发酵培养基优化方法和优化策略介绍

1

培养基优化的必要性 

1. 菌株对碳源、氮源及微量元素等有着自己独特的需求，特别是在我们需要菌株按照我们的需求高效、低成本的生产我们想要的产品时，培养基优化显得尤为重要。

2. 不同种属的菌株对培养基的需求是不一样的，亲缘关系越远，培养基差异越大。即便是同一种微生物，在生产不同的产品时对培养基的需求都有可能发生变化，比如同样的宿主和载体在表达不同的目的蛋白时，也需要对培养基进行调整。

   

1. 移除实验，每次将培养基中的一种成分去除，用于研究该该组分对发酵性能的影响。

2. 添加实验，每次添加一种潜在的培养基组分，来研究该组分对发酵性能的影响。

3. 替代实验，固定其他组分，用相同作用的不同来源的组分逐一替代，比如不同碳源的优化，不同氮源的优化。

4. 量的优化，单因素实验中，对已经确定好各组分的培养基，可以逐一开展各组分添加量的优化。

    

3

基于统计学的培养基优化方法

 

利用基于统计学的多因子实验设计和分析可以有效弥补单因素实验存在的问题。研究表明采用多因子实验设计相对于单因素实验更加高效，但是很大情况下我们需要通过单因素实验来为多因素实验提供数据基础。

➤实验设计Design of experiments (DOE)，用最小的实验次数反映真实的情况，我们做实验是用实验设计给出的各实验组来开展的。

1.全因子实验，当因子数和水平数较少时，可以采用全因子实验设计，全因子设计是研究人员将所有因子水平的全部组合度量响应的设计。

2.Plakett burman design PB实验，是一种多因子两水平的实验设计，用于快速排查无效因子，选取有效因子，PB实验的主要作用在于筛选掉无效因子。

3.正交表，正交实验设计包含正交表和分析两部分，是我们培养基优化中最常用的方法之一，简单说正交实验是依托于正交表的实验设计。正交表可以科学有效反映全部样本情况。正交表能够在因素变化范围内均衡抽样，使每次试验都具有较强的代表性，由于正交表具备均衡分散的特点，保证了全面试验的某些要求，这些试验往往能够较好或更好的达到试验的目的。正交实验设计可以进一步应用统计学分析或借助软件分析，获得最佳培养基。

4.Central composite design中心复合实验设计，中心复合设计是最常用的响应曲面设计试验。中心复合设计是包括中心点并使用一组轴点（又称为星形点）扩充的因子或部分因子设计，这些轴点可用于估计弯曲。使用中心复合设计可以：高效估计一阶和二阶项。通过向以前完成的因子设计添加中心点和轴点，为带有弯曲的响应变量建模。

5.Box Behnken design，Box-Behnken 设计的设计点通常较少，因此它们的运行成本比相同数量因子的中心复合设计低。它们可以高效消除一阶和二阶系数；但是，它们可以包括来自因子试验的游程。Box-Behnken 设计中的每个因子始终具有 3 个水平，这与可以包含 5 个水平的中心复合设计不同。与中心复合设计的另一个区别是，Box-Behnken 设计从不包括其中所有因子都位于其极端设置（如所有的低设置）的游程。

➤优化方法，在按照实验设计开展完相关实验后，需要采取一定的方法进行建模和分析，最终通过模型预测出最优解。对于简单的实验设计用简单的统计学分析即可完成。对于复杂的实验设计就需要借助更为有效的算法进行优化。

1. Response surface methodology (RSM)响应面分析，响应曲面设计方法通常用于在使用筛选设计或因子设计确定了重要因子后（尤其是在怀疑响应曲面中存在弯曲时）改进模型。上述实验设计中，中心复合和Box Behnken就是响应面最常用的实验设计方法，其中中心复合更为常用。

使用响应面开展实验的前提：确定或者怀疑因素为非线性，因数不超过4个，因素水平接近最优区域，如果因素水平不在最优区域，则需要通过最陡爬坡实验来进行优化。

2.Artificial neural network（神经网络）

人工神经网络是一种“黑箱”模型，在发酵培养基和发酵条件优化，以及发酵模型建立预测和辨识等方面应用较为广泛。人工神经网络是模拟大脑信息传递和处理的一种方法。我们也可以从这个角度来理解，可以拿温度对某个发酵产物的影响来说，如果你知道了一系列数据（温度变量和相对应的产物浓度），那么你也可以根据某个所给的数据，大概判断出相应的结果。

神经网络的原理也是类似，只不过可能输入的变量函数更多，相互之间有更复杂的关系。人工神经网络就是用大量的已知数据，不断地对模型进行训练，最终获得拟合度较好的模型。通常我们可以选用中心复合实验设计的数据或者另行进行实验设计。教练数据量越大,模型越准确.

3.Genetic algorithm (GA)

在对神经网络模型训练完成后，我们仅仅获得了一个模型，应用该模型我们给定一组变量值就能得到一个相对应的发酵水平。理论上我们可以挨着一个个的去试，然后寻找到最佳的组合，遗传算法就是用于帮助我们寻找这个最优解的。

需要注意的是，神经网络模型不一定采用遗传算法来寻找最优解，还可以有别的算法，遗传算法也不一定用神经网络模型，还可以有别的模型，比如响应面就可以和遗传算法来耦合。

随着生物信息学、多组学的发展，通过分析菌体在培养过程中生理状态的变化，可以进一步指导培养基的优化，之前分享过一篇相关文献，可以参考一下。

培养基优化新思路--代谢组学优化培养基

5

培养优化基本思路