《International Journal of Molecular Sciences》：Quantification Revisited: What qPCR Efficiency Models Reveal About Data Analysis Integrity
Stephen A. Bustin,
Maurice J. B. van den Hoff,
Michael W. Pfaffl,
Mikael Kubista and
Jan M. Ruijter
编辑推荐：
这篇综述以编辑口吻，系统梳理了qPCR中扩增效率(E)对定量准确性的核心影响。作者指出，尽管E是绝对和相对定量的关键参数，多数研究仍默认其恒定为理想值(100%)，这导致表达依赖性和效率依赖性的误差，是结果重复性差的主因。文章回顾了E的定义、影响因素、估算模型演变(如标准曲线法、线性回归法、S型曲线拟合法)及其应用，强调了忽视E会引入系统性偏差，甚至颠倒生物学结论。同时，文章探讨了编辑实践对维持有缺陷qPCR分析的负面影响，并指出了MIQE 2.0指南将E置于严谨实践中心的新要求。最终，综述倡导将E作为必须测量、报告并纳入计算的实证参数，以实现真正的定量PCR。
定量再审视：效率如何定义qPCR的可靠性
在分子生物学领域，实时定量PCR (qPCR) 已成为基因表达分析和核酸定量的基石技术。然而，其定量结果的可靠性长期依赖于一个常被忽视或简化的核心参数——扩增效率 (Amplification Efficiency)。这篇综述深入探讨了扩增效率在qPCR定量中的决定性作用，揭示了忽视、假设或误用效率所带来的后果，并梳理了效率估算模型的演进及其对当代分析方法的启示。
1. 引言：从盲目信任到理性审视
qPCR技术诞生之初，其能够实时监测扩增过程的能力令人惊叹。研究人员习惯于依赖仪器软件直接给出的定量周期 (Cq) 值，将其视为确定无疑的结果。这种早期的乐观情绪导致了一个普遍假设：扩增效率是恒定的、理想的，即每个循环靶分子数量完美翻倍（效率为100%）。然而，这种假设将系统性误差“烘焙”进了任何定量结果中。事实上，扩增效率受寡核苷酸设计、反应化学、样本与模板特性以及仪器性能等多重因素影响，因此在不同的样本、检测方法和实验运行中存在差异。忽视这种差异，是许多PCR研究可重复性差的根本原因之一。
2. 效率：并非理想的常数
在qPCR中，扩增效率如同储蓄账户的利率，误差会随着循环数呈指数级累积。理论上，每个循环靶分子数量应翻倍，但在实际反应中，试剂消耗、扩增产物累积、竞争性复性等因素会使得效率在进入平台期前就开始下降。更关键的是，从扩增曲线中得出的表观效率，由于测量噪音、基线扣除和过渡效应的影响，既非常数，也非完美的翻倍。
文献中常引用的“可接受”效率范围是90%-110%，但这看起来狭窄的范围经过30个循环后，会导致扩增子数量产生约12倍的差异。例如，对于起始拷贝数相同但效率分别为110%和93%的两个反应，若分析时均假设效率为100%，在高阈值设定下报告的表达差异可达10.5倍。这凸显了一个普遍的矛盾：效率常被作为检测质量的证据进行测量和报告，但在后续数据处理中却被忽略，计算赖以依存的结果时又将其视为无关参数。
当估计效率偏离理想值时，数据能否被校正？这需要区分分析正确性与生化稳健性。像Pfaffl方法这样的效率校正模型在数学上适用于任何正效率值。然而，校正的前提是效率参数反映了产生观察到的Cq值的实际扩增效率。由于PCR反应效率不可能超过100%，因此使用超过100%的估计效率进行校正常会引入系统性偏差，这通常表明效率估计本身存在偏差（如稀释不准、移液误差、基线估计错误等），应被视为需要审视检测性能的诊断信号，而非有效的校正输入。
3. 模型的演变
主要的效率分析方法包括标准曲线法、线性回归法和S型曲线拟合法。ΔΔCq模型因其简洁易用而迅速普及，但其简洁性建立在两个脆弱的假设上：目标基因和内参基因均以100%效率扩增，且此效率在对照和处理样本中完全相同。尽管原方法建议验证该假设，但在后续大量使用中常被忽视。
