如何用 analytical-method-validation 技能按 ICH Q2(R2) 检查校准曲线线性-育师

如何用 analytical-method-validation 技能按 ICH Q2(R2) 检查校准曲线线性

【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills

做方法验证时，"r² 很高"常常被直接当作线性合格的证据，但 r² 会随量程拉大而升高，对弯曲几乎不敏感。scientific-agent-skills 仓库中的 analytical-method-validation 技能把 ICH Q2(R2) 3.2.2.1 对线性响应的要求落成了一个纯 Python 脚本 check_response.py：它在报告斜率、截距、决定系数之外，还做失拟 F 检验、残差符号游程检验和逐浓度水平回算误差——后几项才是真正能发现模型不适合的统计量。本文的任务是：给定一组校准数据，用这个脚本按 ICH Q2(R2) 完成一次可复核的校准曲线线性检查，并知道输出里每一项如何判读。

前提只有一条：Python 3.11+。按技能 frontmatter 的说明，脚本只用标准库实现，不依赖 numpy、scipy，也不访问网络，统计分布从第一原理计算，保证在任何合规解释器下可复现。

先确认"响应"是必测特性

Q2(R2) 的必测项由被测属性决定，而不是由仪器决定。技能随附的 plan_validation.py 可以直接列出某个属性需要哪些特性：

cd skills/analytical-method-validation/scripts python3 plan_validation.py --framework ich-q2r2 --attribute assay --technique hplc --range-use assay

对含量测定（assay），ich-q2r2.md 中引用的 Q2(R2) Table 1 给出的必测项是：专属性、响应（校准模型）、准确度、重复性、中间精密度。也就是说含量测定必须报告校准模型；而限度试验只需要专属性和 DL，不涉及本文的线性检查。可报告范围本身来自质量标准，Table 2 的示例是 assay 取标示含量的 80–120%。

准备校准数据

输入文件需要两列：level（名义浓度或 %）和response（信号），每次进样一行。同一个浓度水平的重复进样写成重复行即可——这些重复是失拟检验的纯误差来源，不提供重复行，失拟检验就无法进行。脚本支持 CSV/TSV/JSON，也接受-从 stdin 读取；可选的replicate列会被忽略。

不想自己造数据时，仓库测试目录自带三组校准曲线 fixture，可直接用：

calibration_good.csv：5 个水平 × 3 重复，行为良好的线性曲线；
calibration_curved.csv：5 个水平 × 2 重复，含弯曲的曲线；
calibration_three_levels.csv：只有 3 个水平的薄设计。

执行线性检查

SKILL.md 给出的主命令形式是：

cd skills/analytical-method-validation/scripts python3 check_response.py -i calibration.csv --max-back-calc-error 2

其中-i指向你的校准数据文件；--max-back-calc-error是逐水平回算相对误差的判限，单位 %。注意 Q2(R2) 本身几乎不给数值判限——判限必须来自质量标准、分析目标档案（ICH Q14 第 3 节）或开发数据，并且按技能的两条规则，判限要在收集数据之前写进方案。文档示例里的2只是示例值，请替换为你方案中预先声明的数值。

从仓库根目录跑自带的 fixture，可以直接执行：

python3 skills/analytical-method-validation/scripts/check_response.py \ -i tests/analytical-method-validation/fixtures/calibration_good.csv \ --max-back-calc-error 2

输出分两路：数据（汇总表 + 逐水平表）走 stdout，溯源说明和 findings 走 stderr，所以> out.tsv重定向不会污染数据。--format可选table（默认）、tsv、json。退出码是 0（无发现）、1（有发现）、2（输入有误），可以直接用来给工作流把关。

读输出：哪些是证据

汇总表包含：不同水平数、权重方案、斜率及其 95% CI、截距及其 95% CI、截距 CI 是否包含 0、决定系数 r²、相关系数 r、残差 SD、失拟 F 值与 p 值、游程检验 p 值、高/低三段残差 SD 比。随后是按水平的回算表，每行给出level、重复数 n、平均响应、平均回算值和relative_error_pct。

