分析方法驗證指南：如何避免無法重復的研究結果和撤稿

在構建自己的科研生涯時，特別是在硬科學和其他科學或工程相關領域，進行實際的研究只不過是過程的一個步驟。在進行任何需要收集硬數據的 R&D 工作前，一定要有數據收集策略，通常稱為研究方法 (research method)。研究方法包含執行實驗并導出有效數據的特定方法，且在發表前要能夠重復或重現。小心規劃和執行研究是科研人員的責任，如此才能得到可以借由標準驗證方法重復、重現和驗證的數據。由于大部分的 R&D 都包含一些分析方法，即便是生物學、生物化學、生物醫學會其他種類的研究也是如此，大部分的研究最終都要依靠收集到可用的有效分析數據。

分析方法驗證 (Analytical Method Validation, AMV)

方法驗證跟達到大眾所接受的組織所規定的特定標準條件的最終優化方法有關，這些單位包含 International Conference on Harmonization (of Technical Requirements for Registration of Pharmaceuticals for Human Use) 分析方法或是 ICH。ICH 基本上包含監管單位以及制藥和生物制藥產業所提供分析方法該如何驗證的意見。在一些 ICH 文檔中，這些可接受的驗證這些方法的做法借由簽署人員同意，然后再由國際制藥單位（FDA、EMA、JPA 等）采用，如此規范一般處方藥的批準和銷售。這些指南并不適用于非處方藥品，這部分目前還沒有任何相關規范。AMV 有很多方面，例如重復性、重現性、穩健性、耐用性、系統適用性、檢測限制和定量限制等等之外還有很多。不過，如果回歸到基本面上來看，AMV 是要保證最后的任何分析科研方法的合法性、可用性和重現性，最終可供制藥或生物制藥和監管單位使用。任何想要取得監管單位的動物研究、人類臨床研究及營銷許可的公司都需要遵守這些 ICH 指南，但如果個人想要投稿發表到世界上任何期刊，就不需要遵守這些規定。事實上，期刊、編輯或是審稿人不會要求作者遵守任何使用 AMV 的指南。

雖然除了 ICH 外還有其他組織決定何為驗證方法，但 ICH 還是最受認可的指南。ICH 規定所有制藥和生物制藥實踐、公司和主要的監管單位，包含美國 FDA。除了 ICH 外，美國國家標注技術研究所 (National Institute of Standards and Technology, NIST) 和多個期刊科研組織 (IVT/JVT) 也有自己的一套指南，規范開發和應用驗證方法。Institute of Validation Technology (IVT) 是知名的私人組織，專門處理驗證案件。該組織定期出版經過審查的長期在線期刊《Journal of Validation Technology》(JVT)，該期刊幾乎全部都在談各種驗證議題。

有許多書籍、期刊、綜述文章、雜志和網站都專門討論 AMV，例如你可以輕松在在線找到統計方法驗證 ICH 指南。如果有人使用跟 ICH 指南有關的關鍵詞搜索?AMV，那么實質上跟這個有關、由其他監管單位發行的所有文獻都會跑出來。科研人員都該知道這些基本準則，才能在投稿前為自己的方法進行 AMV。不過，你也要知道符合制藥監管單位核準的方法驗證并不一定與其他產業或組織一致。一般來說，大部分做 AMV 的科研人員都是使用 ICH 指南，不過，只有制藥和生物制藥產業在美國或海外向監管單位送審或申請時，才真正需要遵守這些規定。目前世界上還沒有任何期刊在投稿時有任何類似的要求。這都是作者個人特別指定的決定，或許審稿人也可以決定，但通常不會。給科研作者的指南從沒有討論過 ICH 或 AMV 要求。

以下是 ICH 指南中對執行 AMV 的基本要點：

1. 重復性和重現性

任何比較新的化學、生物、生物醫學、藥用或醫學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會收集硬數據，也就是有平均值的數字，還有平均數偏差值，例如標準差 (standard deviation, SD)、相對標準偏差 (relative standard deviation, RSD)、百分含量的相對標準偏差 (percent relative standard deviation, %RSD)、變異系數 (coefficient of variation, CV)等。所有的發表文章都該表示每一個數值重復的次數，通常都用 n 縮寫表示，根據 FDA 規定，n 不得小于 3，最好是大于等于 6。

所有審稿人和期刊編輯應該都不會接受單點數據的科研論文。盡管 ICH 標準并不適用期刊發表，但是每一位審稿人通常需要定義要包含什么樣的 AMV。因此，大部分的期刊或編輯在這方面沒有任何說明，所以大體而言，一切都看不同的作者和審稿人做什么不同的決定。

還有，如果你投稿一篇 n=1 的文章給任何期刊，對你的工作可能有負面影響。我想要強調，就我所知范圍內，從來都沒有任何分析期刊明確說明或規定這些驗證要求。沒有任何期刊把 ICH 的 AMV 指南列入投稿規定中，這一個重要的點就留給作者和審稿人自己決定作者在 AMV 指南部分要做到什么程度。