突破性进展出现在效率被重新正式引入数学计算。Pfaffl方法首次提供了一个通用框架，通过用经验确定的每个检测的效率值替换2ΔΔCq方程中代表100%效率的固定底数2，将严谨性重新赋予了倍数差异分析。这一代数上的小变化意义重大：它将效率从一个令人安心的假设变成了一个我们必须测量的数字。
此后，LinRegPCR等方法从每个独立反应的指数期斜率推导出唯一的扩增效率，摒弃了“每个检测效率为单一常数”的假设，认识到效率可能在样本间变化。而相对表达软件工具 (REST-2009) 则通过合并随机化和误差传递，为最终的表达比分配了不确定性，产生了置信区间。这些发展的共同主题是拒绝盲目信任Cq值，无论是通过精炼动力学、稳健统计还是系统级误差建模，领域都汇聚于一个原则：真正的定量需要明确的建模和对不确定性的诚实承认。
4. 模型的应用
将理论模型应用于实践时，必须意识到一系列选择直接影响结果。Cq值并非模板量的直接测量值，而是软件衍生的输出，其数值会随着基线或阈值选择的改变而移动。相同的扩增数据在不同程序中分析可能得出不同的Cq估计值。因此，透明报告基线定义方式和阈值位置至关重要。
标准曲线法通过Cq值与对数输入浓度的关系斜率推导效率 (E = 10(–1/slope)- 1)，斜率-3.32对应100%效率。它仍是可视化效率、诊断抑制和确定拷贝数的最清晰方法，但其局限性在于，它来自纯化模板，可能无法反映复杂生物样本中抑制剂的影响，并且得出的是整个稀释系列的单效率估计，可能掩盖反应间的差异。
扩增曲线分析工具如LinRegPCR，通过直接从扩增数据估计效率，提供了标准曲线法的实用替代或补充。当数据质量高时，该方法能产生精确且可重复的效率估计。而S型模型拟合法将整个扩增轨迹拟合成曲线，可以将效率建模为动态而非固定的属性，但其主要弱点在于对平台区的处理，纳入饱和点会破坏拟合稳定性。
无论采用哪种方法，都必须认识到仪器软件本身已预设了许多对用户不透明的选择。这些选择决定了荧光数据如何导出和预处理，进而影响报告的Cq值。因此，无论采用何种分析模型，作者都应明确所有参数和假设。
一个关键发现是，应用每个反应的效率会增大方差，因为个体扩增轨迹包含的数据点太少、噪声太大，无法产生可靠的效率估计。使用每个检测的平均效率可以保留个体效率估计的优势，同时减少方差惩罚。在实际案例中，效率校正能显著提高准确性。此外，在低拷贝数下，泊松采样误差主导Cq变异，增加技术重复数或使用平均效率是更佳策略。
5. 忽视效率的后果：一个实例
忽视效率并非无害的简化，而是扭曲后续解释的系统性偏差源。即使目标基因与内参基因之间的扩增效率存在微小差异，也会在窄Cq范围内显著改变计算出的倍数变化。因为这些误差是指数级累积的。
一个具体示例显示，对相同数据，使用假设100%效率的ΔΔCq方法计算出的处理效应为9.6倍，而应用效率校正后，该效应显著降低至3.6倍。Pfaffl公式应用于相同Cq值得出4.1倍的差异。差异源于平均化的方式：在计算比率前按目标和组平均Cq值会抑制样本间变异，而在个体样本水平计算目标与内参比率则保留了组内变异性。
图表进一步阐明，对于目标基因和内参检测效率值的所有组合，除非两者效率均为100%，否则报告的倍数差异都是不正确的。盲目接受软件输出值，会基于100%效率假设在ΔΔCq计算中产生精确度假象，导致对处理效应大小的误解，甚至在应用效率校正时颠倒结论方向。
6. 集体的盲点：编辑实践如何延续有缺陷的qPCR
效率数据在论文中被普遍省略，这是系统性问题而非偶然。它反映了科学出版界内持久的编辑和文化习惯。这种省略持续存在，是因为整个体系容忍它。期刊发表没有效率数据的qPCR结果，审稿人常常忽略它，许多实验室从未被要求展示它。其结果是形成了一种文化，即定量的表象替代了定量的实际工作，效率测量的缺失被视为常态而非疏忽。
