「检出限 40 pg/mL」，是按哪个定义算的

1 · 研究问题

对同一批原始传感器数据，用五种常见的检出限（LoD）定义分别计算，结果相差多少倍？在什么条件下这个差距超过不同传感器之间宣称的性能差距？ 在预先固定的样本、对照与统计口径下，主效应的方向、幅度和不确定度分别是多少，结论能否在独立留出数据或独立重复中成立？

2 · 研究背景与空白

背景。 这条课题研究的不是“能不能做出一个结果”，而是一个现有结论在测量误差、样本差异和外推条件改变后还能不能站住。核心逻辑是把观察量、真实目标量与混杂因素分开：先用已知答案校验工具，再固定对照和重复单位，最后用误差棒判断差异。只给一个最高分、一次演示或一条相关关系，不能说明方法在新样本上可靠。

已有工作到哪一步。 本地语料里报告 LoD 的传感器类获奖项目密度极高，四个锚点： - ISEF 2026 ENBM026T（Grand Award + Special Award）「POCKET」：「Our device is $30, requires <15 minutes, and has LODs of 40 pg/mL and 127 pg/mL for TNF-α and VEGF respectively, making it as cheap as a lateral flow assay and as accurate as an ELISA kit being within 10% of its LOD.」 - ISEF 2026 ENBM063（Grand Award）「Graphene-Based Pollen Sensor」：「The device demonstrated strong specificity, supported by fifteen resistance measurements with high statistical evidence(P=0.00063). An exponential relationship (y=0.594e^-239.3x) was derived by fitting resistivity change against varying specific antigen concentrations, with a limit of detection down to ng/mL range for ragweed allergen.」 - ISEF 2026 ENBM079（Grand Award）：「The assay maintained a 400 fM LoD and limit of quantification even in human serum.」 - ISEF 2025 BCHM014（Grand Award）：MIP 溶菌酶传感器，报告「physiologically relevant limits of detection, quantitation, and blank」。

四个项目都报告了 LoD 数值，摘要中都未说明计算定义或空白重复次数。（BCHM014 提到了「limit of blank」，这是四个里唯一暗示了正确框架的。）

文献前作：未核查（IUPAC 与 ICH 的 LoD 定义、Armbruster & Pry 关于 LoB/LoD/LoQ 的经典论文，是这个领域的标准引文，必查——你的贡献只能落在「针对低成本学生传感器的实证标定与工具」上）。

空白在于：一次口径审计，交付一个标准化计算工具。 生物传感器文献里「检出限」至少有五种算法：(1) 3σ_blank/斜率（IUPAC）；(2) 3.3σ_residual/斜率（ICH）；(3) 信噪比 S/N=3 的目视法；(4) 校准曲线最低非零点；(5) 拟合曲线偏离线性的转折点。这五种在同一份数据上可以差 5–10 倍。 而 ISEF 传感器项目里，几乎没有一个说明自己用的是哪一种，也几乎没有一个报告空白重复次数。 你的设计：(1) 自建一个低成本传感器（比色法最便宜：手机拍照 + 色卡标定；或电化学法用 ¥300 级的迷你恒电位仪），测一个良性分析物（葡萄糖、抗坏血酸、亚硝酸盐——避开任何生物危害）；(2) 采集充分的空白重复（n≥20，这是关键，多数项目只做 3 次）与完整校准曲线；(3) 用五种定义分别算 LoD，报告比值；(4) 敏感性分析：LoD 估计随空白重复次数如何收敛——给出「至少需要多少次空白才能让 LoD 估计稳定在 ±20% 内」；(5) 输出一个开源计算器。 五字段原文的研究问句是：对同一批原始传感器数据，用五种常见的检出限（LoD）定义分别计算，结果相差多少倍？在什么条件下这个差距超过不同传感器之间宣称的性能差距？ 这适合一年期学生课题，因为可以把主任务裁成一个对象、一个主指标和一个独立复核；即使预期差异不出现，只要校验与统计功效过关，零结果仍能界定已有结论的适用边界。

