当Cq值不能直接比：荧光定量PCR中被误用的六个假设

qPCR 是分子生物学里最日常的技术，也正因为日常，六个关键假设被广泛默认而很少被检验：Cq 可以在体系间比较、扩增效率等于 2、内参基因是稳定的、2^-ΔΔCt 可以直接套用、熔解曲线能证明特异性、以及"未检出"等于"零"。这些假设中大部分在常规实验里成立，但每一个都有明确的失效边界，而失效时的表现是你仍然能得到一列看起来规整的数字——这才是最危险的地方。

 

01、Cq 到底测的是什么

先纠正一个流传很广的说法：Cq 值不是"达到某个固定荧光值的循环数"，而是"荧光信号超过背景与阈值之间的差值达到某个设定值的循环数"。这个定义里有两个关键点，每个都对应一个实际的失效边界。

第一个关键点：阈值是人为设定的

阈值线画在扩增曲线的指数上升段。它画高一点，所有样品的 Cq 都会变大；画低一点，Cq 都会变小。在一批样品内部，阈值的选择通常只影响 Cq 的绝对值、不影响相对差值（因为阈值平移对所有样品的影响近似一致），所以 ΔΔCt 计算仍然成立。但在跨实验、跨仪器、跨实验室比较时，阈值设定往往不同，这直接破坏了 Cq 的可比性。

这就是为什么"Ct 值 30 在任何机器上都是一样的"这个说法是错的——MIQE 规范正是要把 Ct 改称 Cq（quantification cycle，定量循环），强调这是一个"在特定体系中被定义的量"，而不是一个绝对不变的常数。

第二个关键点：基线扣除会引入方差

仪器需要估计"背景荧光"并从总信号中扣除。常见做法是在前若干个循环（通常 3–15）估计一个固定基线值，然后减去。这个基线估计的不确定性会整体地传导到每一个 Cq 值上，导致误差被放大。研究表明，采用固定基线估计会使效率估计的离散度增加约 75%——也就是说，为了达到同样的精度，你需要做三倍的重复。

使用自带动态基线（adaptive baseline）的仪器能改善这个问题，但它引入了一个新的风险：动态基线会随样本的起始量变化，从而在不同起始量的样本之间产生系统性偏移。这意味着"低拷贝样本的 Cq"和"高拷贝样本的 Cq"之间的差异被部分校正掉了，你会低估动态范围。

阈值线的位置如何决定 Cq阈值 A（高）阈值 B阈值 C（低）Cq 24Cq 27Cq 30循环数失效边界同一份样本，阈值相差 3 个循环，Cq 相差 3 —— 但 ΔΔCt 在同批内保持稳定。跨实验报告"绝对 Cq"或跨实验室比较病毒载量时，必须声明阈值设定方式，否则数值不可比。

图1：阈值线是人为设定的，Cq 是"信号越过该阈值"的循环数。三条曲线是同一样本在不同阈值下的读数，得到的 Cq 分别为 24、27、30。批内比较不受影响，但绝对 Cq 值的跨实验引用必须附带阈值设定信息。

什么样的样品不能报绝对 Cq

（1）抑制物存在的样品。抑制会推迟扩增曲线整体右移，导致 Cq 偏大。这是"假阴性"最常见的来源。

（2）超出线性检测范围的样品。高拷贝样品在反应早期就耗尽了引物与试剂，曲线提前进入平台期，Cq 偏小，报告的拷贝数被低估。荧光在平台期是"试剂用完了"的信号，不是"起始量更多"的信号。

（3）多重反应中的非特异扩增。如果有非特异产物也在积累，你的阈值线迟早会把它算进去。

02、效率：公式的推导与它的失效

从标准曲线到效率

把已知量的模板做梯度稀释，跑 qPCR，以 Cq 对浓度的对数作图。理想情况下 Cq 与 log(模板量) 呈线性关系，斜率反映每循环的扩增倍数。斜率为 −3.32 对应扩增倍数 2.0（效率 100%），因为 log2(2) = 1，而阈值固定时每相差一个数量级需要 1/log2(E) 个循环。

