简朴，并充分形貌了待测物浓度与其响应之间关系的模子 。在选择回归模子（加或不加权重）时，若是对曲线形状的目视评估和对使用的统计要领举行较量，如较量F测试和chi-square p value，并禁止易，其效果可能会令人疑心 。这里常见的挑战是怎样依据相关知识，合理地选择其中之一 。
本文将先容一组案例研究，其中接纳药代动力学定量剖析要领，用于血清或血浆中卵白生物药的定量，以及使用通用的统计软件来确定适当的拟合模子和权重因子 。
LBA要领是评估生物药的PK/TK时的主要定量剖析要领，该要领的特异性和选择性取决于目的待测物与其他生物分子（如受体、和针对候选生物药的抗体）的相互作用 。LBA要领中视察到的信号/响应与生物药的浓度间接相关 。
下面的示例A、B和C都使用了LBA要领，如电化学发光（ECL）检测平台或比色法ELISA检测平台，用于定量剖析血浆或血清（人或食蟹猴）中的卵白生物药浓度 。每个案例研究中的剖析要领简述如下：
案例A：对Meso Scale Discovery（MSD）Multi-Array?微孔板，使用单克隆抗药物抗体（5 ?g/mL）包板，住宿；之后，与含有药物的样品在室温下孵育60分钟；洗板后，团结到板上的药物与biotinylated单克隆检测抗体（2.5??g/mL）孵育60分钟；然后加入0.1??g/mL 的Streptavidin-ruthenium，再孵育60分钟；之后，MSD仪器在特定条件下检测到来自ruthenium 的电化学发光信号 。
案例B：对streptavidin 包被的MSD Multi-Array?微孔板，在室温下，以biotinylated单克隆抗体（4mg/mL）包板60至120分钟；随后，含有药物的样品在上述微孔板上孵育90分钟；使用小鼠抗人IgG Fc-Ruthenium（0.36mg/mL）孵育60分钟，以团结被抗体捕获的生物药；之后，MSD仪器在特定条件下检测到来自ruthenium 的电化学发光信号 。
案例C：在Costar微孔板上，在4°C包被药物靶点（4 mg/mL），住宿；与靶点团结后的生物药，再与50 ng/mL的biotinylated单克隆抗体孵育60分钟；之后，再与1:50,000稀释后的avidin D-HRP 孵育60分钟；随后，加入HRP酶底物，TMB，以爆发色度反应；然后用硫酸阻止该反应，并在酶标仪Spectramax上，丈量450nm的光学密度（OD） 。
异方差性（Heteroscedasticity）
在收罗到的实验运行的标准校准数据荟萃（standard calibration data）中，可以通过视察测试信号的标准误差（SD）和校准点浓度之间的关系来评估异方差性 。为此，划分评估了案例A、B和C在要领开发历程中获得的6、7和10个自力运行 。
首先，使用Microsoft Excel 2010盘算标准方差，其次使用 GraphPad Prizm 7 来绘制每个校准品测试信号的SD与校准点浓度的关系图 。在目视考察了SD转变的趋势后，就可以确定对权重函数的需求 。若是SD爆发移动，则批注晰异方差性，因此，需要使用权重函数 。若是SD在校准品浓度规模内是恒定的，则无需加权 。
当在校准曲线中视察到测试信号的标准误差随浓度爆发转变时，就需要对更准确的数据点（具有较低SD的数据）使用权重函数来调解曲线的拟合 。在 GraphPad Prizm 7 中，可以使用图形线性回归要领（graphical linear regression approach）盘算权重函数因子如下：
办法1. 绘制下述二者的关系图：对数转换后的测试信号平均值与对数转换后的SD，对二者使用相同的对数底数（10或2） 。
办法2. 在办法1中获得的线性回归直线的斜率值（k）乘以2，以确定权重函数因子（weighting function factor），即2k 。
为了平衡所有校准点的孝顺，在4PL或5PL曲线拟合中应用权重函数 1/Y2k（其中Y是测试信号，2k是权重因子），以只管镌汰weighted sum-of-squares，从而获得更好的准确度和细密度 。
将权重函数 1/Y2k 应用于曲线拟合模子 （4PL 或 5PL）后，再使用Watson LIMS，将回算的校准点浓度插入加权拟合的曲线（假定这些校准点是未知浓度的样本） 。
