4. 上游参数筛选实验设计

上游工艺开发初期，摆在团队面前的往往是一张长长的候选参数清单：接种密度、培养基pH、温度、溶氧、补料策略、诱导时机、诱导剂浓度、微量元素浓度……如果对每个参数都做单因素实验，不仅实验量巨大，而且完全看不到参数之间的交互作用。参数筛选实验设计的核心任务，就是用尽量少的实验次数，从候选参数中识别出对目标响应影响显著的因子，并评估关键交互作用，为后续响应面优化划定范围。

三类方法的分工与选择逻辑

部分因子设计、全因子设计和响应面方法并不是互相替代的关系，而是处在筛选—确认—优化的不同阶段。部分因子设计（Fractional Factorial Design）通过牺牲部分高阶交互信息，用 2^k-p 次实验考察 k 个因子，适合候选因子多、需要快速降维的早期筛选。全因子设计（Full Factorial Design）运行全部 2^k 组合，能无混淆地估计所有主效应和交互效应，适合因子数较少（通常 k≤5）时的确认性实验。响应面方法（Response Surface Methodology, RSM）则用于因子已经收敛到少数几个显著因子之后，通过中心复合设计（CCD）或 Box-Behnken 设计拟合二次模型，寻找最优区域。

选择哪种方法，取决于三个判断：候选因子数量、是否允许效应混淆、以及当前处于筛选还是优化阶段。一个常见的误区是因子还没筛完就直接上 RSM，结果把不显著因子也纳入二次模型，白白消耗实验资源。

部分因子设计：用分辨率换实验次数

部分因子设计的核心参数是分辨率（Resolution）。分辨率 III 的设计中，主效应与二阶交互混杂；分辨率 IV 的设计中，主效应不与二阶交互混杂，但二阶交互之间可能混杂；分辨率 V 的设计中，主效应和二阶交互都不混杂，但需要更多实验次数。上游参数筛选通常选择分辨率 IV 及以上的设计，因为主效应是我们最关心的信息。

以一个具体场景为例：候选因子包括接种密度（A）、pH（B）、温度（C）、溶氧（D）、补料速率（E）、诱导时机（F）、诱导剂浓度（G），共 7 个因子。若做全因子需要 2⁷=128 次实验，显然不现实。选择 2^7-3 部分因子设计，只需 16 次实验，分辨率 IV，可以无混淆地估计所有主效应。生成关系为：D=AB，E=AC，F=BC，G=ABC。这意味着 D 与 AB 混杂，E 与 AC 混杂，F 与 BC 混杂，G 与 ABC 混杂。在分析时，如果 D 显著，需要判断是 D 本身有效还是 AB 交互在起作用——这可以通过后续的折叠设计（Fold-over）或补充实验来解混淆。

实验完成后，用 Pareto 图或半正态概率图判断效应显著性。以产物滴度（g/L）为响应，16 次实验的效应估计中，若因子 A、C、E 的效应值明显偏离其他因子，则判定为显著主效应。同时观察 D 的效应：如果 D 显著但 D 与 AB 混杂，需要标记为“待确认”。

全因子设计：交互作用的无偏估计

当部分因子筛选将因子缩减到 3～4 个后，全因子设计可以无混淆地估计所有主效应和交互效应。以 3 因子 2 水平全因子为例，8 次实验加 3～5 个中心点，共 11～13 次。中心点的作用是检验模型是否存在曲率——如果中心点响应均值明显偏离因子点响应的平均值，说明存在二次效应，提示后续需要 RSM。

全因子实验的分析重点是交互作用图。例如温度（C）和补料速率（E）的交互作用图：如果两条线不平行，说明存在交互作用。假设在低温条件下，提高补料速率对滴度影响不大；但在高温条件下，提高补料速率显著提升滴度——这就是典型的交互作用。此时不能单独说“补料速率越高越好”，而必须说明“在高温条件下，补料速率越高越好”。

方差分析（ANOVA）用于量化各效应的贡献。以 3 因子全因子为例，模型包含 A、B、C、AB、AC、BC、ABC 共 7 个效应项。若 ABC 不显著（p>0.05），可将其合并到误差项中，提高检验效能。最终保留的显著项构成预测模型，用于计算最优参数方向。

响应面方法：从筛选到优化的过渡

当因子收敛到 2～3 个且确认存在曲率时，进入响应面阶段。中心复合设计（CCD）由三部分组成：因子点（2^k）、轴点（2k）和中心点（通常 3～5 次重复）。以 2 因子 CCD 为例，共 4+4+5=13 次实验。轴点的距离 α 通常取 1.414（可旋转设计），使设计在中心点周围具有均匀的预测方差。

RSM 拟合的是二次模型：Y = β₀ + β₁X₁ + β₂X₂ + β₁₁X₁² + β₂₂X₂² + β₁₂X₁X₂ + ε。通过 ANOVA 检验模型显著性（p<0.05）和失拟项（p>0.05），确保模型可靠。然后通过求解驻点或绘制等高线图，找到最优参数组合。例如，温度 37°C、pH 7.0、诱导剂浓度 0.5 mM 时，模型预测滴度达到最大值 8.2 g/L。

从实验设计到参数控制策略

筛选实验的最终产出不是一张“显著因子清单”，而是一套可执行的参数控制策略。具体包括：显著因子的最优水平及可接受范围、关键交互作用的操作窗口、以及不显著因子的固定值。例如，若温度显著且与补料速率存在交互，则控制策略中必须同时规定温度和补料速率的联动范围，而不能单独设定温度上限。

此外，筛选实验的结果需要经过验证实验确认。通常在设计空间内选取 3～5 个验证点，包括模型预测的最优点和边界点，实测响应与预测值的偏差应控制在 ±10% 以内。如果偏差过大，说明模型外推能力不足，需要补充实验或缩小操作范围。

整个筛选流程可以概括为：候选因子清单 → 部分因子降维 → 全因子确认交互 → 响应面优化 → 验证实验 → 参数控制策略。每一步的输出都是下一步的输入，逐级收敛，最终形成可放大的上游工艺参数空间。