# 标准曲线法
E = 10^(−1/slope) − 1        # slope 为 Cq vs log10(浓度) 的斜率
slope = −3.32  →  E = 2.0 (100%)
slope = −3.10  →  E = 2.13 (113%)
slope = −3.60  →  E = 1.86 (86%)

接受区间：E 在 90% – 110%，且 R² > 0.98（或更严格 0.99）

# 效率校正的相对定量（Pfaffl 法）
ratio = (E_target)^(−ΔCq_target) / (E_ref)^(−ΔCq_ref)
相比 2^(−ΔΔCt)，效率差异被显式纳入

效率公式本身的一个陷阱

E = 10^(−1/slope) − 1 假设扩增是严格指数的。但真实的 PCR 效率是随循环数衰减的：早期接近 100%，随后因为引物耗减、产物累积带来的抑制、酶活性下降而逐渐降低。

单反应效率估计（logistic model estimation, LRE）就是基于这个观察：把整条扩增曲线拟合到一个逻辑斯蒂模型，提取基线段的效率参数 E₀。这个方法不需要稀释梯度，因此也没有稀释误差，而且它给出的 E₀ 与校准法得到的效率高度一致——但它的实现需要 4–6 个自由参数的非线性最小二乘拟合，对原始荧光数据的质量要求高得多。

实践建议是：用标准曲线法做常规报告，同时在建立方法时用 LRE 交叉验证一次。如果你发现 LRE 与标准曲线法给出的效率差异很大，说明你的扩增曲线形态异常（存在明显的基线漂移或明显的效率衰减），这时两者的定量结果都值得怀疑。

效率偏离的实际影响

假设真实效率是 95%（每循环 1.95 倍），但你按 100% 计算。跑了 30 个循环后，误差被放大到不可忽略：

真实效率	假定效率	误差方向	30 循环后的倍数误差
95% (1.95)	100% (2.00)	低估	约 1.7 倍
105% (2.05)	100% (2.00)	高估	约 2.1 倍
110% (2.10)	100% (2.00)	高估	约 4.1 倍
85% (1.85)	100% (2.00)	低估	约 5.9 倍

请注意这个误差表对 ΔΔCt 法的意义：ΔΔCt 方法对效率误差是"免疫"的——只要目的基因与内参基因的效率相同，即便这个共同效率是 90% 或 110%，2^(−ΔΔCt) 仍然成立。因为误差在相减的过程中被抵消了。ΔΔCt 失效的条件是"两个基因的效率不相等"，而不是"效率不等于 100%"。这是一个被广泛误解的关键点——很多研究者以为"我的效率是 93%，所以 2^-ΔΔCt 不可用"，但实际上 93% 本身不是问题，问题是目的基因 93% 而内参 105%。

因此的实操建议

如果你只关心相对倍数变化：先测两个基因的实际效率，如果差值在 5 个百分点以内（例如 96% 与 99%），放心用 2^(−ΔΔCt)。如果差值更大（例如 85% 与 104%），必须用 Pfaffl 法。这比"效率不在 90–110% 就不能用 ΔΔCt"的教条说法要准确得多。

03、"超过 100% 的效率"意味着什么

扩展效率在数学上不可能超过 100%——产物每个循环最多翻倍。所以"效率 115%"这个结果必然意味着测量或假设出了问题。

可能的原因按常见程度排序：

（1）稀释梯度最高浓度点存在抑制。高浓度的血红蛋白、肝素、残留盐或乙醇会抑制扩增，使曲线右移，斜率变浅，算出的效率虚高。这是最常见的原因，且完全可以通过把最高稀释点降低一个数量级来验证。