3 · 可检验假设

H1 在加入本课题预先规定的控制、校正或独立验证后，主指标将沿五字段框架所述预期方向变化，且相对基线变化 ≥ 10% 或标准化效应绝对值 ≥ 0.5；若 95% 置信区间同时排除这两个门槛，则 H1 被否证。两种尺度只选与主指标有意义的一种，并在预实验前写死。

H2 若 H1 被否证，备择机制是假定原观察主要由测量误差、样本构成、基础率、时间漂移或未控制混杂驱动；比较“仅含原变量”与“加入机制变量”的模型，若主效应方向改变或绝对值下降 ≥ 20%，则支持机制解释，否则报告当前分辨率下未找到证据。

4 · 量化验收标准

1. 方法学校验硬门槛。 用自建管线、装置或代码重跑一个答案已知的合成算例/标准样；主量反算偏差须 ≤ 5%。不过关则停止，且后续全部结论无效。
2. 统计口径预先写死。 独立样本、技术重复和连续观测分开计数；测量类每个关键条件至少 3 次独立重复，技术重复只估计仪器噪声，并用误差传播或方差分量合成不确定度。极不平衡分类主报 PR-AUC、precision、recall，不以 accuracy 为主，因为全猜多数类也会虚高；时间序列按时间划分并把随机划分仅作泄漏对照。
3. 正式采集前固定主指标、排除规则、对照、效应方向与 10%（或标准化效应 0.5）判据；报告全部独立重复、效应量和 95% 置信区间，不只报 p 值或最佳一次。
4. 至少完成一项阴性对照和一项敏感性分析；改变关键阈值、预处理或模型选择时，主结论不得仅由单一任意选择决定。
5. 用独立批次、独立留出段或第二种原理不同的方法复核主量；不一致时优先报告不一致与误差预算，不平均成一个“更好看”的数字。
6. 可复现性。 保存原始数据、清洗记录、参数、环境版本、随机种子、脚本和排除日志；第三方应能重建主表与主图。

5 · 数据与工具

用途	来源 / 工具
研究对象与主问题	对同一批原始传感器数据，用五种常见的检出限（LoD）定义分别计算，结果相差多少倍？在什么条件下这个差距超过不同传感器之间宣称的性能差距？
原创切口	一次口径审计，交付一个标准化计算工具。 生物传感器文献里「检出限」至少有五种算法：(1) 3σ_blank/斜率（IUPAC）；(2) 3.3σ_residual/斜率（ICH）；(3) 信噪比 S/N=3 的目视法；(4) 校准曲线最低非零点；(5) 拟合曲线偏离线性的转折点。这五种在同一份数据上可以差 5–10 倍。 而 ISEF 传感器项目里，几乎没有一个说明自己用的是哪一种，也几乎没有一个报告空白重复次数。 你的设计：(1) 自建一个低成本传感器（比色法最便宜：手机拍照 + 色卡标定；或电化学法用 ¥300 级的迷你恒电位仪），测一个良性分析物（葡萄糖、抗坏血酸、亚硝酸盐——避开任何生物危害）；(2) 采集充分的空白重复（n≥20，这是关键，多数项目只做 3 次）与完整校准曲线；(3) 用五种定义分别算 LoD，报告比值；(4) 敏感性分析：LoD 估计随空白重复次数如何收敛——给出「至少需要多少次空白才能让 LoD 估计稳定在 ±20% 内」；(5) 输出一个开源计算器。
前作与对照基准	本地语料里报告 LoD 的传感器类获奖项目密度极高，四个锚点： - ISEF 2026 ENBM026T（Grand Award + Special Award）「POCKET」：「Our device is $30, requires <15 minutes, and has LODs of 40 pg/mL and 127 pg/mL for TNF-α and VEGF respectively, making it as cheap as a lateral flow assay and as accurate as an ELISA kit being within 10% of its LOD.」 - ISEF 2026 ENBM063（Grand Award）「Graphene-Based Pollen Sensor」：「The device demonstrated strong specificity, supported by fifteen resistance measurements with high statistical evidence(P=0.00063). An exponential relationship (y=0.594e^-239.3x) was derived by fitting resistivity change against varying specific antigen concentrations, with a limit of detection down to ng/mL range for ragweed allergen.」 - ISEF 2026 ENBM079（Grand Award）：「The assay maintained a 400 fM LoD and limit of quantification even in human serum.」 - ISEF 2025 BCHM014（Grand Award）：MIP 溶菌酶传感器，报告「physiologically relevant limits of detection, quantitation, and blank」。 四个项目都报告了 LoD 数值，摘要中都未说明计算定义或空白重复次数。（BCHM014 提到了「limit of blank」，这是四个里唯一暗示了正确框架的。） 文献前作：未核查（IUPAC 与 ICH 的 LoD 定义、Armbruster & Pry 关于 LoB/LoD/LoQ 的经典论文，是这个领域的标准引文，必查——你的贡献只能落在「针对低成本学生传感器的实证标定与工具」上）。；仅用于校验与对比，不计入本项目的数据贡献
数据/样本	需核实：可取得数量、独立单位、标签/测量定义、许可与缺失情况；未确认内容不得写成已具备
分析工具	纯 CPU、16 GB 笔记本可运行的开源工具优先；需核实版本、许可、输入格式、分组/时序划分和不确定度输出能力
校验材料	已知答案的合成数据、标准样或公开基准；仅用于校验与对比，不计入本项目的数据贡献
风险边界	最可能死在被认为「只是在算不同公式」。最便宜的规避方式： 主结果必须是实证的、且反直觉的：例如「当空白重复只有 3 次时，LoD 估计的 95% 置信区间跨越一个数量级」——这是一个用模拟 + 实测都能证明的具体数字，比「有五种定义」有力得多。把这个数字做成你的头条结论。

