3. 细胞生长与产物生成动力学建模
在生物过程仿真中，动力学模型是把“细胞—底物—产物—环境”之间的定量关系写成可计算方程的核心工具。它决定了仿真能否复现实验中的延迟、抑制、饱和、产物抑制与代谢副产物积累等现象。本节围绕三类最常用的动力学模型展开：描述生长速率的 Monod 及其抑制扩展、描述产物生成的 Luedeking-Piret 方程，以及区分“是否追踪胞内组分”的结构模型与非结构模型，最后给出参数估计与模型辨识的工程做法，并以重组大肠杆菌表达外源蛋白为例说明建模流程。
3.1 Monod 方程与抑制模型
Monod 方程把比生长速率 μ 与限制性底物浓度 S 关联为饱和型关系：
μ = μ_max · S / (K_s + S)其中 μ_max 为最大比生长速率（h⁻¹），K_s 为半饱和常数（g/L），数值上等于 μ 达到 μ_max 一半时的底物浓度。该式隐含两个工程含义：当 S ≫ K_s 时 μ 趋近 μ_max，生长近似零级；当 S ≪ K_s 时 μ 近似与 S 成正比，生长受底物线性控制。因此补料分批中“维持 S 在 K_s 附近”常被用作控制生长速率的策略。
实际发酵中常见三类抑制，需要把 Monod 扩展为抑制模型。底物抑制（高浓度底物反而降低 μ）常用 Haldane 形式：
μ = μ_max · S / (K_s + S + S²/K_i)产物抑制则把产物浓度 P 引入分母，例如 μ = μ_max·S/((K_s+S)(1+P/K_p))；毒性抑制可用指数项 μ = μ_max·S/(K_s+S)·exp(−K_t·P)。在重组大肠杆菌中，乙酸积累是典型抑制因素，常写成 μ = μ_max·S/(K_s+S)·1/(1+A/K_A)，A 为乙酸浓度。选择哪种形式，取决于实验数据中“抑制随浓度单调下降”还是“先升后降”的形态。
3.2 Luedeking-Piret 方程
产物生成速率 r_p 通常由“与生长偶联”和“与生长非偶联”两部分组成，Luedeking-Piret 方程写作：
r_p = α · r_x + β · x其中 r_x 为细胞生长速率（g/(L·h)），x 为细胞浓度（g/L），α 为生长偶联系数，β 为非生长偶联系数（h⁻¹）。当 α>0、β≈0 时产物为生长偶联型（如部分胞内酶）；当 α≈0、β>0 时产物为次级代谢型（如抗生素）；重组蛋白常介于两者之间。该方程的价值在于：它把“产物生成”拆成可分别估计的两项，使补料策略可以针对 α 项（促进生长）或 β 项（维持高细胞密度）分别优化。
3.3 结构模型与非结构模型
非结构模型把细胞视为单一组分，只追踪 x、S、P 等宏观变量，参数少、易辨识，适合过程控制与放大初筛。结构模型则把细胞划分为多个胞内组分（如蛋白质、RNA、储存物、前体池），用组分间的通量描述代谢分配，能解释“同样 μ 下产物得率不同”的现象，但参数多、辨识困难。工程上常采用折中方案：在非结构模型中加入一个“代谢状态变量”或“比产物生成能力 q_p”，以较低复杂度捕捉结构信息。
3.4 参数估计与模型辨识
参数估计的目标是让模型输出与实验数据在统计意义上最接近。以 Monod 参数为例，可先由分批实验获得不同初始 S₀ 下的 μ，再用 Lineweaver-Burk 双倒数法线性化：1/μ = K_s/μ_max·1/S + 1/μ_max，以 1/S 为横轴、1/μ 为纵轴做线性回归，截距倒数即 μ_max，斜率乘 μ_max 即 K_s。该方法直观但会放大低浓度点的误差，因此更推荐用非线性最小二乘直接拟合 μ-S 曲线，并检查残差是否随机分布。
模型辨识则回答“该用哪个模型”。做法是：先用非结构模型拟合，若残差在抑制区出现系统性偏差，再引入抑制项；若不同批次间 α、β 波动大，说明存在未建模的代谢状态，可考虑结构模型或增加状态变量。辨识指标包括残差平方和 RSS、AIC 或交叉验证误差，同时要求参数具有物理意义（如 μ_max 不超过文献合理范围）。
3.5 案例：重组大肠杆菌表达外源蛋白
设某重组大肠杆菌补料分批过程，初始葡萄糖 20 g/L，接种后 37 ℃ 培养，OD600 达到 0.6 时加入 IPTG 诱导。示例参数（合理假设，非实测）：μ_max = 0.55 h⁻¹，K_s = 0.08 g/L，K_A = 2.5 g/L，α = 0.02 g产物/g细胞，β = 0.008 h⁻¹。建模步骤为：
- 用诱导前数据拟合 μ_max、K_s，确认无底物抑制；
- 用诱导后乙酸数据拟合 K_A，检验乙酸对 μ 的抑制；
- 用产物浓度时间序列拟合 α、β，判断产物以生长偶联为主还是非偶联为主；
- 将模型接入补料策略：若 β 项主导，则维持高细胞密度、降低比生长速率，减少乙酸生成。
综上，Monod 与抑制模型解决“细胞长多快”，Luedeking-Piret 解决“产物生成多少”，结构与非结构模型解决“模型该多复杂”，参数估计与辨识则保证模型可用于仿真与优化。四者共同构成生物过程动力学建模的基本工作流。