IC50 是把劑量與反應值擬合成四參數邏輯斯(four-parameter logistic, 4PL)曲線後,由曲線算出的劑量,計算方法是非線性最小平方法。擬合直接給出的中點是相對 IC50,也就是反應值落在上下平台正中間的劑量;絕對 IC50 是反應值等於對照組 50% 的劑量,要再由曲線反推。這個數字能不能報告,取決於劑量是否涵蓋兩個平台,以及信賴區間有多寬。
4PL 模型與四個參數
劑量反應資料畫在對數劑量軸上通常呈 S 形:低劑量時反應值貼著一個平台,高劑量時貼著另一個平台,中間是過渡段。4PL 用四個參數描述這條曲線:
Y = Bottom + (Top − Bottom) / (1 + 10^((log10(IC50) − log10(X)) × HillSlope))
- X:劑量或濃度,必須大於 0。
- Y:反應值,例如存活率、抑制率或吸光值。
- Bottom:下平台,反應值的最低水準。
- Top:上平台,反應值的最高水準。
- IC50:中點,反應值等於 (Top + Bottom) / 2 時的劑量。
- HillSlope:Hill 斜率,描述過渡段的陡度,沒有單位。
擬合的意思是找出一組參數,讓曲線預測值與實測值之差的平方和最小。這是非線性迴歸,沒有公式解,軟體從初始值出發反覆迭代直到收斂。四個參數都要從資料估計,所以資料點必須多於四個;n 個點擬合後剩下 n − 4 個自由度。
抑制型曲線的中點稱為 IC50,訊號隨劑量上升的曲線稱為 EC50。兩者用同一條方程式,是同一個參數。
Hill 斜率的大小與正負號
Hill 斜率的絕對值等於 1 時,反應值從過渡段的 10% 走到 90% 需要 81 倍的劑量。絕對值越大,過渡段越陡,同樣的變化在更窄的劑量範圍內完成。
在上面的方程式寫法下,抑制型曲線的 Hill 斜率為負,上升型為正。有些軟體把指數寫成 (log10(X) − log10(IC50)),正負號就會相反。比較不同軟體的結果時看絕對值,並在報告中寫出方程式。Hill 斜率描述的是曲線形狀,單憑這個數字不能推論結合位的數目。
劑量放在對數軸的理由
- 劑量通常以連續稀釋配製,相鄰劑量相差固定倍數,在對數軸上間距相等。
- 4PL 曲線在對數劑量軸上以中點為中心對稱。改用線性軸,低劑量的點會全部擠在左側。
- 擬合時估計的是 log10(IC50)。它的不確定性比較接近對稱,所以信賴區間先在對數尺度計算,再轉回原始單位;轉回後的區間上下不對稱。
劑量 0 沒有對數,不能放進曲線。未加藥的對照組用來定義 100%,不當成一個劑量點。
完整算一次:8 個劑量的範例
下表是示意資料,不是真實實驗數據。情境設定為細胞存活率分析:反應值已換算成溶劑對照組的百分比(對照組為 100%,無細胞空白為 0%),每個劑量一個平均值。
| 劑量(µM) | 實測存活率(%) | 擬合值(%) | 殘差 |
|---|---|---|---|
| 0.01 | 98.9 | 99.81 | −0.91 |
| 0.03 | 99.6 | 98.48 | 1.12 |
| 0.1 | 93.2 | 93.29 | −0.09 |
| 0.3 | 79.5 | 79.71 | −0.21 |
| 1 | 54.1 | 54.03 | 0.07 |
| 3 | 35.3 | 35.11 | 0.19 |
| 10 | 26.0 | 26.42 | −0.42 |
| 30 | 24.3 | 24.06 | 0.24 |
擬合結果
用 Python 的 scipy.optimize.curve_fit 以未加權的非線性最小平方法擬合上面的方程式,結果如下:
| 參數 | 估計值 | 標準誤 |
|---|---|---|
| Bottom | 23.12% | 0.73 |
| Top | 100.32% | 0.64 |
| log10(IC50) | −0.1494 | 0.0158 |
| IC50 | 0.709 µM | 95% 信賴區間 0.641–0.785 µM |
| HillSlope | −1.174 | 0.047 |
R² 為 0.9997,殘差標準誤為 0.775 個百分點,自由度為 8 − 4 = 4。
信賴區間的算法是 log10(IC50) ± t × 標準誤,t 取自由度 4 的 t 分布臨界值 2.776,算完再取 10 的次方。改用常態近似(臨界值 1.960)會得到 0.660–0.762 µM,區間較窄。Lab Grimoire 的劑量反應工具採用常態近似,所以報告信賴區間時要寫明算法。
相對 IC50 與絕對 IC50 差多少
擬合出的 0.709 µM 是相對 IC50。在這個劑量,曲線的反應值是 (100.32 + 23.12) / 2 = 61.72%,位於上下平台的正中間。此時存活率還有約 62%,沒有降到對照組的一半。
絕對 IC50 是曲線等於對照組 50% 的劑量。把 Y = 50 代回方程式解出 X:
X = IC50 × ((Top − Bottom) / (50 − Bottom) − 1)^(−1 / HillSlope)
代入數字:0.709 × 1.872^0.852 = 0.709 × 1.706 ≈ 1.209 µM。
