ENGLISH|企业邮箱|OA系统|Oracle Clinical
在竞争日益强烈的制药行业 ，凭证规则、指南等古板模式举行生物剖析 ，已经无法顺应一直增添的资源、时间、生产效率和加速决议的需求。通过一个分级验证适合其用途的PK LBA要领的方法 ，可以在生物药开发的早期阶段做出科学合理的决议 ，从而提高新药开发的效率。
本文将着重先容并形貌PK LBA要领中校准曲线的设计、天生、编辑以及拟合模子和权重选择的相关思索和建议。由于篇幅有限 ，本文将接纳上下篇的形式来睁开叙述 ，敬请垂注！
1.导论
校准曲线（Calibration curve）代表了检测到的响应变量与标准参照（比）物（reference standard）浓度之间的关系 ，这个关系假定了该标准参照物能够代表真实测试样本中的目的剖析物（analyte of interest）或待测物。
校准曲线用于通过插值盘算定量地测定样本中未知浓度的待测物。校准曲线的爆发 ，是通过将待测物加入被判断为能真实地代表样本的基质中而形成校准品 ，随后遵照未知样本和质量控制样品（QC）的仪器读出值 ，然后凭证校准（或标准）曲线举行内插从而盘算未知样本的浓度。
为了优化拟合非线性校准曲线 ，应当思量三个因素：
（1）拟合平均浓度与响应的关系；
(2)对非线性剂量-响应曲线中的已知差别率（heteroscedasticity/non-constant response-error relationship ，非恒定的响应-误差关系）使用适当的权重；
(3)使用适当的曲线拟合算法来估算拟合的参数。
对样本定量的准确度取决于该剖析要领的校准曲线的稳健性和可重复性 ，该剖析要领反过来又取决于参照（比）物（reference material）和其他测试组分（assay component）的性能。应该在要领开发阶段中彻底评估配体团结式测试（LBA）要领的组成因素（即试剂）的性能特征 ，这些包括但不限于固体或牢靠的外貌（如96孔板）和捕获/检测抗体。同时 ，应当制订适当的妄想 ，以监控批次间相关试剂的一致性。
别的 ，相关规则指导文件和该领域专家揭晓的指导性文件中界说了设计校准曲线的一样平常要求、校准样品的验收标准以及怎样选择适当的回归模子。遵守这些已宣布的准则和要求可提高校准曲线的可重复性（跨运行和跨研究）。
总之 ，每个生物剖析实验室都有责任在其标准操作程序（SOPs）中界说LBA校准曲线的设计、爆发、验收和编辑标准。本文旨在为爆发校准曲线以及处置惩罚校准品数据点提供建媾和最佳做法。虽然本文的内容也可能适用于某些生物标记物的检测要领 ，但其重点仍然是用于定量药代动力学(PK)的LBAs的校准曲线。其他所有的测试类型或名堂都暂不讨论。
LBAs和色谱剖析要领的校准曲线之间保存着要害区别。在LBAs中 ，仪器响应可能与待测物的浓度呈正比关系（directly） ，也可能与待测物浓度呈反比关系（inversely） ，这取决于该剖析要领是非竞争性照旧竞争式的。无论接纳何种名堂 ，可以使用半对数坐标系（semi-log scale）将曲线转换成响应与待测物浓度之间的S型关系。这与色谱剖析要领差别 ，在色谱剖析中 ，仪器响应通常是浓度的线性函数 ，两者在大大都校准曲线规模内是呈成正比例关系的。关于色谱法来说 ，线性关系的损失批注该要领已经抵达了它的检测极限。
LBAs要领依赖于待测物与团结试剂（如抗体或受体部分）的相互作用 ，而这与古板的色谱剖析差别 ，在古板的色谱剖析中 ，待测物的检测不依赖于其与某个大分子的团结（binding）。卵白质-卵白质相互作用的动态平衡性子导致了LBAs的非线性响应。别的 ，由于LBAs的效能在很洪流平上取决于其所使用的生物试剂的性能 ，因此其检测效果往往体现出较大的变异性（variance）。