6 · 方法路径

1. 装环境或搭装置，跑通已知答案算例并完成校验。 锁定版本、单位、坐标/标签定义和误差计算；反算偏差 >5% 时只修方法，不进入正式样本。
2. 核实工具能力边界并逐条排查静默失败点。 五字段原约束为：最可能死在被认为「只是在算不同公式」。最便宜的规避方式： 主结果必须是实证的、且反直觉的：例如「当空白重复只有 3 次时，LoD 估计的 95% 置信区间跨越一个数量级」——这是一个用模拟 + 实测都能证明的具体数字，比「有五种定义」有力得多。把这个数字做成你的头条结论。 此外检查单位或标签错位、全数据预处理泄漏、相关观测冒充独立 n、缺失值静默填 0、默认参数改变口径、输出正常但物理量方向或尺度错误；每项用最小反例测试，不能以“软件未报错”作为通过。
3. 预注册最小设计。 把主问题收敛为一个对象、一个主指标、一个主要对照；写死样本单位、重复数、阈值、排除规则和降级触发条件。
4. 采集或整理正式数据。 保留原始输入与时间戳/批次，盲化能盲化的标签；协议偏离当天登记，不覆盖原记录。
5. 估计主效应与不确定度。 同时报原口径与校正口径，给出误差棒、效应量、失败样本和敏感性曲线；分类、时序或测量问题按 §4 执行。
6. 检验 H2 与边界条件。 H1 不成立时不临时换题，而是量化测量误差、样本构成、基础率、时间漂移或混杂能解释多少。
7. 独立交叉校验。 使用独立批次、留出时间段或第二种原理不同的方法复算主量；失败时以“不一致”为主结果，不选择性保留支持预期的路径。

