western-blot-quantification

Western Blot 定量与分析

---

元数据

简短描述：全面介绍如何定量和分析 Western blot 图像，涵盖多次实验重复，包括强度测量、归一化、统计分析和可视化。

作者：Ohagent Team

版本：1.0

最后更新：2025 年 12 月

许可证：CC BY 4.0

商业用途：✅ 允许

---

概述

本指南提供了分析 Western blot 图像的标准化工作流，尤其适用于包含多次重复和多种条件的实验。该方案涵盖条带强度检测、归一化流程、统计汇总和可视化最佳实践。

核心概念

上样对照归一化

Western blot 定量不能使用原始条带强度，因为每个泳道的总上样蛋白量会因样品而异（移液误差、转膜效率、凝胶伪影）。上样对照是指假定在所有样品中表达水平相同的蛋白质（常见的有 GAPDH、β-actin、α-tubulin，或 Ponceau S 等总蛋白染色／无染料成像）。将目标条带强度除以同一泳道中的上样对照强度，即可得到归一化值，校正每个泳道的技术差异。上样对照本身必须未达到饱和，并处于检测系统的线性动态范围内。

两步归一化

当同一张 blot 中测量两个相关信号时——例如总蛋白形式（SMAD2）及其磷酸化形式（PSMAD2）——两步归一化可以区分蛋白丰度变化与修饰状态变化。步骤 A 将总蛋白归一化至管家蛋白对照（SMAD2_norm = SMAD2 / GAPDH）；步骤 B 将修饰形式归一化至经上样校正的总蛋白（PSMAD2_target = PSMAD2 / SMAD2_norm）。这样可以从底层蛋白的表达变化中分离出修饰特异性信号。

跨重复实验的统计汇总

每张 Western blot 代表一次实验观测；要得出生物学结论，必须进行生物学重复（独立实验，而不仅仅是同一块凝胶上的多个泳道）。汇总步骤：（1）在每次重复实验内部进行归一化；（2）相对于该次重复实验内部的对照计算倍数变化（因此对照按定义为 1.0）；（3）计算跨重复实验的均值和离散程度（SD 或 SE）。在计算倍数变化之前跨重复实验进行归一化，会夸大表观效应量，并混淆不同凝胶之间的差异与生物学效应。

标准差与标准误

SD 表示不同重复实验中生物学响应的离散程度，适用于回答“这种效应的变异程度如何？”SE（= SD / √n）表示均值估计的精确度，适用于回答“我们对这个均值有多大把握？”对于典型的 n=3 Western blot 实验，SD 误差线看起来会比 SE 误差线更大，但能更真实地呈现生物学差异。务必在图例中注明所绘制的误差度量。

决策框架

Western blot quantification decision tree
└── Single target protein measured?
    ├── Yes -> Single-step normalization: Target / LoadingControl  (per lane)
    │           └── Compute fold change vs control within each replicate
    │               └── Aggregate mean +/- error across replicates
    └── No, two related signals (e.g., total + modified form)
        └── Two-step normalization
            ├── Step A: TotalForm_norm = TotalForm / LoadingControl  (per lane)
            └── Step B: ModifiedForm_target = ModifiedForm / TotalForm_norm

Error bar choice:
└── Reporting biological variability of the effect? -> SD
└── Reporting precision of the mean estimate?       -> SE = SD / sqrt(n)

Experimental design choice:
└── Discrete treatments (control vs conditions)            -> Multi-condition design + bar graph + ANOVA / t-tests
└── Same treatment over multiple time points               -> Time course design + line graph; normalize to t0 control
└── Same treatment at multiple concentrations              -> Dose response design + log-x line graph; fit EC50 / IC50

情况	推荐选择	理由
量化总蛋白丰度变化	单步归一化（Target / LoadingControl）	每个泳道测量一次；内参可校正总蛋白上样量
量化翻译后修饰（磷酸化、泛素化）	两步归一化（Modified / Total_norm）	将修饰化学计量与总蛋白表达变化分离
n = 3 个重复，侧重生物学的图表	均值 ± SD	展示生物学响应的离散程度
n = 3 个重复，侧重统计精度的图表	均值 ± SE	展示均值估计的精度
噪声较大的印迹中，倍数变化较小（约 1.5×）	将 n 增至 ≥ 4–6，并报告 SE，且在图例中明确标注 n	效应量较小，需要更多重复才能获得足够的统计功效
比较 4 个或更多离散条件	多条件设计 + ANOVA，并进行事后校正	对多个条件进行成对 t 检验会增加 I 类错误
随时间追踪同一效应	时间进程设计，在每个重复内归一化至 t = 0	消除重复间的基线漂移
确定效价（EC50 / IC50）	使用按对数间隔设置浓度的剂量-响应设计	对数间隔可均匀采样 S 形响应；非线性拟合可得出 EC50
内参条带饱和	降低曝光重新成像，或稀释裂解液	饱和条带超出线性动态范围，会在不易察觉的情况下导致归一化偏差
一个重复存在异常高的变异性	记录并说明理由后排除（例如，转膜伪影）	诚实地排除数据优于使用受噪声影响的均值；切勿悄悄删除数据