每一個分析數據的表格都一定要有每一個平均數的重復次數以及可重復性或是 n=重復次數數值，也該有這些數值與其他數值有多相近的說明，如 SD、%RSD 和其他數值。如果研究工作有確實做好，這些數值偏差說明應該很小，一般小于 1-2%，這表示不錯的可重復性。

雖然其他人也有可能使用跟原作同樣的方法、儀器、專業和能力重現，但所有數值的重復性通常是由個人操作的。可重復性通常有原先的科學家進行測試，然后由其他具備相同實力的人，在不同實驗室使用相同的方法、儀器、試劑、化學藥劑等等進行復制重現，由此讓不同的實驗室演示整體重現性。就數量上來看，這些數字應該都有少于幾個 RSD 或 %RSD 百分比的誤差。因為目前沒有科研期刊要求作者要演示重現性，有很多作者跟審稿人不相信要讓研究認為可接受且值得發表，應該要包含這些東西在投稿論文之中。讓我用別種說法在說一次這句話吧，不管期刊規定或編輯的想法如何，如果作者不嘗試 AMV、重復性或重現性，每一個數值都只有做一次，論文還是可以發表。

也就是說，科學是奠基在開放一個人的原創方法給其他具有類似技能和專業的人，讓其他人可以運用這些方法和結果數據來推進自己的 R&D。另一方面，如果結果最后無法重復，我相信它們就不應該發表。為什么呢？這是因為這些不能重復的方法會浪費其他科研人員的時間、精力、資源和金錢。無法重現的發表文章應該要被撤稿并曝光其錯誤。

2. 堅固性和耐用性

成功的研究分析方法有很多要素，例如堅固性和耐用性。這表示一個方法即使溫度、濕度、溶劑純度、試劑來源、儀器年代、儀器性質、氣壓等操作參數有所變異，還是能夠成功。一個好的方法在0%RSD 至任何數值偏差區間 (+/-) 都能夠正常運作，一個好的方法的數值有很小的 %RSD，對操作參數的小部分變異都不敏感。一個不好的方法的數值有很大的 RSD 或 %RSD，而且通常局限在能提供精確數值的實驗參數中。

另一方面，一個堅固的方法可以經過多次測量或不同的操作參數仍歷久不衰，還是能得出有用、有意義而且可以重復的 RSD 很小的數據。大部分的人都偏好使用堅固耐用且實際、不貴又很好轉移到有相似數據和 RSD 的不同群體、實驗室的方法。實際上沒有科研論文有討論過自己研究的堅固性和耐用性，除非他們有遵守 ICH 指南，他們通產只有提到一組（優化過的）實驗參數，這些參數是取得所有或大部分文章中呈現的數據，但他們從不討論堅固性和耐用性這些重要的想法。

3. 系統適用性

你的方法最后還是要有系統適用性測試，也就是說，必須要能展示出這個方法適合預期測量。這需要你的實際樣本中，在已知水平要有至少兩組或以上的試劑系統適用性標準，對比一個試劑，也就是已經找出且定量的實際分析。接著，一定要列出這個標準，做為基準線解決另一個試劑在該標準樣本區間的分析物高峰。此外，分析物高峰一定要能夠以標準、定量方法的高精確度和準確度被辨識且定量。不過，真正的定量研究都是首先進行系統適用研究，這樣分開進行的系統適用性是在被實際樣本測量前，證明你的分析系統正確運作的理想方式。雖然大部分的學術 R&D 沒有用系統適用性樣本，但在許多產業研究中，這是在使用真實樣本前必備的條件。

4. AMV 其他方面：準確度 (accuracy)、精確度 (precision)、檢測限制等

好的分析方法還需要具備哪些條件，幫你收集你所選擇領域的數據呢？有個簡單容易設置、容易教給新用戶、容易維護、穩定操作、有計算機控制并且能快速取得數據的方法是每個人都想要的，當科學分析方法能達到上述理想標準時，科學能進展得更快。一般人會想要可以提供高準確度的數據（也就是有實際分析水平的一致測量）、每個測量皆精確（小 RSD）、只針對特定分析物（只辨認、量化特定分析物）、低檢測與量化限制、線性范圍大，還有，強大的數據的方法。上面提到的所有特性基本上都該涵蓋在方法中，并且運用在你自己還有其他人的測量中。

盡管有這些進行 AMV 的指南存在，無法重復的方法和結果仍是常見的現象。這樣導致的后果通常是已發表數據被迫撤稿，這是對任何科研人員來說是很嚴重的。那么我們要怎么避免這些無法重復的結果被發表呢？如果科研人員能夠要求自己和身邊的同行提供所有的數據（至少，要能夠進行重復和重現工作）還有充足的統計處理數據點，那么就不會有更多無法重現的文獻發表或是因為無法重現而導致的撤稿發生。此外，科研人員也不會失去自己在科學界受人敬重的地位，保全自己的科研生涯。因此，很明顯的，如果原研究人員和原研究實驗室能夠遵循好科學的實踐原則，發表高質量數據、結果，那么科學的聲譽和未來都會變得更好。

你的未來也是？不是嗎？