CAR-T 质控难在哪？计数与活率的自动化瓶颈

做细胞治疗的人大概都有过这种体验：一批 CAR-T 从采血到回输，中间每一步都在和"数不清、数不准"较劲。细胞是活的、是会聚团的、是每一批都不太一样的，而放行标准又偏偏对数字极其敏感。这篇文章不聊设备品牌，也不下结论，只把"计数"和"活率"这两件事在质控里到底难在哪、自动化又能解决什么、解决不了什么，尽量讲透。

产品广告位

一、 为什么 CAR-T 的质控是道硬坎

CAR-T 属于自体细胞治疗，核心逻辑是"从患者身上取 T 细胞，体外扩增、改造，再回输给患者本人"。这决定了它的质控和常规生物制品有本质区别：每一批都是独一份，批间差异天然就大；单批价值极高，容错空间极小；放行节点多，几乎每个关键操作之后都要重新计数和看活率。

常见的放行节点大致有这几个：转导/转染后看扩增效率、清洗浓缩前后确认回收率、制剂配制时定浓度定剂量、终产品放行前做全项。每一个节点都离不开两个基本量——细胞浓度活细胞比例。这两个数一旦偏差，后面算出来的给药体积、回输剂量全跟着错，而且错在哪一环往往很难追溯。

更麻烦的是，CAR-T 细胞本身是淋巴细胞，直径小（约 8–12 微米）、颗粒度低、激活后容易聚团。这三点叠加在一起，直接把"数清楚"的难度拉满。

GMP 洁净车间细胞制备与自动活率检测

二、 计数精度：差一个数量级就出事

先说计数。最传统的做法是血球计数板，肉眼在显微镜下数四大格。这个方法流传了上百年，优点是几乎不需要设备、谁都能上手；缺点也同样明显——重复性差。同一个样本，同一个人重复数两次可能差出 10%–20%，不同人之间差 20%–30% 也不罕见。

为什么会这样？一方面是人的主观判断：边界的细胞算不算、几个细胞叠在一起算几个、背景里的碎屑要不要排除，全靠眼睛现场决断。另一方面是取样量极小，计数板上那一点点悬液，未必能代表整管细胞。当细胞有聚团时，团块里有多少细胞基本只能靠估。

自动化图像法计数把重复性的天花板抬高了不少。原理是用摄像头拍下固定体积的腔室，软件识别每个细胞并分类。做得好的系统，同一样本重复测量的变异系数（CV）可以压到 2%–8% 区间，比手工稳定一个数量级左右。但"自动化更准"是有前提的：细胞必须分散得好、浓度要在仪器的线性范围内、分析区域要设置得一致。

这里有个常被忽略的概念——计数统计学。细胞的分布服从泊松统计，你数到的细胞数 N 越少，相对误差（CV%）就约略等于 100/√N。想让计数误差控制在 ±5%，至少要数到约 400 个细胞；想控制在 ±2%，得数到 2500 个以上。所以样本太稀时，不是仪器不准，而是"数得太少"本身就不准。这也是为什么低浓度样品要先浓缩或加大取样体积，而不是硬着头皮直接上机。

举一个手工计数的标准算例。取 10 μL 细胞悬液与 10 μL 0.4% 台盼蓝等体积混合（稀释倍数 2），充入计数板，数四大角格的细胞数，假设分别为 52、48、55、50：

平均每个大方格细胞数 = (52+48+55+50) / 4 = 51.25

浓度（cells/mL）= 平均值 ÷ 4 × 稀释倍数 × 10⁴ = 51.25 ÷ 4 × 2 × 10⁴ ≈ 2.56 × 10⁵ cells/mL

这个公式里的 10⁴ 来自计数板每个大方格的体积（0.1 mm³ = 10⁻⁴ mL）。只要稀释倍数记错、或者混样不均，结果就会整体偏掉。自动计数把这套算术交给软件，但稀释和混匀这两个前置步骤，机器替不了人。

三、 活率检测：看似简单，水很深

活率通常用"活细胞数 ÷ 总细胞数"表示，是放行报告里最显眼的数字之一。最普及的方法是台盼蓝排斥法：死细胞的膜完整性被破坏，染料能进去把细胞染蓝；活细胞把染料挡在外面，保持透亮。

问题出在"灰区"。刚受应激、膜还没完全破裂的细胞，台盼蓝可能短时间染不进去，于是被算成了"活"的；而一些本来就脆弱的淋巴细胞，在染色操作本身的渗透压冲击下会额外死掉一部分，造成活率被低估。换句话说，台盼蓝给出的活率，既可能虚高也可能虚低，取决于细胞状态和操作手法。

荧光法能把这个灰区收窄。用一对荧光染料，一个只进死细胞（膜通透后着色）、一个只染活细胞（膜完整时才着色），两者分开判读，对早期损伤细胞的区分明显更干净。代价是设备要带荧光通道、试剂成本更高、对背景自发荧光和碎屑的甄别要求也更高。