若是对所有测试运行和对每个标准校准点（锚定点除外），累积%RE在±15% 之内并且累积%CV≤15%，则回归模子是可以接受的；但关于定量下限（LLOQ）和上限（ULOQ），接受标准一样平常 %RE±20和累积 %CV≤20 。预计的定量规模（ROQ）是在切合上述接受标准的最低和最高标准浓度之间确定的 。在 MS Excel 2010 中，累计%RE和累积%CV 划分盘算为：[100 - 100 x（回算浓度的平均值/标称浓度）]和 100 X（回算浓度的标准方差/回算浓度的平均值） 。
之后，使用 GraphPad Prizm 7 绘制 4PL 和 5PL 之间准确度（累积cumulative %RE）和细密度（累积cumulative %CV）的较量图 �；毓槟Ｗ拥南嘁诵钥墒褂么丝墒踊夹喂ぞ呃磁卸希涸诳山邮艿墓婺Ｄ诎烁啾曜夹Ｗ嫉�，并且累积 %RE 和累积 %CV 较低模子，就是应该选择的模子 。若是两种模子的效能很是相似，则可通过是否具有加权4PL来做选择 ，由于一样平常遵照 Occam’s razor 原则， 即以最少的假设，发明数据和模子之间的关系 。
图1. 选择曲线拟合模子以提高曲线性能的要领 。现实事情流程形貌了选择权重函数和曲线拟合模子的每个办法和整个历程 。
本文提出了一种结构化的要领，通过选择准确的曲线拟合模子和权重函数，以扩展 LBA剖析要领的定量规模（图1） 。该要领完全从数学的角度出发，确定一条校准曲线是否需要加权重以及哪种加权方法最合理 。若是网络到的数据中泛起出的异质性，则在准确度和细密度行为方面，对4PL和5PL两个模子（以及确定的权重函数）举行较量；若是未视察到异方差性，则对不含权重量4PL和5PL模子举行较量 。以下将此原则应用于3个典范 LBA剖析案例 。在这3个生物药的药代动力学（PK）研究案例中，总共开发了3个剖析要领，并视察到3种差别形状的校准曲线 。其中，两个剖析要领（案例A和B）使用了电化学发光（ECL）平台，而另一个剖析要领（案例C）使用了比色ELISA平台 。
为了在要领开发历程中对浓度-测试信号的关系举行详细研究，表1中形貌了定量剖析生物药A、B和C浓度的3条校准曲线 。在预期的定量规模内（对数标准上），校准点大致匀称漫衍 。
表1. 3条PK校准曲线的特征总结
用于评估各自PK剖析运行的校准曲线数据如图2所示 。在所有3个案例研究中都视察到了典范的非线性的浓度-响应曲线 。
图2. 3个案例研究中的校准曲线：案例 A（a），案例 B（b） 和案例 C（c） 。该图展示了3条标准曲线的形状，代表了在LBA测试中通常视察到的典范非线性响应 。X轴代表校准点浓度的对数，Y轴代表响应读数：案例A和B是相对光单位（RLU），案例C是450 nM 光学密度（OD 450） 。
图3. 案例A（a）、案例B（b）和案例C（c）的异方差性概况 。X轴代表校准点浓度的对数，Y轴代表实验运行中测试信号的SD 。
下面评估了表1中3条校准曲线上测试信号的标准误差（SD），该SD是异方差性的直接指标 。这3条校准曲线上测试信号的SD（变异性variability）不是恒定的，而是随着校准点的浓度而改转变的（图3） 。
关于案例A，当药物浓度凌驾 20 ng/mL时，其变异性急剧增添 。在案例B中，SD大幅增添，直到48.3 ng/mL的浓度，并在 48.3和 250 ng/mL 之间泛起下降趋势 。关于案例C ，SD 增添，一直到23.5 ng/mL的浓度，之后稍微降，直至79.3 ng/mL 。总体而言，浓度较高校准点的SD大于浓度较低校准点 。校准曲线之间的非恒定 SD 模式代体现异方差性，在较高浓度下的高变异性批注需要使用加权拟合 。图1所示的决议树指明晰怎样确定适当的权重因子和可以接受的拟合模子 。
为了确定权重因子，首先需要从下面的线性回归中得出斜率（k值）：对数变换的测试信号SD vs 对数变的换测试信号平均值（图4）；然后，应用 1/Y2k 方程式来盘算最终的权重函数 。关于案例 A，B 和 C，线性回归的斜率划分为 1.06、1.00 和 0.657 。关于案例 A 和 B，由于斜率靠近1.0，因此在4PL和5PL模子中使用了权重函数1/Y2 。关于 C 例，权重函数为 1/Y，由于斜率靠近 0.5 。在Waston LIMS中，只有 1/Y or 1/Y2这两种权重函数可用 。
图4. 案例 A（a）、案例 B （b） 和案例 C （c）中k值简直定 。案例 A、B 和 C 的斜率（k值）划分为 1.06、1.00 和 0.657 。案例A、B和C的R2（确定系数coefficient of determination）划分为0.998、0.984和0.934 。
