18 943 підозрілі зображення в каталогах антитіл: як проблема реагентів стала кризою довіри

У біомедичній науці є речі, які виглядають дрібними лише до моменту, коли на них спирається весь експеримент. Комерційні антитіла — саме такий випадок. 25 серпня метадослідник Reese Richardson оприлюднив базу з 18 943 validation-зображеннями для 17 495 продуктів 15 постачальників, які він вважає підозрілими. Nature незалежно розібрала знахідку й показала, чому це не просто скандал з Photoshop, а проблема довіри до одного з базових інструментів сучасної біології.

Антитіла використовують, щоб знаходити конкретний білок у клітині або суміші білків. У western blot, immunofluorescence та інших методах від якості реагенту залежить, чи побачить дослідник справжній сигнал або красиву, але неправильну картинку. Саме тому виробники публікують «validation images» — демонстраційні дані, які повинні показати, що конкретне антитіло працює.

Що саме знайшли

Richardson почав з попереднього розслідування каталогу Thermo Fisher навесні 2026 року. Тоді наукові sleuths звернули увагу на більш ніж сотню зображень із ознаками редагування. Після цього він написав програму для масової перевірки каталогів і переглянув набагато більший масив.

За його звітом від 25 серпня, у відкриту базу потрапили 18 943 зображення, пов'язані з 17 495 унікальними antibody products від 15 брендів. Nature наводить найбільші групи: G-Biosciences — 6 388 flagged images, Thermo Fisher — 5 580, LSBio — 2 695, Origene — 2 236. Для інших компаній кількість менша, але автор прямо застерігає: це не повний аудит кожного каталогу і цифри не можна використовувати як рейтинг «хто гірший».

Найдивніша ознака — однаковий «шум» на різних blot-зображеннях

Western blot у реальному експерименті має випадковий фон. Навіть якщо дві мембрани обробляють однаково, піксельний шум, плями, нерівномірність освітлення й дрібні артефакти не повинні повторюватися піксель у піксель.

Richardson повідомляє, що приблизно 13 800 із flagged images використовують один із семи повторюваних фонів. Один конкретний background він знайшов у сотнях зображень різних антитіл і навіть у каталогах кількох постачальників. На GIF, де 102 blot-зображення швидко перемикаються, смуги змінюють положення, але текстура фону залишається дивно стабільною.

Спеціалістка з наукової доброчесності Elisabeth Bik сказала Nature, що такий патерн може бути особливо тривожним, бо фон western blot за своєю природою випадковий. Якщо один фон повторюється в десятках нібито незалежних тестів, виникає питання, чи були ці зображення отримані з окремих лабораторних експериментів.

Як перевіряли 270 тисяч зображень

Метод не полягав у тому, що AI «автоматично оголосив» картинки фейковими. Richardson завантажив понад 270 000 зображень із каталогів, програмно піднімав і знижував black/white levels, щоб зробити приховані межі та вставки більш помітними, а потім вручну переглядав результати.

Це важливий нюанс. Маніпуляція контрастом — стандартний спосіб forensic-перевірки зображень, але сама підозріла межа ще не доводить навмисну фальсифікацію. Зображення могли бути обрізані, складені з кількох панелей або оптимізовані для веб-каталогу. Проблема починається тоді, коли presentation не відповідає тому, що читач логічно сприймає як один оригінальний validation experiment.

Підозріле зображення не означає автоматично погане антитіло

Nature окремо наголошує на цьому, і це, мабуть, найважливіше застереження в усій історії. Антитіло може бути якісним навіть якщо маркетингове зображення для нього було невдало відредаговане. І навпаки: красивий, абсолютно чесний blot не гарантує, що реагент працюватиме в іншому типі клітин або методі.

Тому з бази Richardson не можна робити висновок, що 17 495 продуктів «не працюють». Вона показує іншу проблему: дані, за якими дослідник обирає реагент за сотні доларів, можуть бути недостатньо прозорими.

Чому один невдалий antibody може зіпсувати місяці роботи

Уявімо дослідження, яке шукає певний білок у нейронах. Якщо antibody зв'язується не лише з потрібним target, а й з іншим білком, на blot з'явиться додаткова смуга. У microscopy це може виглядати як сигнал у неправильній частині клітини. Дослідник може побудувати біологічну інтерпретацію навколо артефакту.

Потім цей результат потрапляє в paper, інша лабораторія намагається його повторити, а третя використовує висновок як основу для нового експерименту. Неправильний реагент стає не одноразовою помилкою, а вузлом у мережі цитувань.