（2）稀释系列配制误差。逐级 10 倍稀释时，每次移液的小误差会在对数轴上放大。特别是低浓度端的 1 μL 移液误差可达 10%。

（3）引物二聚体或非特异产物贡献荧光。在标准曲线的低浓度端，非特异产物的量相对目标产物占比上升，把曲线整体抬高、斜率变浅。这在 SYBR Green 染料法中尤其明显，因为染料检测所有双链 DNA，包括非特异的。

（4）阈值设定问题。阈值过低时，非特异扩增的晚期信号会被算入，把斜率压平。

（5）基线扣减不当。如 §01 所述。

不要做的事

看到效率 112% 时，正确的反应是"我的方法学有问题"，而不是"我的这个基因扩增特别快"。物理不允许超过 100% 的效率。把异常的高效率当成好结果的实验，报告的数据往往是错的。

染料法与探针法的差别在这里被放大

SYBR Green I 检测所有双链 DNA，包括引物二聚体与非特异产物，因此在低拷贝区间的信噪比会明显恶化。TaqMan 类的水解探针法增加了"探针必须被序列特异性识别并被 5' 核酸酶活性切割"这一步，因此在起始量很低时信噪比更好。如果你的实验涉及低拷贝检测或宽动态范围，染料法的假阳性风险是实质性的，而探针法虽然贵，但在这个场景下更可靠。

04、2^-ΔΔCt 的三个隐含前提

这个方法之所以如此流行，是因为它把定量问题变成了一个减法。但它依赖三个前提，每一个都可能被违反而你毫无察觉。

前提一：效率相等且接近 2

如 §02 所述，这是主要风险，也是最容易检测的（做标准曲线）。

前提二：内参基因的表达量在所有样本中恒定

这是一个生物学假设，不是数学假设。它经常不成立，而且失败得非常隐蔽——因为你的内参看起来"很稳定"（Ct 值都在 20 附近），但它在处理组里恰好上升了 1.5 倍，于是你的处理组相对表达量被压低了 0.6 倍（2^(−1)）。

前提三：Cq 值与 log(模板量) 之间的线性关系在整个范围内成立

如果你的样本 Ct 值跨度太大（比如从 15 到 38），这 23 个循环可能跨越了反应的多个效率阶段——早期高效率、后期低效率。ΔΔCt 的推导假设全程指数扩增，若跨越太宽则误差累积。

内参漂移如何伪造出一个"表达变化"情形 A · 内参稳定0.25.5.751对照处理2^(−ΔΔCt) = 1.0情形 B · 内参被处理上调0.25.5.751对照处理2^(−ΔΔCt) = 0.38目的基因未变，但相对量化给出 0.38 倍为什么会发生GAPDH / β-actin 在缺氧、增殖状态改变、细胞分化、病毒感染、代谢调控时都会被动表达。典型场景：处理改变了细胞增殖速率 → 组成型"管家"基因的量随细胞总量变化 → 归一化把它抵消掉了。更危险的是反向：若处理同时影响目的基因与内参，误差可能部分抵消或叠加，方向不可预测。

图2：内参漂移造成的系统性偏移。左图中目的基因真实未变，ΔΔCt = 0；右图中由于内参在处理条件下上调 1.4 倍，归一化后目的基因被算作 0.38 倍的下调。这种错误无法通过重复实验发现——重复只会稳定地重现同一个错误值。

05、内参基因：稳定性必须被统计检验

"管家基因"的自我矛盾

内参基因之所以叫"管家基因"，是因为它们负责维持基本细胞功能，因此预期表达稳定。但"维持基本功能"与"表达量恒定"是两回事：管家基因仍然参与代谢与应激调控，其表达会随细胞状态变化。用管家基因做内参，等于假设"我测的那个东西不受实验条件影响"——而这正是你必须对目的基因做出的假设，你不能同时对两者都假设。

