校准曲线拟合是一个至关重要的环节，它旨在通过数学方法从已知标准品的数据，准确推断未知样本中的分析物浓度。

1. 校准曲线拟合的定义与必要性

• 定义校准曲线拟合是将已知浓度与相应信号响应（如放射性计数、发光强度或颜色）绘制成图，并通过数学函数或回归模型来达到获接近真实曲线的过程。免疫测定是一种间接测量系统，需要校准来提供有意义的浓度估计值。
• 目的其核心目标是根据标准品或校准品的数据，计算出未知样本的浓度。由于无法在每个浓度点进行无限次稀释和重复测量，因此必须通过插值方法从有限的数据点中估计真实曲线。

2. 曲线拟合中的误差来源

曲线拟合的总误差主要有两个来源：

• 随机变异测定数据中的随机变异，可通过增加重复测量和/或稀释来减少。
• 模型失拟误差当曲线模型无法准确拟合真实曲线时产生的误差，只能通过使用更合适的曲线模型来减少。

3. 曲线拟合方法

• 良好曲线模型的属性一个好的曲线模型应能很好地近似真实曲线形状，最大程度地平均随机变异以降低浓度估计误差，并能准确预测标准稀释锚点之间的浓度。
• 回归方法通过将给定函数形式或模型拟合到数据中，部分纠正校准点中的误差，使校准曲线更稳健。
• 四参数逻辑模型 (4PL)广泛使用，适用于对称的剂量-响应曲线。它有四个参数：上下渐近线 (a, d)、控制渐近线间过渡的参数 (b) 和曲线转向点 (c)。
• 五参数逻辑模型 (5PL)通过增加第五个参数 (g) 来控制曲线的不对称性，从而消除4PL在拟合不对称数据时的失拟误差。5PL曲线比4PL更灵活，通常能提供更优的拟合。
• 最小二乘拟合 (Least-squares fitting)最常用的统计技术，通过选择使平方残差之和 (SSE) 最小的曲线来估计参数。
• 线性回归模型最简单，但免疫测定曲线通常是非线性的。
• 非线性曲线模型计算更复杂，需要迭代的数值过程来寻找最佳解（最低SSE）。寻找初始参数估计和在该区域找到最佳解决方案至关重要。

5. 标准稀释浓度点的选择

• 应选择能够产生均匀响应信号梯度的稀释浓度，而不是在对数尺度上均匀分布的浓度。
• 在剂量不再影响响应信号的平台区域，不应有多个稀释点，否则可能引入噪声并降低曲线拟合的可接受性。

6. 存储校准曲线、工厂主曲线与调节器 (Adjusters)

• 主校准曲线 (Master Calibration Curve)由制造商为每个试剂批次建立，使用高重复性（通常6-10个浓度点，每个点20次或更多重复）和至少两台不同的分析仪的数据。这些数据通常通过条形码、磁卡或智能卡传输到分析仪。
• 校准品用户通过运行少量（通常是两个或三个）校准品来调整主曲线，以补偿用户分析仪的偏差或试剂在货架期内的变化。调节器的数量应至少等于模型中可能发生变化的参数数量。
• 挑战这种系统面临的挑战包括校准品的不稳定性、运输和储存期间的温度波动可能导致偏倚。

校准曲线拟合是免疫测定从信号响应到有意义浓度报告的关键步骤，涉及复杂的数学模型、误差处理和质量控制过程。