标准工作流程

步骤 1：图像预处理与条带检测

目标：识别 ROI，并从 Western blot 图像中分离各个条带。

关键注意事项：

• 使用 analyze_pixel_distribution，然后使用 find_roi_from_image 函数
• 如果 find_roi_from_image 未能正确检测 ROI，请使用不同的 lower_threshold 和 upper_threshold 参数重试
• 如果仍有未检测到的 ROI，可利用已正确检测到的 ROI 手动推断其坐标（重要：必须保留已正确检测到的 ROI 坐标）
• 还应将包含 ROI 的最终图像保存为图像文件
• 检测目标蛋白的所有条带
• 识别实验重复（通常排列在泳道中）
• 区分不同条件（例如，对照组、处理组）
• 处理潜在的伪影、背景噪声和泳道对齐问题

工具：analyze_pixel_distribution、find_roi_from_image

步骤 2：强度测量

目标：量化所有检测到的条带强度。

流程：

1. 对每个泳道/重复，测量以下强度：

   • 目标蛋白条带（例如，PSMAD2）
   • 内参条带（例如，SMAD2、GAPDH）
   • 背景强度（如需校正）

2. 以结构化格式记录测量结果：

   • 条件名称（例如，“control”、“P144”、“TGF-β1”、“Tβ1Ab”）
   • 重复编号（例如，Rep1、Rep2、Rep3）
   • 蛋白质目标（例如，PSMAD2、SMAD2、GAPDH）
   • 原始强度值

最佳实践：

• 所有条带使用一致的 ROI（感兴趣区域）大小
• 必要时进行背景扣除
• 继续操作前，目视确认条带检测结果

步骤 3：归一化流程

目标：对目标蛋白强度进行归一化，以补偿上样量差异。

两步归一化流程：

步骤 A：内参归一化

计算内参蛋白的相对强度：

SMAD2_norm = Intensity_SMAD2 / Intensity_GAPDH

这可以补偿样品间总蛋白上样量的差异。

步骤 B：目标蛋白归一化

计算最终归一化的目标蛋白强度：

Target_value = Intensity_PSMAD2 / SMAD2_norm

这将得到归一化的 PSMAD2 强度，同时考虑上样内参和相对蛋白水平。

替代归一化方法：

• 单一上样内参：如果只有 GAPDH：Target_norm = Intensity_Target / Intensity_GAPDH
• 总蛋白归一化：如果使用总蛋白染色：Target_norm = Intensity_Target / Intensity_TotalProtein
• 管家基因：常用内参包括 GAPDH、β-actin、α-tubulin

步骤 4：相对定量（倍数变化计算）

目标：将结果表示为相对于对照条件的数值。

流程：

1. 对每次实验重复，确定对照条件
2. 计算每个条件的倍数变化：

Fold_Change = Target_value_condition / Target_value_control

3. 按定义，对照条件的倍数变化为 1.0
4. 处理条件将显示相对于对照的倍数变化（例如，1.5 表示增加 50%，0.7 表示减少 30%）

重要说明：

• 在跨实验重复比较之前，务必先在同一次重复内进行归一化
• 确保明确标识对照条件
• 记录作为基线的条件

步骤 5：统计汇总

目标：汇总多次实验重复的数据。

流程：

1. 收集所有重复中的归一化值（或倍数变化）
2. 对每个条件计算：
   • 平均值：各重复的平均值
   • 标准差（SD）：变异程度的度量
   • 标准误（SE）：SD / √n，其中 n = 重复次数
   • 样本量（n）：重复次数

统计注意事项：

• 建议至少进行 3 次重复，以获得有意义的统计结果
• 同时报告平均值和误差度量（SD 或 SE）
• 比较多个条件时，可考虑进行统计检验（t 检验、ANOVA）
• 记录排除的重复及原因

步骤 6：可视化

目标：制作清晰、可用于发表的可视化图表。

柱状图要求：

1. X 轴：实验条件（例如，Control、P144、TGF-β1、Tβ1Ab）
2. Y 轴：归一化值或倍数变化（通常从 0 开始）
3. 柱形：各条件的平均值
4. 误差线：标准差或标准误
5. 标签：清晰的条件名称、单位、样本量（n=X）

