1. 生物工艺关键参数建模工程导论

生物制造的核心竞争力，越来越取决于能否把“细胞或酶在反应器里发生了什么”转化为可计算、可预测、可控制的工程语言。生物工艺关键参数建模工程，正是连接生物过程认知与工业控制决策的桥梁。它研究的不是单一参数本身，而是关键参数之间如何相互影响、如何随时间和操作条件演化，以及如何用模型把这些关系表达出来，服务于放大、优化、监控和批次放行。

课程定位：从经验操作走向可计算工艺

传统生物工艺开发高度依赖实验试错和老师傅经验。一个补料分批发酵工艺，往往需要几十甚至上百次实验才能确定温度、pH、溶氧、补料速率等条件。这种方式周期长、成本高，而且放大到生产规模时，经验常常失效。本课程定位为“工艺—数据—模型—决策”的交叉工程课，目标不是培养纯算法研究者，而是培养能够识别关键参数、构建合理模型、并用模型支持工艺判断的工程人员。

课程将围绕三条主线展开：第一，理解生物工艺中哪些参数真正“关键”，以及它们背后的生物学与传递过程含义；第二，掌握从机理模型到数据驱动模型的建模方法，包括质量平衡、动力学方程、参数估计与模型验证；第三，把模型嵌入实际工作流，用于补料策略设计、批次异常诊断、放大风险预判和软测量。

什么是关键参数

关键参数（Critical Process Parameter, CPP）是指其波动会显著影响关键质量属性（CQA）或过程性能的工艺输入或状态变量。它不等同于“所有可测变量”。例如，在单克隆抗体细胞培养中，温度、pH、溶氧（DO）、葡萄糖浓度、谷氨酰胺浓度、乳酸浓度、渗透压、补料速率通常被视为关键参数；而罐体编号、批次记录时间戳等属于追溯信息，不是关键参数。

关键参数可分为三类：

• 操作参数：可人为设定或调节，如温度设定值、pH设定值、通气速率、搅拌转速、补料泵速率。
• 状态参数：反映系统当前状态，通常不能直接设定，如活细胞密度、底物浓度、产物浓度、代谢副产物浓度。
• 派生参数：由测量值计算得到，如比生长速率 μ、比消耗速率 q_s、比产物生成速率 q_p、氧摄取速率 OUR、呼吸商 RQ。

建模工程关注的核心问题是：这些参数中，哪些对目标影响最大？它们之间是线性还是非线性关系？在什么范围内模型可信？当测量缺失或延迟时，能否用模型推断？

建模工程在生物制造中的价值

建模的价值体现在四个层面。第一，减少实验负担：通过模型预测不同补料策略下的底物和产物走势，可以缩小实验设计空间。第二，支持放大：小试反应器的 k_La、混合时间、剪切力与生产罐不同，模型可帮助判断哪些参数需要保持恒定、哪些允许缩放。第三，实现软测量：活细胞密度、产物浓度等在线测量困难或昂贵，可用易测参数（如 OUR、碱流加速率）通过模型估计。第四，支撑批次决策：在工艺偏差发生时，模型可快速评估对终产量的影响，辅助判断是否继续、调整或终止批次。

典型应用场景

本课程覆盖的场景包括：微生物发酵（如大肠杆菌、酵母）中的底物抑制与产物抑制建模；哺乳动物细胞培养中的代谢网络与补料优化；酶催化过程中的动力学参数估计；以及连续灌流工艺中的稳态与动态响应分析。每个场景都对应不同的模型结构和参数敏感度，不能套用同一套模板。

学习路径与本节知识地图

建议的学习路径是：先建立关键参数识别能力，再学习质量平衡与动力学建模，然后进入参数估计与模型验证，最后把模型用于补料、放大和故障诊断。下图给出本节核心概念之间的关系：从工艺对象出发，识别关键参数，经过建模与验证，最终服务于工艺决策。

一个可执行的入门示例：补料分批培养的葡萄糖控制

为了把上述概念落到操作层面，给出一个教学示例。假设某大肠杆菌补料分批培养，工作体积 V=5 L，初始葡萄糖 S₀=10 g/L，初始生物量 X₀=1.5 g/L。目标是将比生长速率 μ 控制在 0.25 h^-1 附近，以减少乙酸生成。已知维持系数 m=0.04 g葡萄糖/(g细胞·h)，用于生长的葡萄糖得率 Y_X/S=0.5 g细胞/g葡萄糖。

第一步，计算维持消耗：m·X·V = 0.04 × 1.5 × 5 = 0.3 g/h。第二步，计算生长消耗：μ·X·V / Y_X/S = 0.25 × 1.5 × 5 / 0.5 = 3.75 g/h。第三步，总葡萄糖需求约为 4.05 g/h。若补料液葡萄糖浓度为 500 g/L，则初始补料速率约为 4.05 / 500 × 1000 = 8.1 mL/h。

实际运行中，活细胞密度会随时间增加，因此补料速率不能恒定。可每30分钟根据离线或在线估算的 X 更新一次补料速率。判断模型是否可信，可观察三个指标：残差是否随机分布、参数置信区间是否过宽、以及模型预测的 OUR 是否与在线尾气分析一致。若 OUR 预测偏差持续超过15%，应检查 k_La 或维持系数是否随条件变化。

建模工程的基本工作流

一个完整的建模循环通常包括：明确目标变量与关键参数、选择模型结构、收集并清洗数据、估计参数、检验模型、以及把模型部署到工艺决策中。其中最容易忽视的是“目标变量定义”。如果目标是提高产物滴度，那么模型必须能表达产物生成与生长、底物消耗、代谢副产物之间的关系，而不能只拟合生物量。另一个关键是数据质量：pH、DO 等在线信号常存在漂移和延迟，直接用于参数估计会导致偏差。