📚 课程目录第3章自动化实验流程建模

3. 自动化实验流程建模

自动化细胞成像实验并不是把几个仪器串起来就能稳定运行。培养、染色、成像、分析四个阶段之间存在大量时间约束、资源竞争和条件分支：细胞必须在合适汇合度时才能染色，染色完成后必须在限定时间内成像，成像结果又决定是否需要补拍或重扫。把这些约束表达清楚，是自动化流程建模的核心任务。

一、流程拆解：从生物步骤到可执行任务

流程拆解的第一步，是把实验意图翻译成自动化系统能识别的任务单元。以96孔板为例，一次典型流程可拆为：培养阶段（接种、换液、汇合度监测）、染色阶段（弃液、固定、透化、封闭、抗体孵育、核染）、成像阶段（对焦、通道采集、Z 栈、拼图）、分析阶段（分割、计数、强度统计、质控）。

拆解时不能只写“染色”，而要明确每个任务的输入、输出、时长和前置条件。例如“固定”任务的输入是含细胞的孔板与 4% 多聚甲醛，输出是已固定孔板，时长约 15 min，前置条件是培养基已弃净。只有把这类信息写全，后续状态机才有可判断的转移条件。

一个常见的教学示例参数如下：接种密度 5×10³ 细胞/孔，培养 24 h 后预期汇合度 60%–70%；固定 15 min；透化 10 min；一抗孵育 60 min；二抗孵育 45 min；核染 10 min；成像前 PBS 洗涤 3 次。这些数值属于示例，实际需按细胞类型和抗体说明书调整。

二、状态机建模：把“能不能做”变成可判断条件

状态机适合描述单个对象（如一块孔板、一台成像仪）在生命周期中的状态与转移。以孔板为例，可定义状态：IDLE、SEEDED、CULTURING、READY_TO_STAIN、STAINING、READY_TO_IMAGE、IMAGING、ANALYZING、DONE、FAILED。

转移条件必须可观测。例如 CULTURING → READY_TO_STAIN 的触发条件不是“培养好了”，而是“汇合度 ≥ 60% 且培养时长 ≥ 20 h”。READY_TO_IMAGE → IMAGING 的条件是“染色完成且距染色结束 ≤ 4 h”。若超时，则转入 FAILED 或 RE_STAIN。这种写法把模糊判断变成可编程条件，是自动化稳定运行的关键。

状态机还应处理异常分支：成像对焦失败时，不应直接失败，而应进入 REFOCUS 重试，最多 3 次；若仍失败，标记该孔为 QC_FAIL 并继续其他孔。这样单孔异常不会阻塞整板流程。

三、工作流建模：多对象、多资源的协同

状态机描述单对象，工作流则描述多对象与多资源的协同。工作流建模通常包含三层：任务层（做什么）、资源层（谁来做）、调度层（何时做）。

资源层要明确仪器能力与占用时间。例如液体处理站一次处理 1 块板、耗时 8 min；成像仪一次处理 1 块板、耗时 25 min；分析服务器可并行处理 4 块板。调度层则根据这些约束决定任务顺序。若同时有 3 块板等待成像，而成像仪只有 1 台，就必须排队，且要保证每块板在染色后 4 h 内完成成像。

工作流中还要区分串行任务与并行任务。同一块板的固定、透化、封闭必须串行；不同板之间的培养可以并行；分析可与下一块板的成像并行。把并行关系画清楚，才能估算整批实验的总时长。

建模时建议先画“对象—状态—转移”草图，再补“资源—时长—约束”表，最后合并为可执行工作流。不要一开始就写代码，否则容易把生物约束漏掉。

四、从模型到执行：一个可参考的流程片段

下面给出一个简化的状态转移配置示例，用于说明如何把上述条件写成可执行形式。示例采用伪代码，实际可映射到 Python 状态机或工作流引擎。

states = {
  "CULTURING": {
    "next": "READY_TO_STAIN",
    "condition": "confluence >= 0.60 and culture_hours >= 20",
    "timeout_h": 48,
    "on_timeout": "FAILED"
  },
  "READY_TO_IMAGE": {
    "next": "IMAGING",
    "condition": "stain_done and hours_since_stain <= 4",
    "on_violation": "RE_STAIN"
  },
  "IMAGING": {
    "next": "ANALYZING",
    "retry": {"REFOCUS": 3},
    "on_fail": "QC_FAIL"
  }
}

这段配置表达了三个关键约束：汇合度与培养时长共同决定能否染色；染色后 4 h 内必须成像；对焦失败可重试 3 次。实际运行时，调度器会周期性读取每个孔板的状态，检查条件是否满足，再决定是否推进。

五、结果判读与模型校验

模型建好后，需要用实际运行数据校验。重点观察三类指标：状态停留时间（如 CULTURING 实际时长分布）、转移失败率（如 READY_TO_IMAGE 超时比例）、资源利用率（成像仪空闲与排队时长）。若发现大量孔板在 READY_TO_IMAGE 超时，说明染色与成像的节拍不匹配，应调整染色批次大小或增加成像并行度。

此外，分析阶段的结果也应反馈到流程模型。例如若某批板 QC_FAIL 比例超过 20%，可触发对染色步骤的复查，甚至自动暂停后续批次。这种“分析反馈控制”是自动化流程从“能跑”走向“稳定跑”的重要一步。

把上述状态机与工作流合并后，整批实验的节拍就变得可计算：若每块板培养 24 h、染色 2.5 h、成像 25 min、分析 15 min，且成像仪只有 1 台，则 3 块板的总时长约为 24 h + 2.5 h + 3×25 min + 15 min ≈ 28 h。若把成像仪增加到 2 台，总时长可压缩到约 27 h。这类估算能帮助在实验设计阶段就判断资源是否匹配。

最后需要强调：模型不是一次建成的。建议先用 1–2 块板跑通全流程，记录每个状态的实际停留时间和失败原因，再回头修正转移条件与超时阈值。只有经过数据校验的模型，才能真正支撑自动化实验的稳定运行。