同一組資料、同一條曲線,絕對 IC50 是相對 IC50 的 1.71 倍。差距來自下平台停在 23% 而沒有降到 0%。下平台越高,兩個數字差越多;下平台高於 50% 時,曲線碰不到 50%,絕對 IC50 不存在。只有 Top 等於 100、Bottom 等於 0 時,兩個數字才相同。
有些報告直接在 50% 兩側的兩個點之間內插。以範例的 1 µM(54.1%)與 3 µM(35.3%)在對數劑量上做直線內插,得到 1.271 µM,和曲線反推的 1.209 µM 接近。但是內插只用到兩個點,結果隨這兩個劑量的位置與量測誤差變動,也沒有標準誤與信賴區間可以報告。4PL 擬合用到全部資料點,並同時給出每個參數的不確定性。
兩種定義的選擇
Sebaugh(2011)的準則如下。沒有穩定 100% 對照的分析,必須用相對 IC50。有穩定的 100% 對照,但 50% 對照平均值的估計誤差可能超過 5% 時,也用相對 IC50。能證明 100% 對照準確而穩定、且該誤差小於 5% 的分析,可以用絕對 IC50。這裡的 50% 對照,指 0% 對照與 100% 對照的平均。
把資料的最小值設成 0、最大值設成 100 的正規化,不會把相對 IC50 變成絕對 IC50。這個做法只把下平台的數字改寫到 0 附近,沒有用到對照組的資訊。兩種 IC50 不能放在同一張表裡比較,報告時要寫明是哪一種。
劑量設計與外推
劑量的數量與範圍
**數量。**四個參數至少需要五個點才有自由度。常見設計是 8 到 12 個劑量,以 3 倍或半對數(約 3.16 倍)連續稀釋。Lab Grimoire 的工具要求至少 5 個大於 0 的劑量,少於 8 個會顯示提示。
**範圍。**資料要同時涵蓋下平台、過渡段與上平台。工具在劑量範圍小於 1.5 個 log10 單位時會顯示提示。範例的劑量範圍是 3.48 個 log10 單位。預估的 IC50 最好落在劑量範圍的中段,讓兩側各有足夠的點描述平台。第一次測試某個化合物時,可以先用較大的稀釋倍數找出 IC50 的大概位置,再用較密的劑量重做。
**兩端都要有點。**依 Sebaugh(2011),相對 IC50 只有在上下兩個轉折點(bend point)之外各有至少兩個劑量時才適合報告;絕對 IC50 需要至少兩個劑量的預測反應值低於 50%,另有至少兩個高於 50%。範例中 3、10、30 µM 的擬合值(35.11%、26.42%、24.06%)低於 50%,其餘五個劑量高於 50%。
平台沒有出現時,中點是外推值
如果最高劑量還落在過渡段,Bottom 就沒有實測資料支持,是曲線依形狀推出去的。中點定義在 Top 與 Bottom 的正中間,Bottom 不確定,IC50 也跟著不確定。這樣的 IC50 稱為外推值。
把範例拿掉最高的三個劑量,只留 0.01 到 1 µM 的五個點重新擬合:
| 比較 | 8 個劑量 | 5 個劑量 |
|---|---|---|
| Bottom(標準誤) | 23.12%(0.73) | 32.97%(19.58) |
| IC50 | 0.709 µM | 0.556 µM |
| IC50 的 95% 信賴區間 | 0.641–0.785 µM | 0.001–334 µM |
| R² | 0.9997 | 0.9988 |
五個點擬合四個參數只剩 1 個自由度。下平台的標準誤從 0.73 變成 19.58,信賴區間橫跨五個數量級以上,R² 卻幾乎沒有變化。
Lab Grimoire 的工具用一條固定規則判定外推:擬合出的平台超出實測反應值範圍,且超出量大於該範圍的 10% 時,在結果旁標註外推。這組五點資料的實測範圍是 54.1% 到 99.6%,範圍的 10% 是 4.55,容許下限是 49.55%;擬合的 Bottom 為 32.97%,低於下限,所以會被標註。
處理方式是補做更高的劑量,讓平台出現在資料裡。溶解度或毒性不允許時,報告「IC50 大於最高測試劑量」,不報外推出來的數字。另一個做法是依對照組把平台固定,例如把 Bottom 固定為 0;這是一個假設,要有依據並寫進報告。工具對存活率與抑制率資料會另外擬合 Bottom 固定為 0 的三參數模型,並以 F 檢定和 4PL 比較。
擬合品質:R²、殘差與信賴區間
**R² 幾乎總是很高。**S 形資料的反應值跨距大,曲線只要大致通過資料點,就能解釋絕大部分變異。上一節的五點資料 R² 為 0.9988,IC50 卻無法確定。Spiess 與 Neumeyer(2010)用 Monte Carlo 模擬評估後指出,R² 不適合用來衡量非線性模型。Lab Grimoire 的工具在 R² 低於 0.95 時會顯示提示;R² 高於 0.95 並不表示 IC50 可以報告。
**檢查殘差。**殘差是實測值減去擬合值。模型合適時,殘差在 0 上下散布,正負號不隨劑量呈現規律,大小與重複孔之間的差異相當。範例的八個殘差最大為 1.12 個百分點,正負號沒有集中在某一段劑量。如果低劑量段的殘差全為正、高劑量段全為負,或者相反,代表曲線形狀與資料不合。常見原因有三個:曲線不對稱、高劑量的反應值反轉、某個平台被固定在錯的數值。
**檢查信賴區間。**信賴區間把 IC50 的不確定性寫成數字。區間寬到跨越一個數量級時,這個 IC50 只能當作粗略估計。Bottom 與 Top 的標準誤也要看,其中一個特別大,通常表示那一端的平台沒有資料。
單一條曲線的信賴區間只反映這一次擬合的精密度,不包含不同批次、不同日期之間的變異。同一塊盤上的重複孔屬於技術重複,不能算成獨立實驗的次數。要描述實驗之間的再現性,需要重複獨立實驗,再彙整各次的 log10(IC50)。