非线性的LBA校准曲线限制了曲线上端和下端的浓度-响应的相关性 ，使得曲线处于平台状态 ，因此形成S型曲线。在典范的sigmoidal校准曲线中 ，下部平台（渐近线asymptote）及其周围代表了配景响应 ，上部平台代表靠近最大响应。通常以为4PL模子是拟合此形状校准曲线的首选。另外 ，在校准曲线的渐近线(上、下平台部分)上举行定量将导致爆发较差的细密度和准确度。这些特征最终缩小了LBA要领的有用定量规模 ，使得选择合适的非线性数据拟合算法变得越发主要。
有多种商业软件可用来执行LBAs的非线性回归。大大都剖析仪器制造商均有提供与装备兼容的非线性回归软件。实验室可选择装置自力软件或使用着实验室信息治理系统(LIMS)来举行回归拟合 ，详细取决于哪种软件更能知足其需要和要求。
用于拟合LBA校准曲线的软件应该具有使用4个和5个参数logistic模子（Four and five parameter logistic regression ，4和5 PL）举行回归剖析的能力 ，并且能够：
目今 ，一些生物剖析指南或规则文件的生物剖析部分已经对校准标准曲线的最低要求举行了确定。这些指导性文件对LBA曲线的需求和性能预期通常是相互一致的。表1总结了来自美国食物和药物治理局(FDA)、欧洲药品治理局(EMA)、日本卫生、劳动和福利部(MHLW)和巴西卫生羁系机构(ANVISA)对校准曲线的要求。FDA和EMA指南是绝大大都生物剖析实验室遵从的主要指南。各个制药厂商应凭证各自妄想所提交的新药审核羁系机构来决议自身需要遵从的指南规则。
校准标准品（Calibrator standards）是通过将已知浓度的参照（比）药物加入到与研究样本基质相同或一致的 ，经由认证的基质（matrix）中而爆发的。这些校准标准品的浓度——响应关系则确定了该测试要领的校准曲线。在涉及多种药物团结使用的研究中 ，研究样本中的每个待测物都需要一条校准曲线。校准标准品的制备必需自力于质量控制样品（QCs） ，以阻止潜在的药物加入造成误差的扩散或放大。
这意味着校准标准品和QCs可能不可使用相同中心库存的药物参照（比）品来制备 ，但可以通过一连稀释药物参照（比）品的初级或中级库存来制备校准标准品。制备校准标准品不需要在每个浓度水平上单独外加药物参照（比）品来制备 ，只管这种做法意味着需在更高一级的水平上对校准曲线的质量控制 ，并可以监测外加药物参照（比）品的准确度。无论药物参照（比）品的中心库存组成怎样 ，校准标准品应包括至少95%的研究样本基质。
使用LBAs要领的期望是在可能的情形下 ，尽一切起劲在生物基质中制备校准标准品 ，该生物基质在物种、组成成份和基质预处置惩罚等方面必需与研究样本的基质相匹配。例如 ，若研究样本是未经由滤的血清 ，那么制备校准标准品的基质也必需是来自相同物种的未经由滤的血清。需要注重的是 ，研究人群通常是伴有相关的疾病 ，而校准品基质（calibrator matrix）则是来自于康健的受试者。若是没有其他看待测物做定量剖析的要领 ，那么用替换基质来制备校准品也是合理的 ，例如当研究使用的基质稀缺或很难获得时,当研究药物有内源性同源物时,在对生物标记物举行检测时等。
当使用替换基质来制备校准品时 ，该生物剖析要领应该使用研究样本基质制备的QCs和研究基质选择性样本（study matrix selectivity sample）举行验证 ，并与替换基质中制备的校准曲线举行较量和评估。除此之外 ，还建议剖析者举行其他试验 ，以证实替换基质与研究基质的稀释曲线两者之间的可比性。一种普遍接受的要领是测试上下渐近线、增添率（growth rate）以及5PL曲线中差池称因子的等同性。目今业界内已提出怎样测试平行性（parallelism）的要领 ，平行性测试是一个评估LBA要领相瞄准确性的基本实验。通太过析稀释对基质中内源性待测物定量的影响 ，可以在单个实验中评估该测试要领的选择性、基质效应、所需的最小稀释率、康健和患病人群的内源性待测物的水平以及LLOQ。
