2. 实验设计对象建模

在AI辅助生物实验设计中，最容易被忽视却决定成败的一步，是把一段用自然语言描述的生物学问题，翻译成机器可以搜索、优化和评估的数学对象。这个过程称为实验设计对象建模。它不追求一次写出完美模型，而是要求把模糊的“我想让细胞多产一点蛋白”拆解为可枚举的变量、可判定的约束、可量化的目标，以及能反映真实实验成败的评价指标。没有这一步，后续的贝叶斯优化、强化学习或大模型提案都只能停留在“看起来合理”的层面。

一、从生物学问题到四元组

一个可计算的实验设计对象通常由四部分组成：设计变量、约束条件、目标函数和评价指标。它们的关系可以理解为：设计变量是“我们能调什么”，约束条件是“哪些组合不允许或不可行”，目标函数是“我们想要什么”，评价指标是“我们如何判断结果好不好”。四者共同构成一个优化问题的骨架。

以“提高大肠杆菌中重组绿色荧光蛋白（GFP）的表达量”为例。原始问题是一句话，但建模后可以写成：设计变量包括诱导剂IPTG浓度、诱导温度、诱导时机（以OD₆₀₀表示）和培养基碳源种类；约束条件包括温度范围20–37 ℃、IPTG浓度0–1 mM、OD₆₀₀诱导点0.2–1.0、碳源只能从葡萄糖、甘油、乳糖中选择；目标函数是最大化单位菌体荧光强度；评价指标则包括荧光强度、细胞生长密度和质粒保留率。这样，一个生物学问题就变成了一个带约束的多目标优化问题。

二、设计变量的类型与编码

设计变量并不都是连续数值。生物实验中常见的变量可分为三类：连续变量（如温度、IPTG浓度、诱导时间）、离散变量（如碳源种类、启动子强度等级、宿主菌株）和组合变量（如培养基配方中多种组分的配比）。在建模时，连续变量可以直接用实数表示；离散变量需要编码为整数或独热向量；组合变量则常转化为比例约束，例如三种碳源的质量分数之和为1。

以碳源为例，若候选为葡萄糖、甘油、乳糖，可以编码为 [1,0,0]、[0,1,0]、[0,0,1]，也可以引入混合比例 [g, y, l]，满足 g+y+l=1 且各分量非负。后者更接近真实实验，但搜索空间更大。建模时要根据实验可执行性决定编码粒度：如果实验员只能做单一碳源，就不要引入连续混合比例，否则优化器会推荐无法执行的方案。

三、约束条件的三种来源

约束条件通常来自三个层面。第一是物理与设备约束，例如恒温摇床只能设定20–37 ℃，酶标仪检测波长固定为485 nm。第二是生物学约束，例如IPTG浓度过高会形成包涵体，OD₆₀₀低于0.2时诱导可能因菌体太少而信号不足。第三是资源与伦理约束，例如单次实验孔位数不超过96、珍贵试剂用量不超过50 μL、动物实验需通过伦理审查。

约束在数学上可以写成等式或不等式。例如温度约束为 20 ≤ T ≤ 37，孔位约束为 n ≤ 96，碳源比例约束为 g+y+l=1。在AI优化中，约束不仅用于过滤不可行解，还可以作为惩罚项加入目标函数，或通过可行域投影保证推荐方案始终可执行。

四、目标函数与评价指标的区分

目标函数是优化器直接最大或最小化的量，评价指标则是实验结束后用来判断“这次实验是否成功”的多个维度。二者可以重合，但不必完全相同。例如目标函数可以设为“单位菌体荧光强度”，而评价指标还包括质粒保留率、批间变异系数和实验耗时。如果只优化荧光强度，可能得到高表达但质粒丢失严重的菌株，因此评价指标要覆盖稳定性与可重复性。

在多目标场景中，常见做法是加权求和或帕累托前沿。加权求和简单，但权重需要根据实验目的设定；帕累托前沿能保留多个非劣解，适合同时关注产量和生长速度的场景。无论哪种方式，都应在建模阶段明确写出，避免实验结束后才争论“到底什么算好”。

五、一个可执行的建模示例

下面给出一个可直接参考的建模片段，用于GFP表达优化。示例参数属于教学假设，不是实测结果。

设计变量：
  T   : 诱导温度，连续，20–37 ℃
  I   : IPTG浓度，连续，0–1.0 mM
  OD  : 诱导时机，连续，0.2–1.0
  S   : 碳源，离散，{葡萄糖, 甘油, 乳糖}

约束条件：
  20 ≤ T ≤ 37
  0 ≤ I ≤ 1.0
  0.2 ≤ OD ≤ 1.0
  S ∈ {葡萄糖, 甘油, 乳糖}
  单次实验孔位数 ≤ 96

目标函数：
  maximize  F = 荧光强度 / OD600

评价指标：
  M1 = 荧光强度 / OD600
  M2 = 质粒保留率
  M3 = 三次重复的变异系数 CV
  M4 = 单次实验耗时

推荐初始采样：
  拉丁超立方生成12组(T, I, OD)组合，
  碳源三种各出现4次，保证初始覆盖均匀。

这个片段的价值在于：它把“提高GFP表达”变成了一个可被算法读取的问题。后续无论是用高斯过程回归还是随机森林做代理模型，输入输出都已经明确。实验人员拿到推荐方案后，也能直接判断哪些条件可以执行、哪些需要调整。

六、常见建模陷阱

第一，变量粒度与实验操作不匹配。例如优化器输出IPTG浓度为0.37 mM，但实验只能以0.1 mM为步长配制，这时应把变量离散化或加入取整约束。第二，目标函数与评价指标脱节。例如目标函数只写“荧光强度”，评价指标却要求“低变异系数”，优化器不会主动考虑后者。第三，约束过松导致搜索空间爆炸，或约束过紧导致可行域为空。建议先用少量随机采样检查可行域是否存在，再启动优化。

把生物学问题转化为可计算对象，本质上是一次“翻译”工作。翻译得越清楚，AI越能给出可执行、可验证的建议；翻译得含糊，再先进的算法也只能在错误的问题上高效奔跑。