**檢查參數是否合理。**Top 遠高於對照組、存活率的 Bottom 為負值、Hill 斜率的絕對值極大,都表示資料不足以決定參數。
改用 5PL 的時機
4PL 假設曲線在對數劑量軸上以中點為中心對稱。免疫分析的標準曲線常常不對稱,上下兩段彎曲的程度不同。五參數邏輯斯(five-parameter logistic, 5PL)多一個不對稱參數;Gottschalk 與 Dunn(2005)比較了 5PL 與 4PL 的特性。
適合改用 5PL 的情況要同時符合三點:殘差顯示 4PL 有成段的偏差、資料點夠多可以多估一個參數、分析目的是把樣本讀值回推成濃度。5PL 的中點參數不等於半反應劑量,要報告 EC50 時須另外由曲線計算。Lab Grimoire 的工具只擬合 4PL。
從 4PL 標準曲線回推樣本濃度(含稀釋倍數),見 ELISA 標準曲線工具。
報告與論文該寫的內容
- 模型與方程式:寫出 4PL 的方程式,包括 Hill 斜率的正負號寫法。
- IC50 的定義:相對 IC50 或絕對 IC50;絕對 IC50 要說明 0% 與 100% 對照是什麼。
- IC50 與 95% 信賴區間:附上信賴區間的算法。多次獨立實驗彙整時,用 log10(IC50) 取平均。
- 其他參數:Top、Bottom、Hill 斜率;哪些參數被固定、固定在多少、依據是什麼。
- 劑量設計:劑量個數、最低與最高劑量、稀釋倍數、每個劑量的重複數、獨立實驗次數。
- 資料處理:正規化方式、是否加權、是否排除資料點與排除的理由。
- 擬合品質:殘差標準誤或殘差圖;R² 可以附上,不能單獨作為依據。
- 外推:平台沒有出現時明確標示,或改報「大於最高測試劑量」。
- 軟體:名稱、版本與使用的函式。
用自己的資料算一次
劑量反應 4PL 工具在瀏覽器裡用 R(webR)的 nls 與 SSfpl 擬合,輸出 IC50 或 EC50、95% 信賴區間、Hill 斜率、R²、殘差與外推標註,並附上可在桌面版 R 重跑的程式碼。Ritz 等人(2015)介紹的 R 套件 drc 是桌面環境常用的另一個選擇。
資料沒有平台、反應值在測試範圍內隨劑量呈直線變化時,4PL 的參數無法確定,改用線性迴歸工具比較合適。
參考資料
- Sebaugh JL. Guidelines for accurate EC50/IC50 estimation. Pharm Stat. 2011;10(2):128–134. doi:10.1002/pst.426
- Ritz C, Baty F, Streibig JC, Gerhard D. Dose-Response Analysis Using R. PLoS ONE. 2015;10(12):e0146021. doi:10.1371/journal.pone.0146021
- Motulsky H, Christopoulos A. Fitting Models to Biological Data Using Linear and Nonlinear Regression: A Practical Guide to Curve Fitting. Oxford University Press; 2004. doi:10.1093/oso/9780195171792.001.0001
- Campbell RM, Dymshitz J, Eastwood BJ, et al. Data Standardization for Results Management. In: Assay Guidance Manual [Internet]. Bethesda (MD): Eli Lilly & Company and the National Center for Advancing Translational Sciences; 2012(2017 更新). https://www.ncbi.nlm.nih.gov/books/NBK91993/
- Gottschalk PG, Dunn JR. The five-parameter logistic: a characterization and comparison with the four-parameter logistic. Anal Biochem. 2005;343(1):54–65. doi:10.1016/j.ab.2005.04.035
- Spiess AN, Neumeyer N. An evaluation of R2 as an inadequate measure for nonlinear models in pharmacological and biochemical research: a Monte Carlo approach. BMC Pharmacol. 2010;10:6. doi:10.1186/1471-2210-10-6