为确定可以接受的曲线拟合模子，考察了如下参数：4PL和 5PL模子；权重函数：1/Y2（案例A），1/Y2（案例B）和 1/Y（案例C）；较量参数：回算浓度的累积 %RE（图5）和累积 %CV（图6） 。应中选择在可接受的规模内，具有较低的%CV和%RE校准点数目较多的回归模子 。若是两者都是相当的，则应选取加权4PL作为最终的曲线拟合模子 。在 Watson LIMS 中天生每次运行的回算浓度 。所有情形的回算浓度的累积 %RE和 %CV盘算（在曲线拟合模子确定章节的 B 部分） 。图5和图6给出了加权4PL模子与加权5PL模子的累积 %RE和累积 %CV的较量 。
如图5所示，关于具有响应权重函数的4PL和5PL模子，所有校准点的 %RE划分：案例A， 低于4%和3%；案例 B，低于18%和16%；案例 C，低于7 和 6% 。在所有案例研究中，加权4PL和加权5PL模子的准确度是相当的，关于案例 A、B 和 C，所有校准点都在可以接受的规模内 。凭证准确度行为图推断的定量规模（ROQ）划分为：0.317-178 ng/mL（案例A），0.602-250 ng/mL（案例B），和1.37-79.3 ng/mL（案例C） 。
图5. 准确度行为图 。对案例A（a）、案例B（b）和案例C（c）中校准曲线的加权（1/Y或者1/Y2）拟合模子举行了较量 。较量模子：4PL vs 5PL；较量参数：回算浓度的累积相对误差（%RE） 。两条虚线之间的区域是可接受规模（± 20%） 。（○）代表4PL加权拟合，（□）代表5PL加权拟合 。
图6显示，关于加权4PL和加权5PL曲线拟合模子，所有校准点的累计%CV：案例A，低于3.0和2.9%；案例B，低于39.7%和26.3%；案例C，低于6.6%和10.8% 。案例A和C对两个拟合模子加权拟合后，所有校准点的 %CV变得相当了 。对案例A和C，所有校准点的加权4PL和加权5PL的细密度也是相似的 。凭证细密度行为图推断的ROQ划分为0.317-178 ng/mL（案例A）和1.37-79.3 ng/mL（案例C） 。使用加权4PL模子，与加权5PL模子相比，案例B可以接受的校准点数目从9增添到11，加权4PL模子的估算的ROQ 为 0.602-145 ng/mL，而加权5PL模子的检测规模较窄：0.602 - 48.3 ng/mL 。凭证接受标准，关于案例 A、B 和 C ，最终可以接受的曲线拟合模子都是4PL，权重函数划分为 1/Y2，1/Y2和1/Y 。
图6. 细密度行为图：案例A（a），案例B（b）和案例C（c）较量模子：加权4PL vs 加权5PL；较量参数：回算浓度的 %CV 。虚线和X轴之间的区域是可接受规模（± 20%） 。（○）代表 4PL 加权拟合，（□）代表 5PL 加权拟合 。
图7演示了对案例 A 应用上述计划后，校准曲线性能是怎样刷新的（此处不显示案例B和C的图表） 。使用非加权4PL回归模子回算浓度绘制的准确度行为图（累积 %RE，图7a）批注，与加权相比此模子体现出更窄的动态规模，0.563-178 ng/mL；加权4PL模子：0.317-178 ng/mL 。非加权 5PL回归模子显示更好的准确度：所有校准点低于20% 。可是，在应用1/Y2的权重函数（在“异方差度评估”章节确定）后， 所有校准点的累积 %RE获得改善，都在±3%以内（图7a） 。
细密度行为图（累积 %CV，图7b）显示，非加权4PL和5PL回归模子的ROQ显著狭窄：1.00-178 ng/mL；而在使用了1/Y2 的权重函数后，ROQ变为0.317-178 ng/mL 。该校准曲线低端的效能的显著改善显示了加权拟合的实力，因其降低了高变异性的测试信号对曲线拟合的影响 。案例A批注，使用适当的权重函数可以提高细密度和准确度（均低于4%）以及扩展定量规模（0.317-178 ng/mL） 。
图7. 案例A标准曲线加权之前和之后，4PL和5PL模子的准确度和细密度行为图 。累积 %RE（图 7a）和累计 %CV（图7b）在模子之间的较量：4PL vs. 5PL（无权重）；以及4PL vs. 5PL（权重因子：1/Y2） 。
表2显示，使用适当的权重函数可以扩展ROQ 。对案例B，应用权重函数到4PL回归模子后，ROQ获得显著扩展；从未加权的1.04-48.3 ng/mL到 加权的0.602-145 ng/mL；加权5PL模子的ROQ，则从未加权1.04-145 ng/mL变为加权的0.602-48.3 ng/mL 。对案例C，4PL模子的ROQ略有扩展：从未加权的2.06-79.3 ng/mL，到加权的1.37-79.3 ng/mL 。关于5PL模子，使用权重函数后ROQ没有增添 。