可视化最佳实践：

• 在不同图表中为各条件使用一致的颜色
• 适用时标注统计显著性（例如，、、）
• 添加图表标题和坐标轴标签
• 以高分辨率保存（发表用图为 300 DPI）

验证图像：

• 创建网格图或叠加图，显示检测到的 ROI
• 有助于验证条带检测是否正确
• 便于故障排查和质量控制
• 保存为单独的文件（例如，wb_grid_verification.png）

常见实验设计

设计 1：多条件重复实验

• 结构：3–4 个条件 × 3 次重复 = 9–12 个泳道
• 示例：Control、Treatment A、Treatment B、Treatment C（每个条件均做 3 次重复）
• 分析：在每次重复内进行归一化，然后汇总各次重复的数据

设计 2：时间进程

• 结构：多个时间点 × 多个条件 × 多次重复
• 示例：Control 和 Treatment 的 0h、6h、12h、24h
• 分析：归一化至 0 时刻的对照组，然后比较各时间点

设计 3：剂量反应

• 结构：多个浓度 × 多次重复
• 示例：0、1、5、10、50 μM 处理
• 分析：归一化至 0 浓度，绘制剂量反应曲线

故障排查

问题：条带检测不一致

问题：某些条带未检测到或识别错误 解决方案：

• 调整检测参数（阈值、尺寸筛选条件）
• 手动检查并修正 ROI 位置
• 检查图像质量和对比度
• 使用网格验证图像确认检测结果

问题：重复实验之间差异很大

问题：标准差很大或结果不一致 解决方案：

• 确认上样对照归一化是否正确
• 检查是否存在技术性伪影（气泡、转膜不均）
• 确保样品制备过程一致
• 如有充分理由，可考虑排除异常值

问题：归一化结果异常

问题：归一化后的数值与预期的生物学响应不符 解决方案：

• 确认上样对照条带是否合适（未饱和）
• 检查是否正确识别了对照条件
• 确保所有计算都按正确顺序进行
• 检查原始强度值是否存在异常

问题：背景问题

问题：背景过高，影响强度测量 解决方案：

• 执行背景扣除
• 在每条带附近测量局部背景
• 调整图像预处理（对比度、亮度）
• 如果背景过高，可考虑重新成像

质量控制清单

完成分析前，请确认：

• 所有条带均已正确检测（使用网格图进行验证）
• 所有样品均存在可测量的上样对照条带
• 归一化计算正确
• 已明确识别对照条件
• 所有重复实验均纳入统计分析
• 误差线表示了适当的指标（SD 或 SE）
• 可视化清晰展示了实验设计
• 结果在生物学上合理

输出文件

必需输出：

1. 定量结果：CSV 或 Excel 文件，包含：

   • 原始强度
   • 归一化值
   • 倍数变化
   • 统计汇总（均值、SD、SE）

2. 可视化图像：柱状图（例如，psmad2_quantification.png）

   • 高分辨率（至少 300 DPI）
   • 标签和误差线清晰
   • 符合出版要求的格式

3. 验证图像（可选，但建议提供）：wb_grid_verification.png

   • 显示检测到的 ROI
   • 有助于验证分析结果

工作流示例摘要

对于一个包含 3 次重复和 4 种条件的典型实验：

1. 检测条带：识别 12 个泳道中的所有 PSMAD2、SMAD2 和 GAPDH 条带
2. 测量强度：提取每条带的强度值
3. 归一化：
   • 步骤 A：SMAD2_norm = SMAD2 / GAPDH（对每个样品计算）
   • 步骤 B：Target_value = PSMAD2 / SMAD2_norm（对每个样品计算）
4. 计算倍数变化：Target_value_condition / Target_value_control（在每次重复内计算）
5. 汇总：计算每种条件下 3 次重复的均值 ± SD
6. 可视化：创建带误差线的柱状图
7. 保存：导出定量表格和可视化图像

关键公式参考

Loading Control Normalization:
  Loading_norm = Intensity_LoadingControl / Intensity_Housekeeping

Target Normalization:
  Target_norm = Intensity_Target / Loading_norm

Fold Change:
  Fold_Change = Target_norm_condition / Target_norm_control

Statistics:
  Mean = Σ(values) / n
  SD = √[Σ(value - mean)² / (n-1)]
  SE = SD / √n