这些等效性测试的接受标准尚未确定 ，但已在业界普遍讨论。图1提供了在人血浆中制备的校准曲线的示例 ，同时也提供了在缓冲液（替换基质）中制备的校准曲线。它们是两条平行的曲线。
校准样品可用100%或以最低稀释度(minimum required dilution ，MRD)稀释后的基质配制。使用MRD稀释基质的要领的例子包括但不限于有数基质或在自动化平台上执行的要领 ，在这些平台上使用100%基质可能会由于有限的可及性（limited availability）或由于基质的粘度而成为问题。在要领开发历程中 ，应凭证测试要领性能来决议校准样品是用100%的基质照旧用MRD稀释的基质制备 ，应凭证详细的现真相形举行适当的评估 ，以确保校准样品和QC的接纳率在理论值的预期规模内（例如 ，±20%）。当在100%基质中制备时 ，校准样品需要以用于QCs和研究样内情同的MRD来稀释。未知样品回算的浓度应报告为100%基质中的浓度。
在生物剖析应用中 ，选择认证后的混淆基质（qualified matrix pool ，QMP）的历程至关主要。建议认证和贮存足够的混淆基质 ，确保足以用来完成要领开发、验证和至少第一次研究中样天职析�；菇ㄒ榻玅MP贮保存与QCs和研究样内情同的条件下。例如 ，若是样本的贮存温度小于或即是-65℃ ，则QMP也应贮保存该温度规模内。
在要领开发历程中 ，可以筛查、选择和合并单个基质样本或单个混淆基质来天生QMP ，商业泉源的混淆基质也可能适用。QMP筛查应包括评估对未外加和外加了待测物的基质样品的检测信号。例如 ，出于筛查的目的 ，可以在单个基质样本加入相当于LLOQ水平的待测物。具有高配景或加标接纳率缺乏格的基质样品应扫除在QMP之外�；恃返难槭毡曜嫉囊桓鍪道梢允牵菏褂肣MP制备的校准曲线 ，至少有80%的所有单个基质样品的加标接纳率在理论浓度的80%至120%之间。QMP应该能代表研究人群 ，通过混淆知足接受标准的个体基质样原来制备。
LBA校准样品可以是新鲜制备的或者冷冻的。不少实验室在所有阶段习惯使用新制备的校准样品 ，包括要领开发、研究前验证和随后的生物剖析。新鲜的校准样品可以从原始或中心参考标准的库存（original or intermediate reference standard stock）中调取。若是使用中心参考标准 ，必需在宣布验证报告之前确定其稳固性。在研究前的要领验证中 ，使用新制备的校准样品来评估冷冻的QCs ，可以起源建设QCs的稳固性。
一旦起源确立了QC的稳固性 ，实验室就可以使用这些信息来制备和储/冻存单个校准样品。若是将LLOQ和ULOQ样品包括在稳固性测试中 ，且稳固性测试窗口笼罩了校准样品的存储期 ，则此要领就是可以接受的。预先认证和冻存校准样品的目的是镌汰测试运行之间的变异性和提高操作效率。冻存的校准样品应分装在足够一次性使用的容器中 ，并应阻止校准样品的重复融冻。
羁系机构为校准曲线的设计提供了指南。以下是指南准则的简短总结:
ULOQ和LLOQ划分代表定量剖析规模的上限和下限 ，必需作为研究前验证的一部分举行验证。为了验证LLOQ和ULOQ校准样品 ，仅仅在这些级别上包括校准样品是不敷的 ，还需要在LLOQ和ULOQ水平上制备验证样品(QCs) ，这些QCs必需包括在研究前验证的准确度和细密度的评估中。ULOQ校准样品必需划分知足相对误差(RE)为±20%和变异系数(CV)为≤20%的接受标准；LLOQ校准样品则必需划分知足FDA指南中划定的±25%的RE和≤25%的CV ，才华被纳入校准曲线。一旦经由验证 ，LLOQ和ULOQ水平校准样品将成为校准曲线的一个组成部分 ，并且必需包括在每次测试运行中。
