验证不足的抗体会产生误导性结果并浪费研究资源。《PLOS Biology》上的两项新研究量化了此问题的伦理代价,探讨了验证不足的抗体仍被使用的原因,并提出了减少其使用的解决方案。

你如何知道某种蛋白质是否在特定细胞类型中表达,或者其组织表达是否受到某种处理的影响?你很可能订购一种据称针对该蛋白质的抗体,进行实验,获得一个漂亮的信号,然后得出结论。但你如何知道你真的检测到了你的目标蛋白质呢?

抗体在生物医学研究中被广泛用于在细胞和组织中可视化蛋白质、测量其丰度以及识别特定细胞群体。然而,获得信号并不一定意味着抗体特异性地识别目标蛋白质。抗体确实可能会与其他蛋白质结合。几个例子说明了抗体如何能够产生令人信服的信号,同时未能可靠地检测其预期的蛋白质靶标[1–3]。由于结果在生物学上是合理的,问题可能被隐藏,直到抗体受到独立检验[1,2]。令人担忧的是,一项研究发现,超过50%的受测抗体在其至少一种潜在应用中不适合使用[4]。不幸的是,验证不足的抗体使用可能会导致不正确的结果,浪费研究时间和资源,并最终导致生物医学研究的可重复性危机。

这个问题并非新出现。关于抗体特异性和验证的担忧已经提出了十多个年头[5,6],2015年估计全球每年因不可靠的抗体而浪费8亿美元[6]。多个倡议试图改善抗体验证。例如,国际抗体验证工作组(IWGAV)制定了常用研究应用中验证抗体的建议,并提出了抗体验证的五个"支柱",强调验证应该是应用特定的[7]。然而,尽管人们对这个问题有了越来越多的认识,验证不足的抗体仍然被广泛使用。最近的一篇专题文章描述了表现不佳的抗体如何继续影响生物医学研究[3]。该文还强调了旨在改善抗体表征和验证数据获取的新倡议。其中一项倡议YCharOS(通过开放科学进行抗体表征)使用基因敲除样本系统地测试市售抗体[8],这是评估抗体特异性的黄金标准方法。在敲除样本中的信号表明抗体结合了除预期靶标以外的其他蛋白质。通过提供此类验证数据,YCharOS可以将抗体验证从单个实验室的故障排除练习转变为研究社区的共享资源。

尽管问题日益被认识和努力解决,为什么它仍然存在?为什么抗体选择和验证实践变化如此之小,又需要什么才能减少性能未经充分验证的抗体的使用?

本期《PLOS Biology》上的两项互补研究[9,10]现在回答了这些问题。第一项研究由Biddle及其同事进行,量化了这个问题[9]。作者使用YCharOS平台的数据研究了抗体验证不足的伦理后果。在跨越多种应用的614种表征抗体中,作者识别出97种在所有测试条件下均失败的抗体。他们分析了这些抗体被使用的785篇出版物,并识别出数千个动物和人类生物样本在没有报告验证证据的情况下被研究。根据这些观察结果进行外推,他们估计可能有数百万个动物和人类组织样本被用于涉及独立测试中失败的抗体的实验中,突出了验证不足的潜在伦理后果。该研究还探讨了为什么问题持续存在,发现受调查科学家的抗体选择往往受到既往使用、已发表文献和供应商声誉的影响,而不是对其进行系统性评估以检验其性能。

确定问题很重要,提供解决方案则更为重要。这正是Blades及其同事的第二项研究发挥作用的地方[10]。这个问题不能仅仅通过要求研究人员更严格地验证他们的抗体来解决。此外,责任在多个利益相关者之间分配,每个利益相关者都可能依赖其他人来解决这个问题。该研究将这些不同的利益相关者聚集在一起,以找出实际可行的解决方案。作者进行了德尔菲共识过程,涉及32位来自五个利益相关者群体的国际专家:学术研究人员、科学出版商、研究资助者、抗体制造商和机构研究领导人。在33项提议的行动中,参与者确定了15项可以在2030年前有效且可行地实施的行动。重要的是,这些责任在研究生态系统中进行了分配。研究人员需要获得适当的培训和验证资源,而机构、资助者、出版商和抗体制造商可以影响抗体的选择、验证、报告和记录方式。因此,该研究超越了"抗体应该得到更好的验证"的一般建议,转向了一条路线图,其中不同的利益相关者在改善抗体可靠性方面承担不同的角色。

这份路线图是否能转化为实践上的变化仍然是一个重要的问题。利益相关者之间的共识是一个必要的第一步,但实施需要研究生态系统中的持续承诺和协调。下一个挑战是使这些解决方案成为常规生物医学研究的一部分。随着新技术重塑生物医学研究的进行方式,这一挑战可能变得更加重要。人工智能越来越多地用于搜索和综合科学文献,但缺乏批判性思维,并且不会基于验证不足的试剂排除研究结果,这使得它可能不可靠。这些结果随后可能被传播到新的分析、建议和假设中。未来的AI工具必须被训练来考虑这个问题。同时,AI正被用于设计新的蛋白质结合物,这些结合物可以补充或替代传统抗体[11,12]。这些新设计策略的成功也将取决于是否考虑了从抗体验证中学到的经验教训,以及对其特异性识别预期靶标能力的系统性测试。

总之,科学界需要证据表明用于产生生物医学发现的试剂确实测量了研究人员希望它们测量的内容。因此,我们应该将严格的验证纳入常规研究实践,并得到更广泛研究生态系统的支持。毕竟,更好的验证的试剂使得更好的科学成为可能。

参考文献