Проблема якості антитіл відома давно

Скандал із validation images виник на тлі старішої й добре документованої проблеми. У великій роботі Ayoubi та колег, опублікованій в eLife, незалежно протестували 614 commercial antibodies для 65 білків, пов'язаних із нейронаукою. Понад половина антитіл провалила принаймні один із досліджуваних application types.

Водночас результати не були суцільно песимістичними. Для приблизно 50–75% білків, залежно від методу, знайшлося щонайменше одне високоякісне антитіло. Тобто проблема не в тому, що «всі antibodies погані», а в тому, що серед величезного каталогу дуже складно відрізнити надійний reagent від слабкого без незалежної перевірки.

Автори eLife оцінювали, що неефективні антитіла можуть щороку марнувати близько $1 млрд дослідницьких коштів. Це включає не лише ціну флакона, а час персоналу, клітинні культури, тваринні моделі, microscopy time і всі наступні експерименти, які будуються на неправильному результаті.

Що відповіли компанії

Thermo Fisher повідомила Nature, що її ongoing review на той момент не знайшов доказів впливу проблемних зображень на performance антитіл або underlying scientific data, і компанія залишається впевненою в якості каталогу. LSBio заявила, що flagged entries становлять менш ніж 0,04% її загальної пропозиції, але пообіцяла перевірити їх разом із партнерами.

G-Biosciences та Origene, за даними Nature, не відповіли на запит до моменту публікації матеріалу. Важливо, що різні постачальники можуть отримувати validation data від зовнішніх виробників або private-label партнерів. Повторюваний фон у кількох брендів може тому вказувати не на 15 незалежних лабораторій, а на спільне джерело контенту.

Чому каталоги взагалі могли дійти до такого стану

Ринок research antibodies величезний: виробники разом пропонують мільйони позицій. Повноцінна KO-based validation для кожного продукту дорога. У eLife наводиться оцінка близько $25 000 для ретельної перевірки одного антитіла, тоді як багато нішевих SKU за весь життєвий цикл продаються на суму меншу за $5 000.

Економіка штовхає індустрію до масштабних каталогів, де рівень доказів для різних позицій неоднаковий. Це не виправдовує вигадані або оманливі validation data, але пояснює, чому проста вимога «перевірте все ідеально» має високу ціну.

Що може змінити систему

Найнадійніший підхід — незалежна validation із позитивними й негативними контролями. Для protein-targeting antibodies дуже сильним тестом є knockout cell line: якщо ген цільового білка видалений, специфічний signal повинен зникнути. Саме на такій логіці будувалася масштабована процедура Ayoubi et al.

Другий крок — зберігати raw images і provenance. Каталог може показувати красиво оформлену панель, але досліднику має бути доступний оригінальний uncropped blot, опис клітинної лінії, dilution, exposure, antibody lot та інші параметри. Тоді будь-яке редагування стає перевірюваним.

Третій — ідентифікувати не просто бренд і product number, а конкретний lot або clone. Біологічні реагенти можуть змінюватися між партіями, особливо для polyclonal products. Без цієї інформації навіть чесно відтворити стару роботу іноді неможливо.

Ця історія ширша за один лабораторний каталог

Наука часто говорить про reproducibility crisis так, ніби проблема живе лише в статистиці або поведінці авторів. Насправді відтворюваність залежить і від інфраструктури: reagents, software versions, cell lines, databases, calibration standards. Якщо один із цих шарів непрозорий, хороший experimental design може не врятувати.

18 943 flagged images не доводять, що десятки тисяч антитіл несправні. Але вони показують, наскільки слабкою може бути ланка між «товар є в каталозі» і «дані для його validation можна перевірити». Для молекулярної біології це дуже практична проблема, бо саме з таких маленьких рішень — який antibody замовити сьогодні — складаються великі результати через рік.

Що буде далі

Richardson опублікував базу відкрито й прямо закликає компанії провести повний аудит, а не реагувати лише на окремі картинки. Частина flagged examples ще потребує незалежної перевірки, і справедливий процес має відрізняти поганий веб-дизайн, допустиме редагування для presentation та реальну fabrication.

Якщо розслідування змусить постачальників публікувати raw validation data та стандартизувати provenance, наслідок може бути кориснішим за сам скандал. Науковому реагенту не потрібно виглядати ідеально в каталозі. Йому потрібно чесно показувати, як саме довели, що він працює.

↗