研究中每个待测物在每次剖析测试运行应当有一条校准曲线 ，校准规模必需适合并切合研究样品中待测物的预期浓度规模。一样平常来说 ，宽大的定量规模有助于一次性地定量剖析含有大规模待测物浓度的大宗样本。狭窄的定量规模则限制了该测试要领的剖析能力 ，导致不须要的重复剖析 ，即需要特殊稀释从而使样本浓度进入校准曲线规模。虽然将待测物浓度为零的校准样品界说为不含待测物的基质样品不是必需的 ，但可能是有益的。
现在的建议是对LBA校准样品举行重复（duplicate）剖析 ，只管转变趋势如高CVs ，可能需要举行三次（triplicate）复测。只有在该要领的量化规模内证实晰原始响应的稳健性和高细密度的情形下 ，才华以为使用单次丈量（单孔singlicate）是合理的。
2012年EMA生物剖析指南中讨论了非线性回归拟适时锚定点的作用 ，并在整个行业中推荐使用锚定点。锚定点被界说为在测试要领的定量规模之上和之下的校准样品 ，但它们不受与校准曲线点相同的性能要求的约束。锚定点的价值和在回归剖析时使用锚定点并不是被普遍接受的 ，可是建议将它们作为要领开发历程的一部分 ，并评估它们对改善整体回归剖析的作用。
使用锚定点是否能改善曲线拟合 ，应基于所提出的数学算法或加权因子 ，并应在个案基础上确定。锚定点可能特殊有助于增强曲线拟合 ，不但在太过宽大或狭窄的校准曲线的情形下 ，并且在使用加权因子的校准模子中也是云云。在某些情形下 ，位于LLOQ以下的锚定点增强了曲线的拟合 ，并有助于LLOQ知足其接受标准。
现在羁系机构尚未就校准样品之间的间距和ULOQ/LLOQ信号比作出明文指导。一样平常推荐使用相等的校准样品的间距 ，如接纳对数刻度（例如 ，on a logarithmic scale of the power of 2） ，这有利于改善测试要领的性能。
校准样品浓度的选择部分是基于以下的现实思量：即在举行多个测试运行时 ，易于制备和无过失地复制校准品浓度。建议剖析者使用系列稀释（serial dilution）的要领 ，并使用一个牢靠的稀释比例（使用与被剖析的现实样内情同的基质稀释校准品）。最终效果是 ，校准品在浓度规模的对数刻度上的距离大致匀称/相等的。在这些条件下 ，Rocke和Jones确定了校准品的最佳稀释比例 ，该比例通常为2：1或3：1。2：1的系列稀释与6个校准品浓度将爆发一系列如1X ，2X ，4X ，8X ，16X ，32X（稀释倍比为2n: n = 0,1,2,3,4,5的曲线）。关于典范的响应递减曲线（D<A） ，Rocke和Jones的研究也显示 ，若是使用最佳间距 ，校准品浓度曲线的中点应略高于预期的IC50浓度（当LBA用于活性测准时）。这意味着在曲线较小方差（variance）的区域有更多的校准点。关于上述2：1的稀释比例 ，应调解X ，以便所预期的IC50 浓度位于8X稀释的校准浓度点周围�？梢蕴砑犹亓硗庑Ｗ佳罚ㄈ羰且寻ㄔ诨毓槟Ｗ拥钠拦乐校├锤玫亟缢敌Ｗ记叩墓盏悖╥nflection point）。
在LLOQ周围加入更细密相邻的校准样品可能有助于在LLOQ失效时 ，将迅速度的损失降到最低。在校准曲线中包括零浓度的校准样品不是羁系机构的要求或标准做法 ，然而 ，若是一个实验室选择将零作为校准曲线拟合的一部分 ，则建议在LLOQ和零校准样品之间留有足够的间距 ，以�；LOQ不会失败。例如 ，2012年的EMA指南划定LLOQ的信号至少是空缺样本信号的5倍。每个实验室应凭证测试要领的效能（performance）为其确定适当的间距。