7 · 新颖性边界

本课题不声称什么： 不声称首次进入该主题，不声称重新发现或推翻前作，也不把前作的项目编号、年份、奖级、引文和数字据为本项目结果；具体已有工作是：本地语料里报告 LoD 的传感器类获奖项目密度极高，四个锚点： - ISEF 2026 ENBM026T（Grand Award + Special Award）「POCKET」：「Our device is $30, requires <15 minutes, and has LODs of 40 pg/mL and 127 pg/mL for TNF-α and VEGF respectively, making it as cheap as a lateral flow assay and as accurate as an ELISA kit being within 10% of its LOD.」 - ISEF 2026 ENBM063（Grand Award）「Graphene-Based Pollen Sensor」：「The device demonstrated strong specificity, supported by fifteen resistance measurements with high statistical evidence(P=0.00063). An exponential relationship (y=0.594e^-239.3x) was derived by fitting resistivity change against varying specific antigen concentrations, with a limit of detection down to ng/mL range for ragweed allergen.」 - ISEF 2026 ENBM079（Grand Award）：「The assay maintained a 400 fM LoD and limit of quantification even in human serum.」 - ISEF 2025 BCHM014（Grand Award）：MIP 溶菌酶传感器，报告「physiologically relevant limits of detection, quantitation, and blank」。

四个项目都报告了 LoD 数值，摘要中都未说明计算定义或空白重复次数。（BCHM014 提到了「limit of blank」，这是四个里唯一暗示了正确框架的。）

文献前作：未核查（IUPAC 与 ICH 的 LoD 定义、Armbruster & Pry 关于 LoB/LoD/LoQ 的经典论文，是这个领域的标准引文，必查——你的贡献只能落在「针对低成本学生传感器的实证标定与工具」上）。

已有工作做到哪一步： 五字段证据表明前作已完成其原始对象、方法或性能演示；本项目完整保留这条事实，不把摘要未写出的信息推断为“没有做”。数据集、器材规格、价格、货期或外部文献的任何补充均标为“需核实”。

本项目贡献（属「评价维度转换」；若使用全新独立对象则同时属「新样本独立检验」，若核心是校准与脚本则同时属「方法可复现性贡献」）： 一次口径审计，交付一个标准化计算工具。 生物传感器文献里「检出限」至少有五种算法：(1) 3σ_blank/斜率（IUPAC）；(2) 3.3σ_residual/斜率（ICH）；(3) 信噪比 S/N=3 的目视法；(4) 校准曲线最低非零点；(5) 拟合曲线偏离线性的转折点。这五种在同一份数据上可以差 5–10 倍。 而 ISEF 传感器项目里，几乎没有一个说明自己用的是哪一种，也几乎没有一个报告空白重复次数。 你的设计：(1) 自建一个低成本传感器（比色法最便宜：手机拍照 + 色卡标定；或电化学法用 ¥300 级的迷你恒电位仪），测一个良性分析物（葡萄糖、抗坏血酸、亚硝酸盐——避开任何生物危害）；(2) 采集充分的空白重复（n≥20，这是关键，多数项目只做 3 次）与完整校准曲线；(3) 用五种定义分别算 LoD，报告比值；(4) 敏感性分析：LoD 估计随空白重复次数如何收敛——给出「至少需要多少次空白才能让 LoD 估计稳定在 ±20% 内」；(5) 输出一个开源计算器。 主结论是原结论在预注册控制与独立复核下的效应幅度及适用边界，不是附带造一个更复杂模型或装置。

为何有价值： 它把“看起来有效”转换为“在多大误差、何种样本和什么阈值下仍有效”。差异不显著同样是有效结论，但必须给出误差棒证明有能力分辨预注册的 10% 相对变化或标准化效应 0.5；置信区间过宽只能写“测不出来”。

8 · 决策门槛（go / no-go）

第 5 周末必须同时满足：校验偏差 ≤ 5%、至少取得计划独立样本的 20%、主指标能从原始输入稳定重算。任一不满足，立即启动具名降级路径 “单对象能力边界标定”：砍掉多对象/多模型比较，只保留最可得的一种对象、一个主指标和一个独立复核，转而报告误差、敏感性与最小可分辨效应；主结论仍是“原结论在什么条件下站得住”。

