生物测定可能既耗时又昂贵。因此，考虑生物测定优化是明智之举：即设计实验以最小化资源使用同时最大化通量的方法。这源于精益制造的理念：在保持有效流程的同时减少浪费、提高生产效率的过程。
什么是生物测定优化？
在生物测定的背景下，优化的目标是最大化实验的通量，同时最小化浪费。当然，同样重要的是，实验在其最终目的——提供准确且精确的可报告值估计——方面保持有效。
首要任务必须是确保我们的实验能够使用适当的适用性标准有效区分合格与不合格样本。放过不合格样本显然应该避免，但不适当地判定样本不合格也同样有问题。实验被不适当地判定为不合格可能意味着整批产品被丢弃、试剂浪费，以及数小时的实验室工作付诸东流。
关键要点
- 通过减少稀释度和复制次数、精心选择适用性标准等策略，可以减少生物测定的资源使用，从而节省时间并提高通量，同时不牺牲实验质量。
- 优化的最佳时机通常是在实验验证之前，此时已有足够的数据可用且监管障碍最少；然而，早期开发和常规使用阶段也提供了机会，但在风险、数据可用性和监管阻力方面需要权衡。
- 尽早让统计学家参与实验开发过程有助于从一开始就确保最佳设计，从而在时间、资源和监管复杂性方面实现显著长期节省。
接下来要确保的是高效利用板面空间。我们希望从每个样本和稀释度中获取最大量的信息。我们显然需要足够的样本使实验能够正常运行，但使用超过严格需要的稀释度或复制次数可能会造成资源浪费。
重要的是，我们不希望实验的精简过程需要额外的实验室工作——那正是我们首先要尽量减少的！好消息是，我们在这里提出的想法可以通过纸质（或基于计算机）的练习来实现。也就是说，利用历史数据进行的统计实验可以评估精简策略的前景，而无需更多的实验室工作。
如何将精益制造的思想应用于优化生物测定？我们将介绍几种简单策略，帮助您在下一个实验中节省时间和成本。
优化策略 1：减少不必要的剂量/稀释度
在第一个场景中，假设我们正在运行一个实验，其中参比标准和待测样品各使用一个10点稀释系列。结果非常好！如图1（左）所示，我们的实验返回了一条非常完整的4PL曲线，两个平台期和曲线的中央部分都有数据点。
但我们的稀释系列真的需要10个点吗？也许我们使用更少的稀释度也能获得类似的结果。这意味着每次实验使用的试剂、参比品和样品储备液会更少。
图1（右）展示了如何实现这一目标的示例。稀释系列覆盖了与之前相同的范围，但被分为7个梯度而不是10个。
图1：减少到7点稀释系列意味着我们可以轻松地在板上增加一个额外的样品。
我们可以看到，7点稀释系列的4PL曲线同样得到了很好的描述。如果使用减少的稀释度数在我们结果中获得了相似的精度——这可以通过模拟实验来确定——那么这对该实验来说就是一个成功的精简策略。
重要的是，减少稀释度可以释放板面空间，从而允许在板上包含额外的样品。在这个例子中，我们使用7点而不是10点稀释系列释放出的额外空间，可以使通量翻倍。
优化策略 2：减少不必要的复制
复制是统计学的基石，因为它可以提高结果的精度（前提是复制策略适当），并可以评估实验的变异性。然而，好事过度也可能变成坏事。考虑图2中的实验。
在左侧，每个稀释度有6个重复。在实验变异性极高的情况下，可能需要这种程度的复制，但从图中可以看出，每个剂量组内的响应非常相似。这表明响应的变异性相当低，因此我们可以考虑减少重复次数。这在图2的右侧显示。
我们可以看到，在4个重复的情况下，与6个重复的情况相比，实现的4PL模型拟合非常接近，甚至在视觉上难以区分。再次强调，我们需要检查结果的精度是否仍然可接受，但这代表了另一种巨大的资源节约。与前一个例子一样，在减少重复的情况下，我们在板上有了额外样品的位置，这意味着我们的通量也会提高，同时资源也得到节省。
图2：左：每个稀释度6个重复的实验。右：相同实验但每个稀释度只有4个重复。
优化策略 3：移除不适当的适用性标准