必须做的验证

正确做法是：在你的实验条件下（相同的处理、相同的组织、相同的时间跨度），测试 6–12 个候选内参基因，用统计工具评估它们的稳定性。

工具	核心逻辑	输出	适合场景
geNorm	基于多个内参配对比较，计算每对基因的变异系数，取最稳定的两个	稳定性排序 M 值	经典方案，需要 ≥3 个候选
NormFinder	混合效应模型，同时分离技术变异与组间变异	稳定性评分 + 最佳内参数	组间差异明显时更稳健
BestKeeper	直接基于原始 Ct 值的变异系数、偏度与 Pearson 相关	排名与配对相关系数	直观，适合快速判断
RefFinder	整合多种算法（geNorm、NormFinder、BestKeeper、delta Ct）	几何平均排名	避免单一算法偏差

稳定性的判断标准

（1）跨越你关心的对比维度。如果你研究的是"处理 vs 对照"，稳定性必须在处理 vs 对照之间检验。如果你研究的是"两个组织类型"，就必须在组织类型之间检验。跨维度的稳定性不能外推。

（2）样本量足够。至少每组 3 个生物学重复，理想 5 个以上。稳定性检验本身需要统计功效，样本太少时所有基因看起来都"稳定"（因为组内变异大到淹没了组间差异）。

（3）结合 Ct 值分布判断。候选内参的 Ct 值应落在 15–25 之间。Ct > 30 的内参本身接近检测下限，变异系数会被人为放大；Ct < 15 的内参接近平台区，同样不可靠。

什么是真正糟糕的内参选择

最常见的问题是只测一个内参就用。统计上，单内参无法判断它自身是否稳定——你需要一个参照才能判断参照是否可靠。一个务实的替代方案是：先做一次筛选实验（跨多个条件测 8–10 个候选），选定 2 个在不同条件下都稳定的内参，在后续每个实验里同时测这两个。如果某个实验里两者的 Cq 差异超出预期，就是这个实验出问题的信号。

不要忘记检查的技术因素

除了生物学稳定性，还要检查内参的技术稳定性：它的扩增效率是否也在 90–110% 区间？它的 amplicon 长度是否与目的基因接近（避免不同扩增效率带来的差异）？如果目的基因 amplicon 是 120 bp 而内参是 400 bp，两者的扩增动力学特性会有可测量的差异。推荐的做法是让目的基因与内参的 amplicon 长度差控制在 100 bp 以内。

06、多内参与几何平均归一化

当使用多个内参基因时，归一化的正确做法是取几何平均而非算术平均。

归一化因子 = (Cq_ref1 × Cq_ref2 × Cq_ref3)^(1/3)

注意：这是对 Cq 取几何平均，不是对拷贝数取几何平均。
      因为 Cq 与 log(拷贝数) 呈线性，几何平均在 log 空间上是算术平均，
      等价于先把拷贝数取几何平均再转回 Cq。

然后用归一化后的 Cq（ΔCq）继续 ΔΔCt 计算。

更简洁的做法是直接在 ΔΔCt 层面处理：把每个内参算出的 ΔΔCt 值取平均，再对平均结果取 2^(−ΔΔCt)。这与在 Cq 层面取几何平均数学上等价，但实现上更不容易出错。

需要注意的一个技术细节

不同内参基因的扩增效率可能略有不同。如果你在计算 ΔΔCt 时把三个内参的 Cq 直接相减再平均，实际上隐含了"三者效率相同"的假设。严谨的做法是先对每个内参单独用 Pfaffl 法计算比值，再对多个比值取几何平均。

这个差异在常规实验中通常不显著（内参之间的效率差多在 3–5 个百分点），但在你已经发现某个基因对处理敏感、需要谨慎解释的场景下，多做这一步能省掉后续的质疑。

07、熔解曲线能证明什么，不能证明什么

熔解曲线是染料法实验的必需项，但它的证明力被普遍高估。

它能说明的

（1）是否存在多个扩增产物。多个熔解峰意味着有多个产物或多个解离行为。

（2）产物长度是否符合预期。主峰位置应与设计长度一致，偏差超过约 10 bp 值得追查。

（3）样品间的一致性。不同样品的熔解曲线形状是否一致。

它不能说明的

（1）不能证明序列特异性。一个双链 DNA 无论序列是什么，只要双链结构形成且 GC 含量相同，就会给出相似的熔解温度。两个不同序列的 PCR 产物可以有几乎重合的熔解峰。