ULOQ/LLOQ浓度比受测试名堂（format）、平台（platform）和试剂特征的影响。实验室的目的应该是最大限度地提高ULOQ/LLOQ浓度比 ，并可设定其最低目的 ，如10/1。
选择一个合适的非线性回归模子需要经由多次迭代才华获得LBA校准曲线的最佳拟合。现在的羁系指南是建议使用能够获得足够拟合度的最简朴模子来举行拟合 ，建议在评估任何可能的权重之前 ，首先选择回归模子。评估权重能否减轻差别浓度下测试响应不等同的变异性也很主要。
别的 ，还需要思量的一个要害参数是可报告的测试效果的质量 ，对它的思量应该逾越对模子拟合质量的思量 ，并且可以通过准确度举行评估。由于准确度提要（Accuracy profile）有助于种种拟合模子的可视化。必需强调的是 ，现在的研究文献不勉励如下操作：（1）使用线性函数来近似S形曲线；（2）对数据举行对数-对数转换（log-log transformation）来使得固有的非线性关系近似于线性。
校准曲线常用的非线性模子是4PL和5PL ，可以通过许多自动化软件实现拟合。虽然可以使用其他的非线性模子 ，但须审慎且应对4PL和5PL模子不适用的特殊情形加以证实。
4PL模子最常见的参数化形式是：
其中yj是对应浓度xj的响应 ，a为上渐近线 ，d为下渐近线 ，c为曲线拐点处的浓度 ，b为生长因子。该模子的一个特点是拐点周围的对称性 ，而拐点对应于d和a之间距离的一半。这个模子虽然也可应用 ，但它通常爆发的是一个差池称的校准曲线 ，因而需要使用5PL模子拟合。
5PL模子的一样平常参数化形式是：
其中g是差池称因子。当g=1时 ，5PL函数与4PL函数完全等价。图2说明晰4PL和5PL曲线之间的差别。
LBA校准曲线拟合的另一个常见挑战是差别校准样品浓度下响应的不相等变异性（unequal variability） ，即响应的噪声（variance）通常不是恒定的 ，而是随着响应而转变 ，这种征象被称为异方差性（heteroscedasticity） ，可以通过对模子举行加权处置惩罚 ，使其与浓度规模内响应的可变性成比例。若是应对异方差性适当 ，校准曲线拟合的质量则可以提高。应对的基本头脑是在体现出较高变异的响应上镌汰其"权重"�；痪浠八� ，校准曲线与低变异数据更细密地拟合 ，并允许稍微偏离较高变异的数据 ，以这种方法加权可获得更宽泛的定量规模 ，并在该规模内提高准确度和细密度。若是不使用适当的权重 ，将会导致LLOQ和ULOQ周围的插值有更大的误差（bias）和不细密度（imprecision）。适当使用权重可以镌汰重复测试的响应值中的不相等方差（unequal variance）。
大大都软件都具有执行加权回归所需的功效。软件通�；嵫≡癯Ｓ玫娜ㄖ� ，如1/Y和1/Y2 ，并通过评估响应-误差关系（response-error relation）来选择最佳的权重函数。1/Y的权重增强了曲线底部的点 ，1/Y2的权重增强了曲线顶部和底部的点�Ｉ杏衅渌ㄖ匾蜃雍图尤ㄒ煲餐梢允褂� ，并可能能够更好地知足特定测试要领的需求。
虽然曲线的非对称性和异方差性（heteroscedasticity）是曲线拟合的主要思量因素 ，但若是没有适当的预评估 ，将它们包括在模子中可能会导致拟合一个过于重大的模子。在校准曲线中包括反应测试要领自然转变的参数可能会导致回算误差和增添所报告的效果的误差（bias）。
