3. 软测量建模的工程需求定义

软测量模型不是实验室里的算法演示，它最终要嵌入到生物过程的实际运行中，替代或补充在线仪表，参与放行判断、过程控制和批次决策。因此，在动手选变量、建模型之前，必须先完成一次工程需求定义。这一步决定了后续所有工作的边界：模型要预测什么、达到什么精度才算合格、在什么工况范围内可信、多久需要维护一次、以及它能否被用于GMP环境下的关键决策。需求定义做得含糊，模型即使离线指标漂亮，也很难通过验证并长期稳定运行。

目标变量选择：先明确“预测什么”和“为什么预测”

目标变量是软测量模型的输出，通常是在线难以直接测量或测量成本高、滞后大的关键质量属性或过程变量。在生物制药中，常见的目标变量包括产物浓度、活细胞密度、比生长速率、代谢物浓度（如葡萄糖、乳酸、谷氨酰胺）、病毒滴度、聚集体比例等。选择目标变量时，不能只看“哪个难测”，而要从三个角度判断：

• 工艺相关性：该变量是否直接影响产品质量、收率或放行决策。例如，单抗生产中的产物浓度直接关系到下游收率和批次经济性。
• 可参考性：是否存在离线取样分析作为参考值（金标准），且参考方法的误差和滞后在可接受范围内。没有可靠参考值，模型无法训练和验证。
• 可干预性：如果模型输出用于控制，目标变量必须能通过可操作变量（如补料速率、通气量、温度）进行调节。否则模型只能用于监测，不能用于闭环控制。

以CHO细胞培养为例，若目标是实现葡萄糖浓度的在线软测量，则目标变量为葡萄糖浓度（g/L），参考值为离线生化分析仪结果，可操作变量为补料泵速率。若目标是预测产物滴度，则参考值为Protein A HPLC结果，但可操作变量有限，模型更适合用于批次放行辅助判断而非实时控制。目标变量的选择直接决定了后续变量筛选、模型结构和验证策略。

精度与鲁棒性指标：定义“好”的量化标准

精度指标回答“模型预测有多准”，鲁棒性指标回答“模型在扰动下有多稳”。两者必须同时定义，不能只追求离线精度。

常用的精度指标包括：均方根误差（RMSE）、平均绝对误差（MAE）、相对误差（RE%）、决定系数（R²）以及预测区间覆盖率。在生物过程中，由于批次间差异大、样本量有限，建议同时报告RMSE和RE%，并给出置信区间。例如，对于葡萄糖浓度预测，若工艺要求控制精度为±0.3 g/L，则模型RMSE应至少小于0.15 g/L，留出安全裕度。对于产物浓度，若放行标准为±5%，则模型RE%应控制在3%以内。

鲁棒性指标则关注模型对输入扰动、工况漂移和测量噪声的敏感程度。常用方法包括：

• 输入噪声敏感性：在输入变量上叠加1%～5%的高斯噪声，观察输出误差变化。若误差放大超过50%，说明模型过拟合或结构不稳定。
• 工况外推能力：在训练数据覆盖范围之外（如温度偏高1℃、pH偏低0.1）测试模型，评估其外推误差。生物过程模型不应被用于外推区域，但需明确边界。
• 批次间一致性：用留一批次交叉验证（Leave-One-Batch-Out）评估模型在不同批次上的表现，避免随机划分导致的信息泄漏。

精度和鲁棒性指标应在需求定义阶段以书面形式固定下来，作为后续模型验收的依据。指标不是越高越好，而是要与工艺需求匹配。过高的精度要求可能导致模型复杂度过高、维护困难；过低的精度要求则无法支撑实际决策。

维护周期：模型不是一次建好就一劳永逸

生物过程存在细胞代谢漂移、原材料批次差异、设备老化等缓慢变化，软测量模型的性能会随时间衰减。因此，需求定义中必须明确维护周期和维护触发条件。

维护周期可以从三个维度确定：

• 时间维度：例如每3个月或每20个批次进行一次模型性能回顾。若工艺稳定、模型误差未显著上升，可延长周期。
• 事件维度：当发生工艺变更（如培养基配方调整、补料策略改变）、设备大修、参考分析方法变更时，必须触发模型再验证。
• 性能维度：在线监控模型预测值与离线参考值的偏差，当连续5个批次的RE%超过设定阈值（如5%）时，触发模型更新。

维护方式包括：重新训练（用新数据更新模型参数）、增量学习（在线更新）、模型切换（启用备用模型）或重新设计（当工艺发生根本变化时）。维护周期和维护方式应在需求定义中明确，并纳入质量体系文件。

合规与验证边界：模型能用在哪儿，不能用在哪儿

在GMP环境下，软测量模型若用于放行、关键工艺参数监控或控制决策，必须符合法规要求。需求定义阶段就要明确模型的合规边界：

• 用途分类：模型是用于“监测”（仅提供参考信息）、“控制”（参与闭环调节）还是“放行”（替代离线检测）？不同用途的验证深度不同。监测类模型只需基本性能确认；放行类模型需要完整的分析方法验证，包括专属性、准确度、精密度、线性、范围、耐用性。
• 验证边界：明确模型适用的工艺范围，包括细胞系、培养基、反应器规模、操作条件区间。超出边界的使用必须经过变更控制。
• 数据完整性：训练数据、验证数据、模型版本、参数变更记录必须可追溯，符合ALCOA+原则。
• 模型生命周期管理：从需求定义、数据采集、模型开发、验证、上线到维护，每个阶段都应有文档记录和审批流程。

合规边界不是限制创新，而是确保模型在受控范围内可靠运行。需求定义阶段把边界划清楚，后续的验证和维护才能有的放矢。

需求定义的实际操作：从工艺需求到模型规格

把上述四个维度落地，通常需要产出一份“软测量模型需求规格书”。它不是形式文件，而是后续开发、验证和维护的基准。以下是一个可参考的字段结构，以CHO细胞培养葡萄糖软测量为例：

这份规格书在项目启动时由工艺、分析、自动化和质量部门共同评审确认。后续模型开发中的变量筛选、算法选择、验证方案设计，都应以它为约束。例如，若规格书明确模型不用于放行，则验证深度可适当简化，但数据完整性和变更控制仍不可省略。

总结来说，软测量建模的工程需求定义是一个多约束优化问题：目标变量决定模型输出，精度与鲁棒性指标决定模型验收标准，维护周期决定模型生命周期成本，合规与验证边界决定模型的使用范围和文档深度。四者相互关联，缺一不可。在需求定义阶段投入足够的时间，后续的建模、验证和运维才能沿着清晰的轨道推进，避免返工和合规风险。