（2）单一尖锐峰不排除非特异扩增。如果非特异产物恰好与主产物等长、GC 含量相近，或者非特异扩增量远低于主产物而落在同一个峰里，熔解曲线看不出任何异常。

（3）不能排除引物二聚体。引物二聚体通常在 60–70 bp 有特征峰，但小规模的二聚体可能被主峰掩盖。

正确的表述方式

论文里应该写"熔解曲线显示单一的尖锐峰，Tm 为 X °C，与预期产物一致"，而不是"熔解曲线证明了扩增的特异性"。前者是事实描述，后者是过度声明。审稿人对后者非常敏感，而对前者无话可说。如果你需要真正的序列特异性证据，唯一的方法是把产物测序。

什么时候熔解曲线会误导你

当存在两个长度相近但 GC 含量不同的产物时，可能出现一个被"拉伸"的宽峰——看起来像是一个主峰加肩峰。这时候不要用"只有一个峰"来下结论，而应该把该样品送测序。同理，如果你的实验用了梯度 PCR 或 touch-down PCR，产物组成在反应后期发生变化，早期循环的产物被后续循环的高退火温度产物稀释，熔解曲线可能只显示后一个产物，掩盖了早期的非特异扩增。

08、抑制物检测：一个被跳过的关键实验

抑制是 qPCR 中最普遍、最容易被忽视、后果最严重的系统性误差。它的特征是：曲线形态正常、熔解曲线正常、Cq 稳定重复，但整体右移。它不会产生任何报警信号。

常见的抑制物与来源

（1）血液制品：肝素。PCR 抑制的经典抑制物，全血与血浆样本中浓度可达 10–100 U/mL。用肝素抗凝管采集的样本需要处理（用镁螯合剂去除、或改用 EDTA 抗凝管重采）。

（2）血红蛋白与血红素。溶血样本中抑制显著，且抑制程度与溶血程度相关。轻微溶血（1–2 g/dL 游离 Hb）即可造成数个循环的延迟。

（3）环境与 RNA 提取残留：SDS、EDTA、胍盐、乙醇、酚。这些是核酸提取过程中的残留物，抑制强度取决于浓度。EDTA 会螯合 Mg²⁺，而 Mg²⁺ 是 Taq 的辅因子，因此 EDTA 的抑制机制特别明确。

（4）组织特异成分：木质素、腐殖酸（粪便）、黏液（唾液、痰）、脂质（血浆中的脂蛋白）。

检测抑制的标准做法：内标平行扩增

最直接的方法是在每个样品中加入一个已知量的外源扩增模板（内标），它与目标序列使用相同的引物/缓冲体系但序列不同。如果内标在所有样品中 Cq 一致，说明无抑制；如果内标在某些样品中 Cq 明显变大，说明这些样品被抑制，需要按 1:5 或 1:10 稀释后重跑。

这个实验成本极低（一个额外的引物对与一条标准曲线），但它能在送样测序之前就告诉你哪些数据不可信。经验值是 1:10 稀释：多数抑制在稀释十倍后降到可接受水平，而低拷贝模板也能承受这个损失（如果你的目标在 LOD 附近，改用 1:5 更保险）。

最危险的场景

"未检出"与"存在但被抑制"在曲线上是无法区分的。如果你的阳性对照跑得很漂亮，而临床样本全是未检出，且样本是血液制品——你有相当概率面对的不是真阴性，而是抑制导致的假阴性。这类实验必须内标并行，没有例外。