到目前为止，我们主要关注了如何优化实验的设置以节省时间和资源。在实验过程的另一端——当我们判定实验通过还是失败时——也可以找到进一步的效率提升。具体而言，我们可以确保自己包含的是适当的适用性标准。这关乎确保我们正确判定实验的通过和失败——如前所述，我们绝对希望尽量减少不必要地判定实验失败的次数。
首先要做的是确保我们的实验设计中没有包含过多的检验。诚然，确保检查那些对实验性能至关重要的属性（如相对效价测定中的平行性）非常重要，但我们也不希望事无巨细地检验一切。每个适用性检验都有因偶然因素而失败的概率。因此，包含的检验越多，偶然失败——以及不必要地判定实验失败——的可能性就越高。因此，仔细考虑哪些适用性检验需要包含在你的设计中，哪些最好排除在外，这一点很重要。
缩小适用性标准范围的一种方法是检查是否有任何标准相互关联，因此它们很可能同时通过或同时失败。例如，如果你同时对4PL实验的上渐近线和下渐近线以及实验范围设置适用性标准，那么实际上可能是在重复测量同一件事。如果其中一个渐近线发生变化，这很可能也会影响实验范围，因为实验范围就是渐近线之间的差值。因此，一个优化方案可能是选择在前进过程中对实验范围或渐近线本身设置适用性标准。
同样，度量标准的选择本身也可能不合适。一种平行性检查方法可能是在待测样品和参比标准之间对模型参数的比值设定等效性界限。如果对趋近于零的渐近线这样做，那么当作为除数的值非常小时，比值可能会非常大。
图3展示了一个这样的例子。从视觉上看，下渐近线似乎非常相似，而上渐近线存在少量差异。因此，如果我们使用参数比值进行平行性检验，可能会预期上渐近线不合格。然而，这个实验实际上在下渐近线上不合格：渐近线可能很接近，但它们也接近于零，这意味着它们的比值变得很大。
图3：一个由于渐近线接近于零而导致参数比值平行性检验失败的实验。
在这种情况下，对渐近线之间的差值（而非比值）设定标准可能更为谨慎，因为在处理非常小或非常大的数值时，差值往往表现得更可预测。
推荐阅读…
拟合优度检验失败：如何应对F检验的难题
我们快达到R²了吗？——为什么R²是拟合优度的不良度量指标
生物测定中的平行性是什么？
何时进行优化
我们已经介绍了几种不同的生物测定优化方法，以最小化资源使用同时最大化通量。剩下的问题是，在实验生命周期的哪个阶段是进行这些优化的最佳时机？这个选择将取决于三个主要因素之间的权衡：
收集的信息：我们已经收集了多少关于实验的历史数据，可以用来做出优化决策？
监管阻力：获得对实验设计变更的批准有多容易？
失败风险：产品最终上市的可能性有多大？
总体而言，有三个时间点可以考虑精简实验：
早期开发阶段
在这个阶段，监管介入非常少，这意味着对实验设计进行变更要容易得多。另一方面，我们通常几乎没有实验的历史数据，可能对其行为缺乏深入理解。此外，产品在此阶段的失败率也较高。
验证之前
当实验准备进行验证时，我们通常对相关产品可能上市有更高的信心，因此在优化实验上的投入也更有可能获得回报。我们也有更多的历史信息来指导优化，并且由于实验尚未验证，监管阻力很小。总的来说，这个阶段是考虑优化实验设计的好时机。
常规使用阶段
在此阶段进行优化的最大障碍是监管机构。由于实验已经过验证，任何设计变更都可能需要昂贵的重新验证或桥接研究。相反，丰富的历史数据以及产品上市的更高确定性——或者产品已经上市——意味着如果节省的成本足够大，在此阶段的优化投入是值得的。
节省时间，节省成本
生物测定始终是一项昂贵的投入，但这并不意味着应该不加思考地打开财务水龙头。正如我们所看到的，仔细分配资源并考虑实验设计中微妙之处，可以在时间和成本上带来超额的节省。无论是通过减少稀释度，还是选择适当的复制策略和适用性标准，生物测定优化应在整个实验生命周期中予以考虑。
更好的是从一开始就确保你的设计得到优化！在Quantics，我们始终建议在实验开发过程中尽早让统计学家参与。这有助于确保你的实验不会偏离最优设计太远，从而减少后续的麻烦并实现更大的节省。