本文为确定LBA定量剖析要领中校准曲线的回归模子及权重函数的选择，提供了一个决议树和响应的要领，目的是为了为镌汰异方差性（heteroscedasticity）的影响 。本文的建议获得3个案例研究的支持 。
由于LBA中平衡团结（equilibrium binding）的特征，实践中经常视察到测试响应的非恒定方差，称为异方差性（heteroscedasticity） 。本文发明线性回归斜率要领（linear regression slope approach）是解决异方差性最现实的要领 。
在要领开发历程中，可以绘制校准曲线的测试信号的标准方差（standard deviation，SD）与校准点浓度的对数的相关图 。一条校准曲线的非恒定SD趋势批注保存异方差性，这意味着需要使用权重函数 。所有的3个案例研究（A，B 和 C）都显示，测试信号在较高药物浓度下，具有更高的变异性，需要加权拟合校准曲线 。一样平常而言，任何一个LBA定量剖析要领，都会受益于使用权重函数 。
需要注重的是，一旦确定需要权重因子，怎样确定准确的权重因子则成为重中之重 。本文推荐的要领是：首先，从测试信号（Y）的标准方差（对数变换后）与测试信号平均值（对数变换后）的线性回归关系中，确定其斜率，又称k值；然后，将斜率（k） 代入以下方程 1/Y2k 中，以确定权重因子（1/Y 或 1/Y2） 。
在案例研究 A、B、C 中，线性回归的斜率划分为 1.06，1.00 和 0.657; 因此，权重因子划分预计为2，2和1 。在案例A和B中，权重因子为2; 因此，在校准曲线回归模子（4PL或5PL）中，使用了权重函数1/Y2 。关于案例C，权重系数为 1; 因此，权重函数为 1/Y 。
为了确定可接受的曲线拟合模子，应评估拟合曲线的4PL与5PL模子（不加权和加权）回算浓度的累积 %RE和累积 %CV 。应中选择，在可接受的规模内，具有较低的%CV和%RE，校准点数目较多的回归模子 。若是两者都是相当的，则选择加权4PL模子作为最终曲线拟合模子，举行要领验证和样天职析 。凭证 FDA 指南，应中选择假设最少的模子，即选择最简朴的模子 。凭证细密度和准确度数据，在所有3个案例中，4PL都是基于这些标准的最佳回归模子 。
为了验证所选择回归模子和权重函数，可以做其他评估 。例如，在使用权重函数之前和之后，可以较量4PL和5PL模子的准确度和细密度行为 。本文给出了4PL与5PL（无加权和 1/Y2加权）的累积 %CV 和累积 %RE 的较量，累积 %RE的可接受规模为± 20%，累积 %CV 的可接受规模为≤20% 。
案例A批注，使用适当的权重函数可以提高细密度和准确性（均低于10%）和扩展定量规模（0.317-178 ng/mL） 。在案例B和C中，校准曲线拟合也有改善 。案例B在4PL回归模子上加权后，ROQ获得显著扩展：未加权时为1.04-48.3 ng/mL；加权后为 0.602-145 ng/mL；5PL模子，未加权1.04-145 ng/mL，加权后0.602-48.3 ng/mL 。案例C4PL模子在加权后ROQ 略有扩展：未加权2.06-79.3 ng/mL；加权为1.37-79.3 ng/mL 。
在定量 LBA 要领开发历程中，本文先容了一个简朴、易于使用的决议树，以确定校准曲线的最佳回归模子和权重 。所推荐的要领将选择一个加权的曲线拟合模子 。
1. 在要领开发历程中，至少需要使用3个自力的测试运行对模子选择举行起源评估; 可是，一样平常建议增添运行的数目，以便在研究前验证时，验证曲线拟合模子 。由于对响应-误差关系的预计保存局限性，因此不建议使用较小的数据荟萃；
2. 评估异方差性；
3. 若是保存异方差性，就通过斜率要领确k值（即斜率），然后盘算权重因子（权重函数=1/Y2k）；
4. 使用准确度（%RE）和细密度（%CV）行为来选择和验证更好的加权回归模子；
5. 建议使用自力制备的质量控制样品（QC）来验证剖析要领的定量规模 。
本文若有疏漏和误读相关指南和数据的地方，请读者谈论和指正 。所有引用的原始信息和资料均来自已经揭晓学术期刊, 官方网络报道, 等果真渠道, 不涉及任何保密信息 。参考文献的选择思量到多样化但也不可能完整 �＝哟琳咛峁┯屑壑档奈南准捌淦拦� 。
粤公网安备 44011202001884号
粤公网安备 44011202001884号