09、"未检出"的三种含义

"未检出"（Not Detected，ND）在不同语境下至少对应三种完全不同的生物学状态，混用会导致严重的解释错误。

状态	含义	判别方式	报告规范
真阴性	样本中确实不存在目标序列，且检验体系有效	内标正常扩增 + 重复一致 + 灵敏度足够	"未检出（未达检测限）"
低于定量下限（LLOQ）	存在，但量低于可信定量范围	信号可检出但落在校准范围之外	"低于定量下限（
抑制性假阴性	存在，但被抑制物压制到检测限以下	内标也延迟；稀释后转为可检出	不得报告为"未检出"，须复测

LOD 与 LLOQ 的区别

分析检测限（LOD，常用 95% 命中率、5% 假阳性的定义）回答的是"能否检出"；定量下限（LLOQ，通常要求变异系数 ≤ 25%）回答的是"能否给出可靠的数字"。两者的差距经常达到 10 倍——也就是说，一个在 LOD 附近的样本，你能说"有"，但不能给出可信的拷贝数。

如果你的数据里有大量接近 LOD 的样本（比如低载量病毒检测），正确的报告方式是"检出/未检出/低于定量下限"三分类，而不是硬把 LLOQ 以下的点报成具体数字。报一个精确到小数点后两位的拷贝数，在定量上是不诚实的。

另一个不可忽略的量：分析变异

即使在完美条件下，qPCR 的技术重复之间也有约 0.2–0.3 个循环的变异，对应约 1.2–1.3 倍的浓度差（因为 1 个循环 ≈ 2 倍）。加上样本制备与生物学变异，总变异通常在 0.3–0.5 个 log10（约 2–3 倍）以内。

这意味着：两次检测之间小于 2–3 倍的变化，在统计学上不足以作为治疗失败的证据。如果你的研究涉及纵向病毒载量或表达量监测，这个数字应该被明确写进讨论部分，而不是让读者自己去想。

Cq 是对数尺度：变化的含义必须换算Cq 值（对数尺度）1823283338110⁻¹10⁻²10⁻³10⁴10³10²10⁵Cq 23 → 28= 模板量相差 10 倍+5 个循环 = 3.3 倍典型分析变异 ≈ 0.3–0.5 log10 ≈ 2–3 倍　|　小于此幅度的变化不具解释价值报告原则Cq 的每 3.32 个单位对应 10 倍差异（理想效率下）。任何"上升 16%"式的描述都是错的。

图3：Cq 与模板量的对数关系。每个完整循环对应约 2 倍差异，3.32 个循环对应 10 倍。这个非线性特征是"Ct 越高病毒越少"这一常识的来源，同时也是"Ct 从 20 升到 23.3 不等于下降了 16%"这句话的依据。纵向监测的分析变异阈值通常为 0.3–0.5 log10。

10、数字 PCR 改变的是哪一层逻辑

数字 PCR（dPCR）把反应体系分割成数千到数万个微反应单元（油滴、纳孔板、微腔体），每个单元内至多含少数拷贝的模板，反应终点检测荧光，按阴阳性单元数用泊松统计直接计算起始拷贝数。

它消除的是哪一层问题

dPCR 的核心差异不在于"更灵敏"，而在于它不需要校准曲线，也不需要假设扩增效率。定量来自泊松统计——每个单元阴性的概率是 exp(−λ)，λ 就是稀释后的平均拷贝数。这是一个纯计数统计，不依赖"每循环翻倍"这个假设。

因此 dPCR 消除了三个 qPCR 的系统性误差来源：

（1）扩增效率假设失效（无效率依赖）

（2）标准曲线配制误差（无标准曲线）

（3）阈值设定的主观性（终点检测，阈值影响小得多）

但它没有消除的：抑制物问题（抑制在 dPCR 中同样存在，表现为阳性单元比例偏低）、核酸提取损失、以及用户对实验设计的关注。这些都需要内标和对照来管理，方法学要求与 qPCR 相同。

dPCR 的实际局限

（1）动态范围受分割数限制。理论最大可测拷贝数约等于微反应单元数。20,000 个单元意味着超过约 20,000 拷贝的样本需要稀释，而这会引入稀释误差。低拷贝侧 dPCR 显著优于 qPCR，高拷贝侧 qPCR 反而更方便。