做回归剖析时 ，有许多差别的要领可用于统计评估模子拟合的质量。（包括R2和均方误差（root mean square error）。但这些参数并非适用于所有情形 ，它们的设计目的是将响应的误差最小化 ，而不是将所报告的效果的误差最小化。别的 ，Anscombe’s quartet批注 ，高度差别的数据可以获得相似的拟合质量 ，但并不可包管反向展望的相似。准确度曲线（accuracy profile）是一种基于未来可报告效果的替换性图形要领 ，它将各浓度水平下测试所得的可报告效果与真实值之间相对差别的b-期望容差区间（b-expectation tolerance interval）联系起来。
b-期望容差区间被界说为某个比例(b%)的未来效果预期会下降的区间。该工具可以利便地可视化误差、细密度和定量限（limit of quantitation ，LOQ/定量限 ，在这里准确度凌驾了可接受的规模） ，提供了一种可以用来较量多个模子的简朴要领 ，并利便从中选择精度最高的可报告效果的模子。
图4给出了两条差别的校准曲线及其基于15%相对误差的相关准确度曲线（RE ，界说为实验值和理论值之间的差值与理论值之比）的接受极限（acceptance limit）。15%相对误差的接受极限是指南推荐的。
至少有75%的校准样品 ，包括LLOQ和ULOQ校准样品 ，按回算浓度 ，必需通过接受标准：即该回算浓度在理论浓度的±20%(低定量限为±25%)的规模内 ，而CVs低于20%（在低定量限为<<>25%）(另见表1)。关于每个校准样品 ，应该报告回算浓度的CVs ，而不是仪器响应的CVs。首先 ，应该凭证细密度扫除校准样品。每次扫除后 ，应重新对曲线举行回归剖析和评价。其次 ，应该一次只扫除一个校准样品 ，并且按误差巨细的顺序 ，从拥有最高误差（RE）的校准样品最先。另外 ，只有在需要时才扫除其他校准样品。
屏障（masking）被界说为：在标准曲线回归时不使用某个校准点 ，而该校准点的数值仍保存于系统中。在讨论曲线编辑时 ，屏障和扫除（exclusion）这两个术语可以交流使用。每个A校准点通常是在微孔板的两个孔（复孔）中举行重复（duplicate）测试。若是曲线拟合是基于复孔测试的平均值 ，则只有当两个孔的测试效果都知足接受标准时 ，才华接受该校准点。在这种情形下 ，不建议扫除一个孔的数值 ，而只使用另一个孔的效果。在某些试平台 ，如Singulex ，每个校准点可能测试三次 ，在这种情形下 ，三个孔中至少有两个必需通过 ，才华接受该校准点。
若是LLOQ和ULOQ校准点的所有重复测试都失败 ，那么该验证运行就失败了 ，应该视察失败的可能缘故原由（EMA 2012）。编辑校准曲线只能在可以确定失败缘故原由的情形下举行 ，例如：纪录在案的外加药物误差 ，或移液器误差 ，或使用了先验的统计标准。校准曲线的编辑必需自力于QC的评估 ， 这意味着 ，不可扫除校准点以利便QC的通过 ，除非不切合与校准样品相关的接受标准。每个实验室必需在其标准操作程序中界说怎样屏障和编辑校准点。
屏障和扫除校准样品的一样平常准则如下:
一旦测试运行通过 ，每个样本都可以凭证校准曲线举行评估。若是一个未知样本效果的CV%可接受 ，并且平均浓度落在该要领的定量规模内 ，则该效果可以被报告。若是样本的平均浓度凌驾了定量规模 ，则应在适当的稀释后重新测试该样本 ，以获得在定量规模内的效果。若是一个测试效果在定量规模内 ，而另一个复测效果低于LLOQ或高于ULOQ ，则应该报告平均值 ，条件是平均值在经由验证的定量规模内 ，且CV%是可接受的。样本浓度效果应报告为100%的基质 ，在思量了测试要领的MRD和任何其它稀释的倍数之后。