与“附属赛后不得修改”的冲突点：主指标、阈值、样本排除、对照、预处理和降级触发条件必须赛前定死。须提前核实： 最可能死在被认为「只是在算不同公式」。最便宜的规避方式： 主结果必须是实证的、且反直觉的：例如「当空白重复只有 3 次时，LoD 估计的 95% 置信区间跨越一个数量级」——这是一个用模拟 + 实测都能证明的具体数字，比「有五种定义」有力得多。把这个数字做成你的头条结论。 同时核实许可、设备/软件真实能力、场地、表格和采购可得性。已知困难及其定位：这些限制就是能力边界，不用未经核实的规格填补。选择前提：学生愿意做重复、校验和零结果解释。预算裁剪顺序：先砍多模型/多材料，再砍次要指标，再砍展示性装置；不得砍校验、主要对照、独立重复和交叉验证。

净实验窗口按 2026-08 至 12 月约 3–4 个月规划。按实际对象核实合规：附属赛后项目不得更改；展台禁液体（含水）、土壤、玻璃、锐器、化学品、干燥粉末、>100 Wh 电池和通电无人机，禁网址与二维码；家中不得培养任何潜在危险生物制剂；涉及脊椎动物、人类受试者、激光、高真空或 SDS 标注的致癌致畸化学品时，须在相应动作前确认审批。AI 不得用于撰写研究计划、摘要、展板或引文。

评分： O=7, W=8, F=6, S=7, Fit=9 → base=72.8，h=9 → [64, 82]，置信度：中

---

自己继续找题

上面 15 条全部是同一个动作：拿一个近届获奖作品，问它没问的那个关于自身有效性的问题。

操作流程：

bash python3 analysis/mine_isef.py --cat ENBM --awarded-only "你感兴趣的关键词"

检索 ISEF 2022–2026 五届。然后去读它的完整摘要原文（/Volumes/Mac-Mini/workspaces/tian2-edu/ISEF-Scrape/output/projects-2025-full/ 与 projects-2026-awards/ 下的 manifest.json）。只读标题就断言「它没做 X」是这个流程唯一的致命伤。

ENBM 专属的六个高产提问角度（本文件 15 条全部落在这六类里）：

1. 这个指标是在什么工况下测的？ 空载应变（E10）、缓冲液中的 LoD（E15）、正常步态上的精度（E14）。工程指标几乎总是在最有利条件下报告的。
2. 这个仿真验证的是设计还是产品？ COMSOL 用的是标称几何，实物有加工偏差（E5）。
3. 这个「类似物」真的类似吗？ 聚苯乙烯微球 vs 可变形细胞（E11）、水凝胶溶胀 vs 细胞播种（E8）、声悬浮 vs 微重力（E4）、培养皿 vs 有两只耳朵的人。
4. 这个准确率对应多大覆盖率？ 拒绝难例后的准确率（E12）、挑选过的测试图像（E13）。
5. 训练/测试是怎么切分的？ 按测量次数还是按样本块（E3）、按会话还是随机（E2）、阈值在哪一折上选的（E6）。
6. 这个读数还受什么影响？ 温度对 NIR（E1）、含水量对阻抗（E3）、湿度对 MOS（E2）、DAPI 看不见碎片 DNA（E9）。

否决顺序（前两步零成本）：

① 是否触发人类受试者红线——问自己：「我的东西要不要给别人用？要不要告诉他们结果？」两个都是「是」就出局。 ② 时间窗口（净 3–4 个月）+ 展台静态性——「我的核心结论，静态展板讲得清吗？」 ③ ISEF 近五届有无同题（用上面的脚本） ④ 文献前作（本文件全部空缺，必须自己补）

最后两句实话：

第一， 本赛道最容易做出好课题的地方，恰恰是它最容易做出坏课题的地方——「造一个便宜的设备」几乎人人在做，而「测量这个设备什么时候会失灵」几乎没人在做。 后者的展板天然是曲线和数字，静态呈现极佳；前者的展板永远缺一句「它到底行不行」。

第二， 评分区间反映的是我的证据量，不是你的项目质量。评委看的是你答不答得出他的追问——在这个赛道，那个追问通常是：「你这个数字，是在什么条件下测的？换个条件呢？」