同行评审过程常常为了新颖性而牺牲方法的严谨性。审稿人通常因其生物学专业知识而被选中，而非因其掌握qPCR动力学。许多人认为商业化试剂盒或机器内置的软件能保证正确的定量，很少有人受过培训去探究Cq值背后隐藏的分析决策。在优先考虑结果而非严谨性的压力下，这些基础被想当然地接受，很少被检验。信任取代了验证，由此产生的分析假象如今已遍布文献。
解决方案并非神秘，但需要集体优先级的自觉转变。它要求我们以对待实验设计和统计分析同等的严肃性来对待qPCR的分析核心。对于期刊，可以通过几项关键改变来实施：首先，必须使效率成为不可协商的项。应要求作者在送审时提供每个检测的效率值及验证范围。其次，编辑应配备一份简短、强制的“关键项目”清单，源自MIQE最关键的要点，提出三个简单问题：是否报告了所有检测的效率且数值合理？效率值是否已纳入结果计算？不确定性是否已传递至最终计算？如果任何一项答案为“否”，那么结论不应是作者懒惰，而是论文的定量主张尚未得到支持。
7. 当前实践与MIQE 2.0的相关性
尽管争论已超过25年，但经过效率校正的qPCR数据在已发表文献中仍是例外，这使得qPCR成为一种披着定量外衣的定性检测。这种低标准实践的持续存在主要由两个因素驱动：首先是省略的便利性。验证检测性能、生成标准曲线和计算效率需要额外工作。其次，qPCR现在被广泛视为一种商品化技术。研究人员通常使用商业试剂盒、机器软件和预设计检测，对其底层机制或应如何评估其性能知之甚少。基线设置、阈值确定和Cq分配等关键分析步骤被委托给软件，使分析变成了黑箱。效率校正通常被完全省略，而非自动化。
2009年发布的原始MIQE指南为可靠的qPCR建立了最低信息标准，并将扩增效率确定为定量准确性的关键决定因素之一。当时，MIQE推荐标准曲线法作为确定效率最透明的方法，并要求对其进行测量和报告。然而，原始MIQE并未建议将效率纳入相对表达的计算，Pfaffl校正是作为更通用的选项被描述，而非规定做法。重点在于经验测量而非假设。
MIQE 2.0将效率置于良好实践的中心。它要求将Cq值转换为经过效率校正的目标数量，并附上表达每个估计值不确定性的置信区间。这代表了一种哲学上和技术上的转变——从报告单一数值转向报告承认实验现实的区间。效率不再是一个假设的理想参数，而是一个被测量的量，包含置信限，并被纳入报告结果的计算中。
MIQE 2.0重申，定量PCR依赖于指数扩增期间初始模板量与Cq值之间的对数线性关系。这种线性定义了灵敏度和效率，但在反应接近平台期的过渡阶段被打破。因此，准确的定量需要使用可重复、标准化和充分表征的方法在指数期内确定效率。
MIQE 2.0认可两种主要的效率确定策略。第一种仍然是标准曲线法，但更加强调包含足够的重复以定义检测的动态范围及其检测限和定量限。第二种策略通过将线性、指数或S型模型拟合到指数期的荧光数据，直接从个体扩增曲线的形状推导效率。在这类单曲线分析中，应使用平均效率来计算每个反应的目标数量。在观察到样本间反应条件差异很大的特殊情况下，应使用反应特异性效率。两种策略都需要警惕抑制剂的存在，因为它可能扭曲表观效率。
8. 结论
qPCR效率的故事，是现代分子生物学的一个缩影：早期的乐观爆发、一段简化和自满的时期、逐渐意识到复杂性、以及对准确性的持续追求。实时测量荧光的能力给人一种定量已成常规的印象；而过去的几十年表明，测量从未如此简单。认识到不确定性是固有的而非缺陷，重塑了qPCR被视为定量技术的意义。
实践教训是直截了当的。只有当其背后的分析假设被明确化且其不确定性得到承认时，数值结果才能获得可信度。qPCR仍然是一个强大的工具，但其权威性并非来自它产生的数字，而是来自证明这些数字合理性的透明度。这篇综述阐释了扩增效率为何重要，以及忽视它如何扭曲我们的结论。实际的挑战在于将效率整合到常规工作流程中，同时保持定量的严谨性并避免不必要的程序负担。