（2）成本与通量。每反应成本高于 qPCR，且通量（每天处理的样本数）通常低于 384 孔板的 qPCR。对于大规模筛查，qPCR 仍是更实际的选择。

（3）多重检测能力有限。多数 dPCR 平台的荧光通道数少于现代 qPCR 的 6–8 通道，多重检测通常需要分孔进行。

（4）高拷贝样本的统计精度问题。泊松分布在 λ 较大时方差也大，因此高拷贝 dPCR 的变异系数反而可能不如 qPCR 的相对定量。

选择逻辑

需要绝对定量（拷贝数、病毒载量）且要跨实验室可比 → dPCR。需要相对表达量倍数 → qPCR 的 ΔΔCt 更简便。需要高吞吐筛查 → qPCR。需要极低拷贝靶标（微生物负载、稀有突变）→ dPCR 更可靠。需要检测细微倍数变化（0.8 倍 vs 1.0 倍）→ qPCR 的动态范围更大，dPCR 的泊松噪声在低拷贝时不利。

11、把 MIQE 变成实验习惯

MIQE（Minimum Information for Publication of Quantitative Real-Time PCR Experiments）在 2009 年提出，给出了 8 个类别的最小报告项。它的价值不在于条目本身有多深奥，而在于它把"应该想一想"变成了"必须写出来"——而一旦要求写出来，那些被默认忽略的细节就会暴露。

一份可直接对照的检查清单

样本与核酸

样本来源、采集与保存方式、核酸提取方法与试剂、核酸纯度指标（A260/280、A260/230）、输入 RNA 的完整性评估（RIN 或等价指标）、是否有基因组 DNA 去除步骤及其效果。

引物与探针

全部序列、引物位置与方向、扩增产物长度、Tm 值、引物浓度、是否验证过特异性（序列比对或 BLAST 结果）、所用引物的化学修饰（如适用）。

反应体系与条件

反应体积、各组分浓度与体积、聚合酶类型与用量、缓冲液配方、循环参数（变性/退火/延伸的温度与时间、循环数）、反应在哪一步做热启动。

检测原理

染料法还是探针法、探针的 5' 发光团与 3' 淬灭基团、探针浓度、染料最终浓度。以及"阈值的设定方式"——这一条经常被忽略，但它决定了 Cq 的可重复性。

对照

无模板对照、无逆转录对照（RT-qPCR）、阳性对照、内标/内参并行扩增、抑制物检测结果。每种对照的结果都应报告，不只是"我们做了"。

重复

技术重复数、生物学重复数、重复类型（技术重复是同一样本的多次 PCR，生物学重复是独立样本——两者的区别必须在报告中说清）。

效率与定量方法

扩增效率与标准曲线（R²、斜率、E）、所用定量方法（绝对定量标准曲线法 / 相对定量 ΔΔCt / Pfaffl 法）、内参基因名称及其稳定性验证方法与结果。

数据处理与统计

Cq 的基线与阈值设定、是否做技术重复的取样规则（如取中位数而非均值，因为 Cq 在对数空间上更接近正态）、统计检验方法与检验前做的正态性检验、多重比较的校正方式。

一个实用但很少被执行的建议

在实验记录模板里加三列：本次实验的目的基因效率、内参效率、两者差值。这三个数字在建立方法时确定并写死在模板里，每个后续实验只需填实测值与预设值是否一致。多数失败的定量实验会在这一步就被拦住，而不必等到看见异常结果。

回到开头那六个假设：它们在教科书式的小心操作下都成立，实验室里出问题的实验几乎都不是因为完全不知道这些原则，而是因为在赶进度、或者样本量受限的时候选择了绕过。真正把它们变成习惯的，是把决策写进模板，让绕过需要额外的手工动作——这是唯一有效的机制。