分析方法验证指南：如何避免无法重复的研究结果和撤稿

在构建自己的科研生涯时，特别是在硬科学和其他科学或工程相关领域，进行实际的研究只不过是过程的一个步骤。在进行任何需要收集硬数据的 R&D 工作前，一定要有数据收集策略，通常称为研究方法 (research method)。研究方法包含执行实验并导出有效数据的特定方法，且在发表前要能够重复或重现。小心规划和执行研究是科研人员的责任，如此才能得到可以借由标准验证方法重复、重现和验证的数据。由于大部分的 R&D 都包含一些分析方法，即便是生物学、生物化学、生物医学会其他种类的研究也是如此，大部分的研究最终都要依靠收集到可用的有效分析数据。

分析方法验证 (Analytical Method Validation, AMV)

方法验证跟达到大众所接受的组织所规定的特定标准条件的最终优化方法有关，这些单位包含 International Conference on Harmonization (of Technical Requirements for Registration of Pharmaceuticals for Human Use) 分析方法或是 ICH。ICH 基本上包含监管单位以及制药和生物制药产业所提供分析方法该如何验证的意见。在一些 ICH 文档中，这些可接受的验证这些方法的做法借由签署人员同意，然后再由国际制药单位（FDA、EMA、JPA 等）采用，如此规范一般处方药的批准和销售。这些指南并不适用于非处方药品，这部分目前还没有任何相关规范。AMV 有很多方面，例如重复性、重现性、稳健性、耐用性、系统适用性、检测限制和定量限制等等之外还有很多。不过，如果回归到基本面上来看，AMV 是要保证最后的任何分析科研方法的合法性、可用性和重现性，最终可供制药或生物制药和监管单位使用。任何想要取得监管单位的动物研究、人类临床研究及营销许可的公司都需要遵守这些 ICH 指南，但如果个人想要投稿发表到世界上任何期刊，就不需要遵守这些规定。事实上，期刊、编辑或是审稿人不会要求作者遵守任何使用 AMV 的指南。

虽然除了 ICH 外还有其他组织决定何为验证方法，但 ICH 还是最受认可的指南。ICH 规定所有制药和生物制药实践、公司和主要的监管单位，包含美国 FDA。除了 ICH 外，美国国家标注技术研究所 (National Institute of Standards and Technology, NIST) 和多个期刊科研组织 (IVT/JVT) 也有自己的一套指南，规范开发和应用验证方法。Institute of Validation Technology (IVT) 是知名的私人组织，专门处理验证案件。该组织定期出版经过审查的长期在线期刊《Journal of Validation Technology》(JVT)，该期刊几乎全部都在谈各种验证议题。

有许多书籍、期刊、综述文章、杂志和网站都专门讨论 AMV，例如你可以轻松在在线找到统计方法验证 ICH 指南。如果有人使用跟 ICH 指南有关的关键词搜索 AMV，那么实质上跟这个有关、由其他监管单位发行的所有文献都会跑出来。科研人员都该知道这些基本准则，才能在投稿前为自己的方法进行 AMV。不过，你也要知道符合制药监管单位核准的方法验证并不一定与其他产业或组织一致。一般来说，大部分做 AMV 的科研人员都是使用 ICH 指南，不过，只有制药和生物制药产业在美国或海外向监管单位送审或申请时，才真正需要遵守这些规定。目前世界上还没有任何期刊在投稿时有任何类似的要求。这都是作者个人特别指定的决定，或许审稿人也可以决定，但通常不会。给科研作者的指南从没有讨论过 ICH 或 AMV 要求。

以下是 ICH 指南中对执行 AMV 的基本要点：

1. 重复性和重现性

任何比较新的化学、生物、生物医学、药用或医学用的分析方法都需要符合 AMV 基本要求。大部分的科研工作都会收集硬数据，也就是有平均值的数字，还有平均数偏差值，例如标准差 (standard deviation, SD)、相对标准偏差 (relative standard deviation, RSD)、百分含量的相对标准偏差 (percent relative standard deviation, %RSD)、变异系数 (coefficient of variation, CV)等。所有的发表文章都该表示每一个数值重复的次数，通常都用 n 缩写表示，根据 FDA 规定，n 不得小于 3，最好是大于等于 6。

所有审稿人和期刊编辑应该都不会接受单点数据的科研论文。尽管 ICH 标准并不适用期刊发表，但是每一位审稿人通常需要定义要包含什么样的 AMV。因此，大部分的期刊或编辑在这方面没有任何说明，所以大体而言，一切都看不同的作者和审稿人做什么不同的决定。

还有，如果你投稿一篇 n=1 的文章给任何期刊，对你的工作可能有负面影响。我想要强调，就我所知范围内，从来都没有任何分析期刊明确说明或规定这些验证要求。没有任何期刊把 ICH 的 AMV 指南列入投稿规定中，这一个重要的点就留给作者和审稿人自己决定作者在 AMV 指南部分要做到什么程度。