判读时对应 Q2(R2) 3.2.2.1 的要求——报告图、相关系数或决定系数、y 截距、斜率，以及实际数据点偏离回归线的分析；对线性响应要评估残差图中非随机模式的影响。具体到脚本的 findings（打印在 stderr，前缀finding:）：

失拟 F 检验（p <--alpha，默认 0.05）：直线在重复进样散度之外仍不能描述数据，即模型失拟；
游程检验：残差符号非随机，提示检查残差图有无弯曲；
异方差检查：量程上三分之一的残差方差超过下三分之一 10 倍且未加权时，低端的回算结果有偏，建议加权；
逐水平回算误差：某水平平均回算值偏离名义值超过--max-back-calc-error，单独报一条 finding。

文档中记录了一段真实输出，来自一条 r² 看似过关、实际不可用的曲线（示例结果，数值不要当成固定预期）：

statistic value distinct levels 5 slope 166.6000 intercept 2495.0000 intercept CI includes 0 no coefficient of determination (r2) 0.9830 lack-of-fit F 469.5294 lack-of-fit p 1.5139e-06 runs test p 0.0492 level n mean_response mean_back_calculated relative_error_pct 50.0000 2 10075.0000 45.4982 -9.0036 75.0000 2 15150.0000 75.9604 1.2805 100.0000 2 20050.0000 105.3721 5.3721 125.0000 2 24050.0000 129.3818 3.5054 150.0000 2 26450.0000 143.7875 -4.1417

r² = 0.983，但量程底端回算误差 −9.0%、失拟 p = 1.5 × 10⁻⁶、残差符号非随机——模型不可用。这正是技能明确要防止的错误第 3 条：把 r² 当线性证据。

可选分支：加权拟合

宽量程曲线可以加--weight 1/x2（也支持1/x）：

python3 check_response.py -i calibration.csv --weight 1/x2

两点限制要留意：加权要求所有水平非零，出现零水平会直接报输入错误；且加权后失拟 F 检验仍基于未加权残差计算，其零分布只是近似的——脚本会在 stderr 的note:中提示这一点，此时应结合逐水平回算误差一起读，后者不受加权影响。

其他可用参数：--levels-required（默认 5，对应 Q2(R2) "至少 5 个浓度、适当分布"的推荐）；--alpha（默认 0.05）；--through-origin-tolerance（截距超过最高水平响应的给定百分比时报警，作为 y 截距显著性检查的近似）。

用自带 fixture 验证脚本行为

tests/analytical-method-validation/test_scripts.py 固化了三组 fixture 的预期行为，可以当作验证方式：

输入	预期退出码	预期现象
`calibration_good.csv`+`--max-back-calc-error 2`	0	无 findings
`calibration_curved.csv`	1	stderr 出现 lack-of-fit finding；JSON 输出中 r² > 0.98 而失拟 p < 0.001，且最差水平回算误差绝对值 > 5%
`calibration_three_levels.csv`	1	stderr 出现 "recommends at least 5" 的级别数不足 finding

输入列名缺失、数值非数值、文件不存在等情况退出码为 2；某个水平有重复时失拟检验才适用，否则输出会写明lack-of-fit test: not run，并在 note 中提示"至少一个水平做重复才能进行线性检验"。

边界

最后一条 stderr note 是固定输出的：this tool does not decide that the calibration model is acceptable。脚本报告、不做结论——它不判定程序已验证、不放行批次，替代不了分析人员、技术审核和质量部门。另外，对免疫分析、细胞实验等合理非线性的响应（3.2.2.2），Q2(R2) 不要求浓度–响应线性，应改用非线性回归评估，这个脚本的线性检验不适用于该类曲线。

线性检查通过后，同一技能按 Q2(R2) 特性继续走即可：check_accuracy_precision.py评估准确度与精密度，check_detection_limits.py评估 DL/QL，compare_methods.py做方法转移的等价性检验，用法均在 SKILL.md 的 Workflow 一节。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考