还有一个绕不开的干扰源——聚团。CAR-T 激活后很容易几细胞、十几细胞抱团。团块在计数时要么被当作一个"大细胞"漏数，要么被软件拆错，活率也随之失真。所以活率准不准，一半看染色方法，一半看分散步骤做得干不干净。

生物安全柜中处理 CAR-T 细胞袋

四、 自动化的瓶颈到底卡在哪

把计数和活率都交给自动化仪器，听起来能一劳永逸，实际落地时卡点往往不在机器本身：

1. 样本异质性。每一批 CAR-T 的聚团程度、细胞大小、碎片量都不一样。一套固定参数很难通吃所有批次，经常需要为不同来源的样本微调分析区或分散强度。

2. 细胞数太少。某些步骤（比如清洗浓缩后）样本体积很小、总细胞数不多，按计数统计学，这时候的相对误差天然就大。仪器再灵敏，也补不回"数得太少"的账。

3. 稀有亚群。质控有时还要看残留的非目标细胞或特定亚群比例。当目标细胞占比很低时，要数到统计上可信的数量，需要的上样量和时间都会显著上升，和放行时效形成矛盾。

4. 人员与培训。自动化并没有消灭人为因素，只是把它从"数格子"转移到了"取样、混匀、稀释、上样"这些前处理上。前处理不规范，仪器输出再漂亮也是 garbage in。

5. 可追溯性。治疗产品要求每一份数据都能回溯到是谁、在什么时间、用哪台设备、哪个批次做的。这需要电子记录和趋势分析能力，而不只是一个给出数字的屏幕。

所以自动化的真正价值，不是"让数字更好看"，而是把重复性好、可追溯、可趋势化这三件事固化下来，让每一批的结果能在同一把尺子下比较。

质控人员查看活率检测

五、 把人为误差压到最低的实操 SOP

下面这套流程不依赖特定设备，任何实验室都可以照着建立，核心是把"前处理"标准化：

1.取样代表性：整管轻柔颠倒混匀 5–10 次，静置几秒让气泡上浮再取，避免只取到上层或底部。

2.分散标准化：用固定体积、固定吹打次数（如 1 mL 移液器轻柔吹打 10 次）处理聚团，记录方法；避免过度吹打导致剪切损伤。

3.染色一致性：染料浓度、孵育时间、避光条件全部固定，不要凭手感。

4.上样一致性：充池/加样体积按设备要求，避免过满产生气泡、过少先被挤干。

5.采集一致性：曝光、增益等参数锁死，不同批次不随意改。

6.重复测量：每份样本至少做 2–3 个技术重复，取均值；若重复间 CV 超过 10%，判为异常，重做前处理而非重测。

7.数据留痕：记录时间、操作人、设备、批号、稀释倍数，原始图像或数据存底，方便事后追溯和趋势分析。

把这套 SOP 跑顺之后，再谈仪器升级，收益才看得出来。否则只是把误差从手工环节搬到了自动化环节。

六、 几个常被忽视的误区

"活率过了 90% 就万事大吉"：活率只是放行指标之一。总活细胞数、目标亚群比例、剂量计算同样关键，单看一个活率容易漏掉真问题。

"仪器越贵越准"：准确性首先来自方法学验证（准确度、精密度、线性范围）和规范的前处理，设备价格不直接等于结果可靠。

"手工计数是金标准"：手工计数是重要的参考方法，但它的高操作者间变异决定了它更适合做方法比对，而不是日常放行的高频手段。

"测一次就行"：细胞是动态的，稀释、静置、转运都会改变状态。关键节点做重复和趋势比对，比单次"准点"更有意义。

七、 落地建议：先解决什么，再解决什么

如果团队正准备把 CAR-T 质控从手工往自动化过渡，建议按这个优先级推进：

第一步，先把手工前处理 SOP 钉死。取样、混匀、稀释、染色全部量化、固定、可复现。这一步几乎不花钱，却能消除最大的一块误差来源。

第二步，做方法学验证。明确你关心的浓度区间内，方法的准确度（和参考方法比）、精密度（重复 CV）、线性范围分别是多少。只有在验证通过的范围内，后续数据才站得住。

第三步，把数据管起来。建立电子记录和趋势分析，让每一批结果都能横向比较、能发现漂移。这一步对长期质量稳定比单点精度更重要。

第四步，再谈自动化设备。当前处理和方法学都稳了，引入自动计数或荧光分析设备，主要收益是通量、重复性和人力释放，而不是"突然变得更准"。

说到底，CAR-T 质控难的从来不是"数一个数"，而是让这个数在每一批、每一人、每一台设备上都可信、可比、可追。自动化是手段，标准化的前处理和可追溯的数据，才是真正的地基。

────────────────────────────────────────

*本文为方法学与流程科普，不涉及具体产品与品牌，实际操作请以所在机构的质量体系和法规要求是准。*