1. 生物反应器数据建模导论
生物反应器数据建模，本质上是把反应器内发生的生物、化学与传递过程，用可计算的形式表达出来，再用这些计算去支持放大、工艺优化与生产决策。它既不是单纯的统计拟合，也不是脱离数据的机理推导，而是实验数据、过程机理与工程目标三者之间的桥梁。理解这一点的前提，是先看清反应器类型与操作模式如何决定数据的形态，再理解建模在生物过程开发中的位置，最后掌握从原始数据到模型驱动决策的完整工作流。
一、反应器类型与操作模式：数据形态的源头
生物反应器的分类维度很多，但对数据建模影响最直接的是两件事：混合与传质方式，以及物料进出方式。按混合方式，常见的有机械搅拌釜、气升式、鼓泡塔、填充床与流化床；按操作模式，则分为批式、补料批式、连续式（如恒化器）和灌流式。这两者共同决定了你能采到什么数据、数据的时间尺度如何、以及模型需要描述哪些动态。
以最常见的机械搅拌釜为例，批式操作下底物与产物浓度随时间单调变化，数据点少但边界清晰，适合估计比生长速率与产率系数；补料批式通过流加控制底物浓度，避免抑制与溢流代谢，此时进料速率 F(t)、补料浓度 SF 成为关键输入，模型必须显式包含体积变化项 dV/dt = F。连续式在恒化器中达到稳态，稀释率 D = F/V 直接决定菌体是否被洗出，模型关注的是稳态解与稳定性；灌流式则引入细胞截留，模型需要区分游离细胞与截留细胞，并处理产物连续移除。可见，操作模式不同，模型的方程结构、参数可辨识性与实验设计都会随之改变。
二、数据建模在生物过程开发中的角色
在生物过程开发中，建模承担四类角色。第一是描述：用少量参数概括一批实验的浓度—时间曲线，例如用 Monod 模型描述比生长速率与限制性底物的关系。第二是预测：在未做实验的条件下估计结果，比如预测补料速率提高 20% 后是否会出现乙酸积累。第三是优化：在约束下寻找最优操作轨迹，例如以产物浓度最大为目标，以底物不超限为约束，求解补料曲线。第四是控制与监测：用软测量或状态观测器在线估计不可测变量，如活细胞密度，支撑反馈控制。
这四类角色对模型的要求并不相同。描述与预测更看重参数可辨识性和拟合优度；优化要求模型在操作变量空间内可微、可求解；控制则要求模型计算快、结构稳定。因此，建模不是一次性的，而是随开发阶段迭代：早期用简单结构快速筛选，中期用机理模型指导放大，后期用混合模型或数据驱动模型做在线监测。
三、从实验数据到模型驱动决策的完整工作流
一个可复现的工作流通常包含六个环节，但并非线性一次通过，而是带反馈的循环。
- 问题定义与目标变量：明确要回答什么问题，例如“在 5 L 罐中把产物滴度提高 30%”。确定目标变量（产物浓度 P）、决策变量（补料速率 F、温度 T）与约束（底物 ≤ 5 g/L，DO ≥ 30%）。
- 实验设计与数据采集：根据目标选择操作模式与采样方案。若关注动力学参数，可设计恒化器多稀释率稳态实验；若关注补料策略，可设计不同 F(t) 曲线的补料批式实验。记录在线信号（pH、DO、温度、尾气 O2/CO2）与离线样本（OD、残糖、产物、代谢副产物）。
- 数据预处理与质量检查：处理缺失值、异常点与时间对齐。例如尾气分析仪有 30 s 滞后，需与液相取样时间对齐；OD 超过线性范围要稀释重测。计算比速率时先做物料衡算，避免直接用浓度差除以时间。
- 模型结构选择与参数估计：根据机理与数据量选择结构。示例：以 Monod 生长、Luedeking-Piret 产物生成、底物消耗与体积变化构成常微分方程组，用非线性最小二乘拟合参数 μmax、KS、YX/S、α、β。若数据噪声大，可先固定部分参数，再分步估计。
- 模型验证与不确定性分析：用独立批次验证，检查预测偏差是否在可接受范围。计算参数的置信区间，识别强相关参数对（如 μmax 与 KS 常高度相关），必要时重新设计实验以解耦。
- 模型驱动决策与迭代：用验证后的模型做情景模拟或优化，输出可执行的操作方案，再回到实验验证，形成闭环。
四、建模前必须明确的三个约定
第一，参照系与符号约定：本文所有浓度均指反应器液相体积浓度，单位 g/L；比速率 μ 单位为 h-1；稀释率 D=F/V，单位 h-1；底物消耗速率取负号，生成速率取正号。第二，时间基准：以接种时刻为 t=0，所有在线与离线数据统一到该时间轴。第三，体积基准：补料批式中 V 随时间变化，浓度必须用当前体积计算，不能沿用初始体积。