标准曲线 R² 很高 为什么浓度仍可能测不准

做完一组标准品，软件给出 R²＝0.9996，曲线看起来也很直。可换成低浓度样品，结果仍然偏差明显。

问题在于，R²反映的是整组数据的拟合情况，不能单独证明每个浓度点都测得准确。判断一条标准曲线能否用于定量，还需要检查各点偏差、独立质控，以及样品是否落在经过验证的范围内。

本文讨论使用标准曲线进行浓度换算的实验，例如比色法蛋白定量和部分荧光定量。具体模型、浓度范围和验收标准，应以所用方法及实验目的为依据。

1 R²接近1 低浓度点也可能偏得不少

对于含截距的普通最小二乘回归，R²衡量模型解释了多少响应值的总体变异。浓度跨度较大时，低浓度区的一处偏差，在全范围曲线中可能并不显眼。

用一组教学数据说明：

标准浓度依次为0、1、2、5、10 μg/mL，对应响应值为0、0.12、0.20、0.50、1.00。这里的响应值仅用于演示计算，没有指定实际检测方法。

采用含截距、未加权的一元线性拟合，可得到：

响应值＝0.09920245×浓度＋0.00687117

R²约为0.9996。

将1 μg/mL标准品的响应值0.12代回方程，回算浓度约为1.140 μg/mL，相对标称浓度高出约14.0%。

这组数据为人为构造的教学示例，不是产品实测结果。它说明：总体拟合指标很好，与某个低浓度点偏差明显，可以同时发生。14.0%是否可以接受，应由方法的预设标准决定。

图1｜标准曲线及低浓度局部放大。教学数据为x=[0,1,2,5,10] μg/mL、y=[0,0.12,0.20,0.50,1.00]。含截距、未加权普通最小二乘拟合得到R²=0.999566，1 μg/mL标准点回算浓度为1.14038 μg/mL，相对偏差+14.04%。右图橙色实心点为标准点，空心点为响应0.12与拟合直线的交点。数据非实测，是否合格应依据方法预设标准。

2 看完曲线 再看残差和回算偏差

残差是某个标准点的实测响应值减去模型预测响应值。把残差按浓度画出来，通常比只看拟合直线更容易发现问题。

需要留意以下现象：

• 残差随浓度呈弯曲趋势：当前模型可能未充分描述响应关系。
• 高浓度处的残差分散程度更大：不同浓度的测量变异可能不同。
• 某个点明显偏离：需要核查配液、加样、反应和读数记录。
• 残差随测量顺序变化：可以进一步检查反应时间或测量条件是否漂移。

这些现象是排查线索，不能直接确定故障原因。残差没有明显规律，也不等于准确度已经得到证明。

回算则更接近实际使用标准曲线的过程：把标准品的响应值当成未知值，代入曲线计算浓度，再与标称值比较。

对于非零标准品：

回算相对偏差＝（回算浓度－标称浓度）÷标称浓度×100%。

零浓度点不能用这个公式计算相对偏差，应检查其响应、波动及方法规定的空白要求。不同浓度的偏差也不宜只合并成一个平均数，以免正负偏差相互抵消。

图2｜同组教学数据的响应残差与回算相对偏差。横轴均保持真实浓度间距。非零标准点回算偏差依次为+14.04%、−2.66%、−0.58%、+0.11%；零浓度点不计算相对偏差。数据非实测。

3 回算通过后 还要检查独立样品

标准点本身参与了拟合，因此回算主要检查模型对这组数据的描述能力。要判断曲线用于其他样品时是否可靠，还需要不参与拟合的检查样品。

一种实用安排是，在低、中、高浓度区设置质控样品，按与待测样品相同的流程处理，并依据预设标准评价结果。

条件允许时，质控样品应使用独立配制的溶液；若要检查标准储备液的赋值或配制问题，还需要考虑另行配制的储备液或其他适当的参考材料。

例如，假设所有标准品的实际浓度都比标签高10%，它们仍可能形成一条非常整齐的直线。用同一储备液配出的检查样品，也可能无法发现这一共同误差。

同时，要区分两种重复：

• 对同一份配好的溶液重复读数，主要观察读数环节的重复性。
• 从配液、稀释或反应步骤开始独立重复，才能纳入这些步骤带来的变异。

报告中写清重复从哪一步开始，比只写“重复三次”更有用。

图3｜储备液共同误差为什么可能不被高R²或同源质控发现。本图另设理想化情景，非图1、图2数据：假定响应值=0.10×实际浓度，所有标准品实际浓度均比标签高10%，则按标签拟合得到y=0.11x且R²=1。同一偏差储备液配制的检查样品回算偏差为0；独立、准确赋值的1、5、9 μg/mL质控样品回算浓度为标称值的1/1.1，相对偏差均为−9.09%。示意忽略随机误差，用于解释独立来源质控的意义，不代表实际方法性能。

4 不要为了提高R²随意改曲线

发现偏差后，先查实验和数据处理记录，再决定是否调整模型。

不要仅为让曲线更直而强制过零。扣除空白后，仍应检查剩余截距是否与方法一致。是否固定截距，需要实验依据，不能只看图形是否整齐。

不要把删除标准点当成常规优化。如果确有可追溯的配液或操作错误，应记录原因，并按预先规定的规则处理。仅因为某点降低了R²就删除它，会让结果显得更好，却未必更可信。

不要只凭R²选择更复杂的模型。增加多项式阶数可能改善已有点的拟合，但也可能使点间预测不稳定。模型选择还应结合响应机理、残差和独立检查结果。

加权拟合也需要依据。当不同浓度的测量变异不一致时，可以评估加权方法；权重应由误差特征及验证结果支持，不能随意尝试到结果“过关”为止。

5 样品落在曲线范围内还要满足哪些条件

待测样品的响应值落在最低与最高标准点之间，是重要的检查，却不是充分条件。

首先，这一区间应具有满足用途的准确度和精密度。最低标准品能被检测到，不代表该浓度已经能被可靠定量。

其次，样品与标准品的处理条件应具有可比性。例如，反应时间、温度、加样比例及样品基质不同，都可能影响响应。曲线在标准溶液中表现良好，不能自动排除真实样品中的干扰。

超出经过验证的范围时，不宜直接沿曲线外推并报告为可靠浓度。可以根据方法要求调整稀释倍数或使用其他适用范围，再重新测量。低于可靠定量下限的样品，进一步稀释通常无法解决问题。

稀释后的结果需要换算回原样品浓度，同时确认软件是否已计入稀释倍数，避免重复相乘。稀释操作本身也应经过适当验证。

6 一条曲线使用前至少回答六个问题

1. 标准品的身份、浓度、单位和稀释记录是否清楚？

2. 模型、截距处理和权重是否有依据？

3. 残差及各浓度点的回算偏差是否满足预设要求？

4. 不参与拟合的检查样品是否得到可接受结果？

5. 待测样品是否处于已验证的范围，且没有未经评估的基质差异？

6. 原始数据、异常处理和最终换算过程是否完整保留？

不同实验对误差的容忍度不同，不宜给所有方法套用同一个R²阈值。验收要求应在实验前明确，并与实际用途相匹配。

一条可靠的标准曲线，需要让人看清适用范围内的偏差、重复性和检查结果。R²可以保留在报告中，但决定浓度能否使用的证据，应比一个拟合数字更完整。