从信号到可测物：可复现分析生物化学的测量科学路线图

《ACS Measurement Science Au》：From Signals to Measurands: A Measurement-Science Roadmap for Reproducible Analytical Biochemistry

　　

分析生物化学常把动力学或结合常数当作直接观测值报告。实际上每个结果都由仪器信号推断而来。校准（calibration）建立量值尺度，生化模型与观测模型把信号联系到目标量，统计分析产生估计值及其不确定度。本视角文章把可复现性处理为：通过可审计的测量链，在给定条件下恢复某个指定可测物（measurand）并得到不确定度声明。以米氏底物消耗为例：两组用相同参数和噪声模型生成的进程曲线都拟合良好，但只有把底物浓度采样到米氏常数（Michaelis constant, KM）附近的设计能得到有界区间；该设计中尽管曲线拟合很精确，活性位点浓度不确定度仍主导 kcat 的不确定度。配体—受体结合显示消耗、信号建模和参数混淆的类似效应。该框架把计量学、化学测量概念与酶学报告标准、机器可读数据格式和现代可辨识性分析联系起来；区分重复性（repeatability）、转移到另一实验室、以及跨独立测量路线或技术的一致，并说明实验室间研究能揭示什么。建议分为最低实践、参数估计的更强支撑和参考级验证。同一逻辑适用于一切从测量信号推断生化量的情形。

研究背景方面，分析生物化学中常把 K_M、k_cat、K_D 等常数当作直接测得量，但仪器只记录吸光度或结合迹线，这些常数是经过校准、生化模型、观测模型和统计推断得到的可测物。现有可复现性问题常被混为一谈：执行失败、描述失败和推断失败是三类不同证据需求。研究人员指出，拟合曲线好看并不等于目标参数被实验设计所约束，因此需要把可复现性定义为在明确实验与推断条件下兼容恢复指定可测物并给出不确定度。

主要关键技术方法方面，研究人员采用米氏单底物不可逆反应与底物消耗进程曲线建模，使用 Schnell–Mendoza 方程即含 Lambert W 函数的闭式解；用剖面偏差（profile deviance）做实际可辨识性诊断；用模拟—恢复（simulation-and-recovery）检验设计能否在真实噪声下恢复已知值；用 A 类不确定度来自拟合协方差，B 类不确定度来自校准与材料表征，并按 GUM 框架合并；配体—受体结合则用质量平衡二次方程与荧光观测方程说明消耗和混淆。

研究结果方面，A Michaelis–Menten Substrate-Depletion Case Study 小标题下，研究人员用 Design I 起始底物低于 K_M、Design II 跨越 K_M 的两种设计说明：两者 reduced χ² 都接近 1，但 Design I 的 K_M 无有限上界，Design II 得到 48.4–50.5 μM 的 95% 剖面区间；结论是底物区间而非采样量决定参数可辨识性，且 k_cat 不确定度由活性位点浓度 [E]₀ 主导。

From Signal to Measurand 小标题下，研究人员给出 q = h(θ, C) 的可测物定义关系、Y_m(t_i) 观测方程和估计流程，说明报告必须包含材料条件、信号校准、生化与观测模型、统计分析和结果溯源；结论是“拟合曲线”不能替代可测物链的可审计说明。

Existing Standards and the Contribution of This Perspective 小标题下，研究人员对照 VIM、GUM、STRENDA、EnzymeML、PEtab 等标准，指出通用计量学不判断生化近似是否有效，STRENDA 不一定含可辨识性分析，本视角贡献是把材料、信号、模型、推断、不确定度连成统一架构。

Ligand–Receptor Binding as a Second Case 小标题下，研究人员用 R+L?RL 与质量平衡解说明：标记配体不忽略时，中点位移到 K_D + ?[L]_T；简单双曲线拟合会给出偏移的表观常数，K_D 信息集中在过渡区，低浓度混淆振幅、饱和区主要定平台。

Does the Experiment Constrain the Parameter? 小标题下，研究人员说明结构可辨识性针对无噪理想模型，实际可辨识性依赖浓度范围、采样、噪声和校准；剖面似然不跨阈值即无有限界，A 类与 B 类不确定度不能与剖面区域直接方和根合并。

From Repeatability to Interlaboratory Evidence 小标题下，研究人员区分重复性、转移复制和独立方法可复现：前者看同团队同装置一致性，后者看不同物理路线或技术在不确定度内恢复同一可测物。

讨论与结论部分，研究人员强调可复现不是“曲线再跑一遍”，而是指定可测物经校准、模型、推断与不确定度评估后被兼容恢复；实验设计必须让数据对目标参数有信息，报告必须把曲线外输入如 ε、[E]₀、温度、pH、材料状态纳入不确定度预算。结论为：最低实践应保存原始信号与模型、报告可测物定义和不需高阶可辨识性分析；更强实践应做剖面似然或模拟—恢复并给完整不确定度预算；参考级实践应建立量值溯源、校准层级和独立路线一致。该框架使酶动力学、配体结合和临床酶学催化活性参考程序共享同一测量科学逻辑，从而把“数值差两倍”从归咎某实验室转为检查可测物与测量链是否相同。