1、精品文檔你我共享 試驗設計 在工業化發酵生產中，發酵培養基 的設計是十分重要的，因為培養基 的成分對產物濃度、菌體生長都有重要的影響。實驗設計方法發展至今可 供人們根據實驗需要來選擇的余地也很大。 實驗設計方法 1.1單因素法 單因素方法(One at a time )的基本原理是保持培養基中其他所有組 分的濃度不變，每次只研究一個組分的不同水平對發酵性能的影響。這種 策略的優點是簡單、容易，結果很明了，培養基組分的個體效應從圖表上 很明顯地看出來，而不需要統計分析。這種策略的主要缺點是：忽略了組 分間的交互作用，可能會完全丟失最適宜的條件；不能考察因素的主次關 系；當考察的實驗因素較多時，需

2、要大量的實驗和較長的實驗周期。但由 于它的容易和方便，單因素方法一直以來都是培養基組分優化的最流行的 選擇之一。 1.2正交實驗設計 正交設計(Orthogonal design )就是從“均勻分散、整齊可比”的角 度出發，是以拉丁方理論和群論為基礎，用正交表來安排少量的試驗，從 多個因素中分析出哪些是主要的，哪些是次要的，以及它們對實驗的影響 規律，從而找出較優的工藝條件。石炳興等利用正交實驗設計優化了新型 抗生素AGPM的發酵培養基，結果在優化后的培養基上單位發酵液的活性比 初始培養基提高了 18.9倍。正交實驗不能在給出的整個區域上找到因素和 響應值之間的一個明確的函數表達式即回歸方程，

3、從而無法找到整個區域 上因素的最佳組合和響應值的最優值。而且對于多因素多水平試驗，仍需 要做大量的試驗，實施起來比較困難。 1.3均勻設計 均勻設計(Uniform design)是我國數學家方開泰等獨創的將數論與多 元統計相結合而建立起來的一種試驗方法。這一成果已在我國許多行業中 取得了重大成果。均勻設計最適合于多因素多水平試驗，可使試驗處理數 目減小到最小程度，僅等于因素水平個數。雖然均勻設計節省了大量的試 驗處理，但仍能反映事物變化的主要規律。 1.4全因子實驗設計 在全因子設計（Full factorial design）中各因素的不同水平間的各種 組合都將被實驗。全因子的全面性導致需

4、要大量的試驗次數。一般利用全 因子設計對培養基進行優化實驗都為兩水平，是能反映因素間交互作用（排 斥或協同效應）的最小設計。全因子試驗次數的簡單算法為（以兩因素為 例）：兩因素設計表示為a X b,第一個因素研究為a個水平，第二個因 素為b個水平。Thiel等試驗了兩個因素：7個菌株在8種培養基上，利用 7 X 8 （ 56個不同重復）。Prapulla 等試驗了三個因素：碳源（糖蜜 4% 6% 8% 10% 12%），氮源（NH4NO3 Og/L、0.13g/L、0.26g/L、0.39g/L、 0.52g/L、）和接種量（10% 20%），利用5 X 5 X 2設計（50個不同重 復）。

5、1.5部分因子設計 當全因子設計（fractional factorial design）所需試驗次數實際不可 行時部分重復因子設計是一個很好的選擇。在培養基優化中經常利用二水 平部分因子設計，但也有特殊情況，如Silveira 等試驗了 11種培養基成 分，每成分三水平，僅做了 27組實驗，只是311全因子設計177147組當 中的很小一部分。兩水平部分因子設計表示為：2n - k, n是因子數目，1/2k 是實施全因子設計的分數。這些符號告訴你需要多少次試驗。雖然通常部 分因子設計沒有提供因素的交互作用，但它的效果比單因素試驗更好。 1.6 Plackett-Burman 設計 由 Pla

6、ckett和 Burman （Plackett-Burman design ）提出，這類設計 是兩水平部分因子試驗，適用于從眾多的考察因素中快速、有效的篩選出 最為重要的幾個因素，供進一步詳細研究用。理論上講PB試驗應該應用在 因子存在累加效應，沒有交互作用一因子的效應可以被其他因子所提高或 削弱的試驗上。實際上，倘若因子水平選擇恰當，設計可以得到有用的結 果。Castro等利用PB試驗對培養基中的 20種組分僅進行了 24次試驗，使 丫 -干擾素的產量提高了近45%。 1.7中心組合設計 中心組合設計（Cen tral com po site desig n）有 Box 和 Wils on

7、提出, 是響應曲面中最常用的二階設計，它由三部分組成：立方體點、中心點和 星點。它可以被看成是五水平部分因子試驗，中心組合設計的試驗次數隨 著因子數的增加而呈指數增加。 1.8 Box- Behnken設計 由 Box 和 Behnken( Central composite design )提出。當因素較多時, 作為三水平部分因子設計的Box - Behnken設計是相對于中心組合設計的較 優選擇。和中心組合設計一樣，Box - Behnken設計也是二水平因子設計產 生的。 實驗設計統計 目前，對培養基優化實驗進行數學統計的方法很多，下面介紹幾種目 前應用較多的優化方法 2.1響應曲面分析

8、法 提出了利用因子設計來優化微生物產物生產過程的全面 方法即現在的響應曲面法(Res ponse Surface Box 和 Wilson 方法，Box-Wils on Methodolog，簡稱RSM。RSM是一種有效的統計技術，它是利用實驗數據， 通過建立數學模型來解決受多種因素影響的最優組合問題。通過對RSM的 研究表明，研究工作者和產品生產者可以在更廣泛的范圍內考慮因素的組 合，以及對響應值的預測，而均比一次次的單因素分析方法更有效。現在 利用SAS軟件可以很輕松地進行響應面分析。 2.2改進單純形優化法 單純形優化法(Modified simplex method)是近年來應用較多的

9、一種多 因素優化方法。它是一種動態調優的方法，不受因素數的限制。由于單純 形法必須要先確定考察的因素，而且要等一個配方實驗完后才能根據計算 的結果進行下一次實驗，因此主要適用于實驗周期較短的細菌或重組工程 發酵培養基的優化，以及不能大量實施的發酵罐培養條件的優化。 2.3遺傳算法 Ge netic algorithm法是一種基于自然群體遺傳演化機制的 高效探索算法，它是美國學者Holla nd于1975年首先提出來的。它摒棄了 傳統的搜索方式，模擬自然界生物進化過程，采用人工進化的方式對目標 空間進行隨機化搜索。它將問題域中的可能解看作是群體的一個個體或染 色體，并將每一個體編碼成符號串形式，模擬達爾文的遺傳選擇和自然淘 汰的生物進化過程，對群體反復進行基于潰傳學的操作(遺傳，交叉和變 異)，根據預定的目標適應度函數對每個個體進行評價，依據適者生存，優 勝劣汰的進化規則，不斷得到更優的群體，同時以全局并行搜索方式來搜 沁園春雪 萬里雪 索優化群體中的最優個體，求得滿足要求的最優解。 北國風光，千里冰封,