正如在前一节中提到的 ，若是LLOQ校准点失败且必需被屏障 ，定量规模就截断到下一个最低的校准点。在这种情形下 ，LQC仍必需由可接受的校准样品包括在内（bracketed） ，不然检测失败。若是是ULOQ失败 ，曲线的上端向下移动到下一个可接受的校准点 ，且必需包括在可接受的校准样品内 ，不然检测也同样失败。若是样本的测定值低于LLOQ或高于ULOQ ，则必需调解样本的稀释倍数 ，再重新剖析该样品 ，使其测定值落在定量规模内。
LBA校准曲线可能容易随时间爆发校准漂移。校准曲线性能的漂移界说为由于参比标准品、剖析试剂和其他测试组分的反应性或团结特征的转变而导致的校准偏移。这种转变可能会改变校准曲线的斜率或其他性子 ，最终导致样本的浓度报告为过高或过低。同时 ，该要领的定量上限和下限 ，或样本的稀释线性 ，也可能爆发转变。
可能导致校准曲线性能漂移的因素包括但不限于：(a)新批次的混淆基质；(b)要害试剂特征（如纯度、特异性和捕获或检测抗体的团结亲和力）的转变；(c)含有卵白质或脂质添加剂或载体的非要害试剂的性能转变；以及(d)对参比标准品配方的修改。应在要领开发的早期就最先监测校准曲线的性能 ，并在研究前验证和样天职析阶段继续举行。别的 ，在多个临床研究的时间跨度上 ，跟踪校准漂移是至关主要的。可是 ，现在还没有用于监测校准曲线性能的共识或已经建设的要领。
监测校准曲线漂移的建议包括:
旨在确定药物浓度以支持药代动力学研究的 ，高质量和可靠的配体团结测试要领（LBA）在生物药的开发历程中起着至关主要的作用。在典范的LBA要领中 ，使用校准曲线通过内插值（interpolate）测定质量控制样品和未知样品中的药物浓度。对大大都LBA要领 ，预计测试信号与药物浓度的关系是非线性的。因此 ，建议应用多参数 ，通常为4或5参数Logistic regression (4PL或5PL)的数学要领 ，在定量规模内 ，拟合至少6个校准样品的数据点以获得校准曲线�？伤剂渴褂闷渌Ｗ佳罚ò愕慊蚱渌ǖ悖├刺岣咔吣夂系闹柿�。
应凭证瞄准确度曲线（accuracy profile）的剖析 ，选择最适当和最简朴的回归模子（可能应用加权因子 ，weighting factor）的相关回归剖析的软件 ，作为实验室信息治理系统的一部分 ，或作为仪器数据剖析包的一部分 ，或作为自力软件包都可以提供这样的数据剖析。校准曲线的质量以及最终测试效果的质量高度地依赖于校准样品的制备历程、所使用的样本基质的类型以及校准样品的贮存条件。FDA、EMA、MHLW和ANVISA宣布的机构指南在差别水平上讨论了校准曲线参数及其性能要求 ，其中许多要求是相互一致的 ，但也保存一些差别。
本文旨在形貌举行回归模子选择、校准曲线设计和数据剖析的要领 ，主要目的是资助读者开发高质量的生物药定量剖析要领 ，以支持非临床和临床药代动力学研究。文中花了较大的文字详细讨论的一个主要内容是与编辑校准曲线的规范和适当规则有关。同时提供了关于编辑校准曲线的建议 ，这些建议遵照科学上健全 ，同时也切合行业老例的原则。虽然 ，其他要领也可以 ，若是其科学性和适用性被证实是可以接受的。
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�。
19.U.S. Food and Drug Administration, Title 21 of the U.S. Code of Federal Regulations: 21 CFR 11 “Electronic Records; Electronic Signatures”, Aug 2003.https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfCFR/CFRSearch.cfm.
粤公网安备 44011202001884号
粤公网安备 44011202001884号
