链接: https://pan.baidu.com/s/16mvrQSyt-bwkUD2wJSLILg
常见问题
Q1：标准曲线计算到底在算什么？
A：本质是回归拟合。你有一组标准品数据：
- x：浓度/含量（已知）
- y：仪器响应/吸光度/Ct/峰面积（测得）
拟合出函数 $ y=f(x) $（或反过来），然后用未知样本的 y 反推 x。
Q2：线性标准曲线怎么写？R²越大越好吗？
A：最常见线性模型：
- y=ax+b
评价常看 R²、残差分布、线性范围、重复性。
R²高不等于正确：若高浓度点“压住”回归、低浓度误差很大，定量仍可能偏。更推荐同时看： - 残差是否随机（有无系统性弯曲）
- 是否需要加权回归（如 1/x 或 1/x²）
- 回算浓度的相对误差是否在可接受范围
Q3：什么时候用 4PL/5PL（ELISA常见）？
A：当响应-浓度呈S型（尤其免疫学/ELISA）时，线性不合适。
- 4PL：对称S型
- 5PL：允许不对称，更贴合部分试剂盒曲线
通常软件可直接选择模型并输出回算结果与拟合优度。
Q4：标准曲线点数、重复、范围怎么设？
A：常见建议（按经验值，具体按规范/试剂盒/领域标准）：
- 点数：5–8个浓度梯度更稳
- 重复：每点 2–3次
- 范围：覆盖样本预期浓度并留裕度（别让样本落在外推区）
Q5：样本落在线性范围外怎么办？
A：优先：
- 稀释/浓缩后重测（最可靠）
- 不建议“硬外推”，除非方法学验证明确允许且误差可控
软件/工具
1) GraphPad Prism（生物/医学常用）
- 用途：标准曲线拟合（线性、非线性、4PL/5PL）、ELISA定量、图表输出
- 使用方式：导入标准品与样本数据 → 选择模型（线性/4PL/5PL等）→ 自动回算未知浓度与报告
- 面向群体：生物实验室、医学生物统计、药理/免疫学
- 适用场景：ELISA、酶活曲线、细胞实验定量、方法学图形化展示
- 教程/官网： https://www.graphpad.com/guides/prism/
2) Microsoft Excel / WPS 表格（通用型）
- 用途：线性回归、加权回归（需手动）、简单标准曲线与回算
- 使用方式：散点图→添加趋势线（线性）或用 LINEST/回归工具→用公式反算浓度
- 面向群体：所有需要快速出结果的人（入门/应急）
- 适用场景：简单线性标准曲线、初筛数据、教学演示
- Excel函数参考： LINEST 函数 - Microsoft 支持
3) R（统计更强，适合可重复科研）
- 用途：线性/非线性拟合、加权回归、批量回算、可复现脚本化分析
- 使用方式：lm/nls 等建模 → 生成预测与置信区间 → 输出报告（RMarkdown/Quarto）
- 面向群体：需要批处理、严谨统计、可复现实验流程的科研人员
- 适用场景：qPCR标准曲线评估、方法学验证、批量样本定量、审计追溯
- 官网： https://www.r-project.org/
- R入门： CRAN: Manuals
4) Python（自动化与管线整合）
- 用途：拟合模型、批量处理、多板数据解析、与LIMS/仪器数据联动
- 使用方式：pandas读表→scipy/statsmodels拟合→生成回算结果与图表
- 面向群体：数据量大、需要自动化的实验室/生信/计算团队
- 适用场景：高通量检测、自动出报告、跨项目复用脚本
- SciPy： https://scipy.org/
- statsmodels： https://www.statsmodels.org/
论坛式小抄：标准曲线计算输出建议
- 拟合模型：线性 / 4PL / 5PL / 加权方式
- 线性范围：最低点-最高点（注明剔除点与原因）
- 拟合指标：R²（线性）、残差/拟合优度（非线性常用）
- 回算误差：标准点回算浓度的偏差（%）
- 样本处理：稀释倍数、外推说明、异常点处理规则