4. 配方优化的实验设计基础

培养基配方优化不是“把每个成分都调一遍”的体力活，而是一套有明确统计逻辑的实验设计过程。本节围绕五个相互关联的问题展开：单因素实验能做什么、不能做什么；为什么多因素实验不可替代；响应面法的基本原理；误差与重复如何设置；数据如何记录与呈现。掌握这些基础，后续的爬坡、响应面拟合与验证才有可靠前提。

一、单因素实验：适用边界与固有局限

单因素实验（one-factor-at-a-time，OFAT）指固定其他因素水平，只改变一个因素考察响应变化。它的优点是直观、成本低、易于解释，特别适合因素筛选的早期阶段：例如在碳源种类（葡萄糖、蔗糖、糖蜜、淀粉水解液）之间做定性比较，或对某一确定成分做粗略的浓度范围探查，判断“有没有明显效应”“大致在哪个区间”。

但单因素实验有三个无法回避的局限。第一，无法识别交互作用。培养基中碳氮比、微量元素与生长因子之间常存在协同或拮抗，例如磷酸盐浓度对产物的影响会随氮源水平而改变，单因素实验在固定氮源的前提下得到的“最优磷浓度”换一个氮源水平就可能失效。第二，最优点的定位依赖起点。当响应面存在弯曲（如产物积累对某成分呈先升后降的钟形关系）时，单因素逐次逼近容易停在局部平台，甚至因各因素最优值不叠加而错过真正的联合最优点。第三，实验效率低。k个因素各做m个水平，单因素需约 k×(m−1)+1 次实验，而多因素设计可用更少或相当的实验量同时估计各因素主效应。

因此，单因素实验的合理定位是：用于因素初筛与范围确定，不用于最终配方的精细优化。当候选因素较多（如8～12个成分）时，可先用单因素或部分因子设计把因素压缩到3～5个关键因素，再进入多因素优化。

二、多因素实验的必要性

多因素实验让多个因素的水平组合同时变化，从而在一次实验批次中估计各因素的主效应及交互效应。以产素链霉菌发酵产抗生素为例，若关注葡萄糖（A）、豆粕（B）、磷酸二氢钾（C）三因素，采用两水平全因子设计需 2³=8 次实验（可加中心点），即可估计 A、B、C 的主效应以及 AB、AC、BC、ABC 交互项。若交互项显著，说明单因素结论不可直接叠加，必须用多因素设计才能找到联合最优区域。

多因素设计的另一价值是为响应面建模提供数据基础。响应面法要求数据点分布在因素空间中有结构的网格上（如中心复合设计、Box-Behnken设计），这些点本身就是多因素实验点。没有多因素实验，就无法拟合含二次项与交互项的模型。

三、响应面法的基本原理

响应面法（response surface methodology，RSM）用低阶多项式近似因素与响应之间的真实关系。最常用的是含交互项与二次项的二次模型：

Y = β0 + Σβi·xi + Σβii·xi² + Σβij·xi·xj + ε

其中 xi 为编码变量（通常把因素实际水平线性映射到 −1、0、+1），β 为待估系数，ε 为随机误差。拟合得到模型后，通过对 xi 求偏导并令其为零，可解出驻点（最优点候选），再结合等高线图与响应面图判断是极大、极小还是鞍点。RSM 的典型流程是：筛选因素 → 最陡爬坡逼近最优区域 → 中心复合或Box-Behnken设计拟合二次模型 → 求驻点并验证。需要强调，RSM 是局部近似，只在设计区间内可靠，外推必须谨慎。

四、实验误差与重复设置

发酵实验的响应（如效价、生物量、残糖）本身波动较大，误差来源包括接种量差异、摇瓶装液量与溶氧差异、灭菌导致的成分降解、分析方法的重复性等。若不设置重复，就无法区分“因素效应”与“随机波动”。

实践中的基本要求是：每个实验条件至少设置3个平行摇瓶（或平行发酵罐批次），报告均值与标准差；在响应面设计中，中心点通常重复3～6次，用于估计纯误差并检验模型是否存在显著弯曲。实验顺序应随机化，避免把某一因素的高水平全部安排在上午、低水平全部安排在下午，否则时间漂移会混入因素效应。若一批实验无法一次完成，应把不同批次作为区组处理，在模型中纳入区组项。

判断数据是否可用，可先看平行样的相对标准偏差（RSD）。以效价测定为例，若三个平行样为 1180、1240、1210 U/mL，均值1210，标准差约30，RSD约2.5%，属于可接受范围；若某组平行样RSD超过10%，应先排查操作与分析误差，而不是直接进入建模。

五、数据记录与结果呈现规范

规范的记录应做到“可追溯、可复算”。每条实验记录至少包含：实验日期与批号、因素的实际值与编码值对照、平行样个数、各平行实测值、均值与标准差、异常情况备注（如污染、泡沫溢出）。编码值必须与实际值成对保存，否则模型系数无法还原为工艺参数。

结果呈现上，主效应可用效应柱状图或均值折线图；交互作用用交互作用图或等高线图；响应面模型用三维响应面图配合二维等高线图，并标注驻点位置与验证实验结果。报告中应给出模型的决定系数R²、调整R²、失拟检验p值，以及最优条件下的验证值与预测值的偏差。以下是一份可直接套用的实验记录表结构示例：

把上述五个环节串起来看：单因素负责“缩小范围”，多因素负责“看清交互”，响应面负责“逼近最优”，重复与随机化负责“让结论站得住”，规范记录负责“让结果可复现”。任何一环缺失，配方优化都容易停留在经验试错层面。