读了朝闻生命科学这篇推文“每组实验动物到底用几只合适？从3R伦理、

功效分析到CNS顶刊实例：SCI审稿最严的样本量规则一次讲透！"觉得很有意义，

总结精华，奉献给读者。

NIH于2015 年发布 NOT-OD-15-103 通告，明确要求资助申请中的动物研究必须设计严谨，其中包括对样本量的科学论证。

也就是说，样本量不再只是投稿时会被问的问题，而是申请经费时就要交代的问题。

1.3R原则与 ARRIVE 2.0在两头夹击

1959 年，Russell & Burch s次提出 3R 原则：

Replacement 替代：能用细胞、类器官、计算模型，就不用动物；

Reduction 减少：用最少的动物获得可信结论；

Refinement 优化：减轻动物痛苦。

英国NC3Rs反复强调：Reduction绝不是“单纯少用动物"，而是“设计得当、统计有效"。每组动物少到算不出可信结论，

实验等于白做，反而需要更多重复实验，最终用掉更多动物。

ARRIVE 2.0有一句g方表述被广泛引用：“样本量过小产生无结论结果，样本量过大则引发不必要使用动物的伦理问题。"

这句话把样本量从“技术问题"升格为“伦理问题"：两端都是红线，中间才是合规区间。

ARRIVE Essential 10 之 Item 2（Sample size）：论文必须报告每组确切n值，以及样本量是如何确定的——功效分析、资源方程，

还是基于既往经验，都要交代；②IACUC 普遍要求：伦理申请阶段就提交事前功效分析（a priori power analysis），

而不是事后补一句“样本量与既往研究一致"。

2.算n的第一条路：功效分析 Power Analysis

功效分析是 SCI 审稿人最认可的“金标准"算法，也是 IACUC 审查时最想看到的内容。它的逻辑很朴素：

如果真实效应存在，我这个实验有多大把握能检测到它？把握不够，就加动物；把握绰绰有余，就减动物。四个要素：

α（显著性水平）:犯假阳性错误的容忍度，常规取 0.05；

Power（统计功效，1-β）：检出真实效应的把握，常规取 80%，重要实验可到 95%；

δ（效应量）：你希望检出的、有生物学意义的最小差异——注意是“生物学意义"，不是“统计上能检出的最小值"；

σ（标准差）：指标的离散程度，来自预实验数据或已发表文献，是决定n大小最关键、也最依赖经验的参数。

两组独立样本 t检验的每组样本量公式为：

n = 2σ²(zα/2 + zβ)² / δ²

当 α=0.05、power=80% 时化简为：n ≈ 15.7σ²/δ² = 15.7/d²（d 为标准化效应量）

把σ与δ的比值换成标准化效应量 d，可以得到一张速查表：

规律一目了然：效应越小，或噪声越大，所需动物越多。这也解释了为什么行为学实验往往比分子机制实验需要更多动物——不是行为学家“奢侈"，而是他们的数据天生更“吵"。

工具推荐：不想手算，可以用免费软件G*Power，输入α、power、效应量三个参数即可出结果；NC3RsG方的EDA（Experimental Design Assistant）

在线工具也能辅助完成从分组设计到样本量估算的全流程，特别适合写伦理申请时使用。

3.算 n 的第二条路：Mead 资源方程

没有预实验数据、文献也查不到σ怎么办？可以用统计学家 Mead 提出的资源方程做快速估算。该方法出自 Mead 1988 年

《The Design of Experiments》，由 Arifin & Zahiruddin 2017 年公式化推广。

核心思想是看误差自由度 E：

E = N −组数（N 为动物总数），E 应在 10-20 之间

•两组比较：E = 2n − 2 落在 10-20，解得每组约 6-11 只；
•三组比较：E = 3n − 3 落在 10-20，解得每组约 5-7 只。

如何解读E? E < 10：自由度不足，此时增加动物能显著提升统计功效，值得加；E > 20：再增加动物，统计收益递减，

属于不必要的浪费，伦理上反而站不住脚。

现在回头看“每组 6 只"：在两组比较场景下，它恰好踩在资源方程的下限(E=10)——不算离谱，但绝非放之四海而皆准。

组数一变、实验类型一变，它就可能失灵。把下限当标准答案，正是“惯例思维"最大的陷阱。

4CNS 顶刊实战：每组到底用了几只？

梳理 Nature/Cell/ Science系列论文图注原文中的真实n值，可以清晰分为四档：

计算过程直接写进 Methods，让审稿人无从质疑。

规律总结：每组n随实验类型的变异度递增——机制 < 表型 < 行为 < 生存。这与功效分析速查表的预测W全吻合：

数据越“吵"，需要的动物越多。选n之前，先想清楚你的实验在哪一档，再用公式验证，比背任何“惯例数字"都靠谱。

写在最后：最省动物的设计，不是“n 最小"，而是“一次做对"

回到最初的问题：每组动物到底用几只？答案不是一个数字，而是一套逻辑：先定实验类型，再估效应与变异，

然后用公式算、用顶刊校准、用规范报告。

动物福利与科学严谨，是同一枚硬币的两面。用得太少，数据不可信，动物白白牺牲，还制造了不可重复的“学术噪声"；

用得太多，超出统计所需，同样违背伦理。ARRIVE 2.0 把两者绑定在一起，正是这个时代科学共同体的共识：对动物最大的尊重，

是让每一只动物产生的数据都有意义。

最省动物的设计，不是“n最小"，而是“一次做对"。一个功效不足的实验被迫重复三轮，消耗的动物和经费，

远超一开始就按n=11做足。所谓 Reduction，减的是“无效消耗"，不是“必要投入"。

给实验室两个可立即执行的建议：其一，重视预实验。哪怕每组只做 3-5 只的小规模预实验，

也能积累本实验室自己的σ数据——别人的文献σ反映的是别人的动物、别人的仪器、别人的手，

只有自己的σ才是功效分析最宝贵的输入。其二，建立样本量计算SOP。

把“算 n—留存计算记录—写进伦理申请—写进 Methods—图注标注确切 n"固化成标准流程，让每一届学生照着做就行。