常见陷阱

• 陷阱：报告原始条带强度，却未按上样对照进行归一化。 印迹上的差异可能完全由各泳道上样量不同造成。

  • 如何避免：始终除以同一泳道中测得的上样对照条带（或总蛋白染色信号）。切勿将原始强度作为定量结果绘图。

• 陷阱：使用饱和的上样对照。 饱和的 GAPDH/β-actin 条带看起来“均匀”，但已超出线性动态范围，因此归一化会在不易察觉的情况下低估真实差异。

  • 如何避免：使用上样对照进行归一化前，确认其强度未饱和（例如，最大像素值 < 检测器量程的 90%）。必要时缩短曝光时间重新成像。

• 陷阱：先汇总重复实验的归一化数值，再计算倍数变化。 这会将凝胶间差异与生物学信号混为一谈，并夸大表观效应量。

  • 如何避免：先在每个重复实验内进行归一化，再计算相对于该重复实验内对照的倍数变化，最后汇总各重复实验的倍数变化。

• 陷阱：绘制 SE 误差线，却标注为 SD（或反之）。 审稿人和读者将无法正确解读图表。

  • 如何避免：在图例中明确说明误差度量（SD 或 SE）以及 n 值；如果两者都有用，可绘制 SD，并在正文中报告 SE。

• 陷阱：根据 n = 1 或 n = 2 的实验得出结论。 单次观察无法区分生物学效应和技术噪声。

  • 如何避免：定量效应量前，至少进行 n = 3 次独立生物学重复；对于较小的倍数变化（约 1.5×），计划进行 n ≥ 4–6 次重复。

• 陷阱：不作说明就悄然排除离群重复实验。 这会使报告的均值产生偏差，并导致结果无法复现。

  • 如何避免：记录排除任何数据的原因（转膜伪影、膜质量差、上样对照无信号），如有任何歧义，则同时报告仅纳入数据和全部数据的分析结果。

• 陷阱：选择本身会对处理作出响应的上样对照。 某些“管家”蛋白（例如 GAPDH）会在代谢应激、缺氧或饥饿条件下发生变化，从而破坏上样对照恒定这一假设。

  • 如何避免：对于可能影响管家基因的处理，使用总蛋白染色（Ponceau S、无染色法），而不是单一管家蛋白。

• 陷阱：对每张图像都使用固定阈值进行自动 ROI 检测。 不同的曝光、对比度和噪声底限需要不同的阈值；一刀切的检测会漏掉较暗的条带，或将较强条带拆分。

  • 如何避免：针对每张图像调整 lower_threshold 和 upper_threshold；提取强度前手动核对网格叠加层，并在调整参数时保留检测正确的 ROI。

最佳实践

1. 始终进行归一化：切勿使用未经归一化的原始强度。仅各泳道之间的上样量差异，就可能造成 2–3 倍的表观差异，而这与生物学因素毫无关系。
2. 使用合适的对照：选择在所研究的特定处理条件下保持稳定的上样对照。对于代谢、缺氧或应激处理，优先使用总蛋白染色，而不是单一管家蛋白。
3. 验证检测结果：提取强度前，务必查看网格／验证图像叠加层。自动 ROI 检测可能会拆分或合并条带，并悄然引入误差。
4. 记录排除情况：注明排除的样本及其原因。未说明地排除样本会使报告的均值产生偏差，并破坏可重复性。
5. 报告统计数据：同时提供均值和明确的误差度量（SD 或 SE），并注明 n；在图例中说明图中绘制的是哪种误差度量。
6. 保存中间数据：保留原始强度、ROI 坐标和每个重复的归一化值，以便日后重新分析或作为补充材料提交。
7. 进行视觉验证：将最终可视化结果（柱形图／折线图）与原始印迹图的定性观感进行交叉核对。如果图表与图像不一致，应在发表前调查原因。

参考文献

• Pillai-Kastoori L, Schutz-Geschwender AR, Harford JA. “定量 Western blot 分析的系统方法。” Anal Biochem. 2020;593:113608. https://doi.org/10.1016/j.ab.2020.113608
• Taylor SC, Berkelman T, Yadav G, Hammond M. “可靠定量 Western blot 数据的既定方法。” Mol Biotechnol. 2013;55(3):217-226. https://doi.org/10.1007/s12033-013-9672-6
• Aldridge GM, Podrebarac DM, Greenough WT, Weiler IJ. “总蛋白染色作为上样对照的应用：半定量免疫印迹中高丰度单蛋白对照的替代方案。” J Neurosci Methods. 2008;172(2):250-254. https://doi.org/10.1016/j.jneumeth.2008.05.003
• Schneider CA, Rasband WS, Eliceiri KW. “从 NIH Image 到 ImageJ：25 年的图像分析。” Nat Methods. 2012;9(7):671-675. https://doi.org/10.1038/nmeth.2089
• ImageJ / Fiji 文档 — 凝胶分析器：https://imagej.nih.gov/ij/docs/menus/analyze.html#gels
• LI-COR Biosciences — Western Blot 归一化手册：https://www.licor.com/bio/applications/quantitative_western_blots/normalization
• Bio-Rad — 无染色成像技术说明：https://www.bio-rad.com/en-us/applications-technologies/stain-free-imaging-technology