每一个分析数据的表格都一定要有每一个平均数的重复次数以及可重复性或是 n=重复次数数值，也该有这些数值与其他数值有多相近的说明，如 SD、%RSD 和其他数值。如果研究工作有确实做好，这些数值偏差说明应该很小，一般小于 1-2%，这表示不错的可重复性。

虽然其他人也有可能使用跟原作同样的方法、仪器、专业和能力重现，但所有数值的重复性通常是由个人操作的。可重复性通常有原先的科学家进行测试，然后由其他具备相同实力的人，在不同实验室使用相同的方法、仪器、试剂、化学药剂等等进行复制重现，由此让不同的实验室演示整体重现性。就数量上来看，这些数字应该都有少于几个 RSD 或 %RSD 百分比的误差。因为目前没有科研期刊要求作者要演示重现性，有很多作者跟审稿人不相信要让研究认为可接受且值得发表，应该要包含这些东西在投稿论文之中。让我用别种说法在说一次这句话吧，不管期刊规定或编辑的想法如何，如果作者不尝试 AMV、重复性或重现性，每一个数值都只有做一次，论文还是可以发表。

也就是说，科学是奠基在开放一个人的原创方法给其他具有类似技能和专业的人，让其他人可以运用这些方法和结果数据来推进自己的 R&D。另一方面，如果结果最后无法重复，我相信它们就不应该发表。为什么呢？这是因为这些不能重复的方法会浪费其他科研人员的时间、精力、资源和金钱。无法重现的发表文章应该要被撤稿并曝光其错误。

2. 坚固性和耐用性

成功的研究分析方法有很多要素，例如坚固性和耐用性。这表示一个方法即使温度、湿度、溶剂纯度、试剂来源、仪器年代、仪器性质、气压等操作参数有所变异，还是能够成功。一个好的方法在0%RSD 至任何数值偏差区间 (+/-) 都能够正常运作，一个好的方法的数值有很小的 %RSD，对操作参数的小部分变异都不敏感。一个不好的方法的数值有很大的 RSD 或 %RSD，而且通常局限在能提供精确数值的实验参数中。

另一方面，一个坚固的方法可以经过多次测量或不同的操作参数仍历久不衰，还是能得出有用、有意义而且可以重复的 RSD 很小的数据。大部分的人都偏好使用坚固耐用且实际、不贵又很好转移到有相似数据和 RSD 的不同群体、实验室的方法。实际上没有科研论文有讨论过自己研究的坚固性和耐用性，除非他们有遵守 ICH 指南，他们通产只有提到一组（优化过的）实验参数，这些参数是取得所有或大部分文章中呈现的数据，但他们从不讨论坚固性和耐用性这些重要的想法。

3. 系统适用性

你的方法最后还是要有系统适用性测试，也就是说，必须要能展示出这个方法适合预期测量。这需要你的实际样本中，在已知水平要有至少两组或以上的试剂系统适用性标准，对比一个试剂，也就是已经找出且定量的实际分析。接着，一定要列出这个标准，做为基准线解决另一个试剂在该标准样本区间的分析物高峰。此外，分析物高峰一定要能够以标准、定量方法的高精确度和准确度被辨识且定量。不过，真正的定量研究都是首先进行系统适用研究，这样分开进行的系统适用性是在被实际样本测量前，证明你的分析系统正确运作的理想方式。虽然大部分的学术 R&D 没有用系统适用性样本，但在许多产业研究中，这是在使用真实样本前必备的条件。

4. AMV 其他方面：准确度 (accuracy)、精确度 (precision)、检测限制等

好的分析方法还需要具备哪些条件，帮你收集你所选择领域的数据呢？有个简单容易设置、容易教给新用户、容易维护、稳定操作、有计算机控制并且能快速取得数据的方法是每个人都想要的，当科学分析方法能达到上述理想标准时，科学能进展得更快。一般人会想要可以提供高准确度的数据（也就是有实际分析水平的一致测量）、每个测量皆精确（小 RSD）、只针对特定分析物（只辨认、量化特定分析物）、低检测与量化限制、线性范围大，还有，强大的数据的方法。上面提到的所有特性基本上都该涵盖在方法中，并且运用在你自己还有其他人的测量中。

尽管有这些进行 AMV 的指南存在，无法重复的方法和结果仍是常见的现象。这样导致的后果通常是已发表数据被迫撤稿，这是对任何科研人员来说是很严重的。那么我们要怎么避免这些无法重复的结果被发表呢？如果科研人员能够要求自己和身边的同行提供所有的数据（至少，要能够进行重复和重现工作）还有充足的统计处理数据点，那么就不会有更多无法重现的文献发表或是因为无法重现而导致的撤稿发生。此外，科研人员也不会失去自己在科学界受人敬重的地位，保全自己的科研生涯。因此，很明显的，如果原研究人员和原研究实验室能够遵循好科学的实践原则，发表高质量数据、结果，那么科学的声誉和未来都会变得更好。

你的未来也是？不是吗？