2.2 生物反应动力学

2.2 生物反应动力学

本节摘要：SOURCE 2.2：Monod 方程描述比生长速率；次级代谢产物常不在最大 μ 点合成；需多尺度耦合模型。

动手：Monod 参数拟合

经典式：μ = μmax · S / (Ks + S)

其中 μ 为比生长速率（h⁻¹），S 为限制性底物浓度（g/L），μmax 为最大比生长速率，Ks 为半饱和常数（μ 达到 μmax/2 时的底物浓度）。Monod 是经验方程，但能很好地捕捉大多数工业培养中"底物充足时接近指数生长、底物耗尽时趋于停滞"的行为。

从批培养数据拟合参数

批培养中每个时间点的比生长速率可从生物量对数差分近似得到：μ = d(ln X)/dt。然后对 (S, μ) 数据做非线性最小二乘拟合：

# fit_monod.py —— 用 scipy 拟合 Monod 参数
import numpy as np
from scipy.optimize import curve_fit

def monod(s, mu_max, ks):
    return mu_max * s / (ks + s)

# 离线数据：残糖 S(g/L) 与对应比生长速率 mu(h^-1)
s_data = np.array([0.1, 0.3, 0.8, 2.0, 5.0])
mu_data = np.array([0.04, 0.10, 0.16, 0.22, 0.26])

popt, pcov = curve_fit(monod, s_data, mu_data, p0=[0.3, 0.2])
mu_max, ks = popt
perr = np.sqrt(np.diag(pcov))
print(f"mu_max = {mu_max:.3f} ± {perr[0]:.3f} h^-1")
print(f"Ks = {ks:.3f} ± {perr[1]:.3f} g/L")

# 检查拟合质量
pred = monod(s_data, *popt)
r2 = 1 - np.sum((mu_data - pred)**2) / np.sum((mu_data - mu_data.mean())**2)
print(f"R² = {r2:.3f}")
​

拟合完成后务必检查两点：一是 R² 与残差分布是否显示系统偏差（若残差呈"弯月形"，说明真实动力学偏离 Monod，可能受抑制项影响）；二是参数的置信区间是否过大（数据点太少或底物范围太窄都会导致参数不可辨识）。这是把"数据"变成"参数"的最后一步，也是后续所有仿真的基础。

产物形成动力学：三类经典模型

产物是否与生长同步，决定了补料与诱导策略。工程上常把产物形成分为三类：

• 生长偶联型：产物生成速率与比生长速率成正比，如乳酸、乙醇、初级代谢产物。对策是让细胞尽快生长到高密度。
• 非偶联型（次级代谢）：产物在生长减缓或停止后才大量合成，如青霉素、多数抗生素。对策是"两阶段培养"：第一阶段快速生长，第二阶段限制营养触发产物合成。
• 混合型：部分与生长偶联，部分独立。比如许多氨基酸发酵，生长与生产部分重叠，需精确设计补料曲线。

青霉素就是教科书级案例：菌体先在对数期快速生长，当葡萄糖限制或环境变化时转入次级代谢，青霉素合成速率反而升高。若一味用最大 μ 作为补料唯一依据，就等于让细胞永远停在生长模式，青霉素永远产不出来。

抑制效应：动力学方程的现实修正

真实系统里还常见两类抑制：

• 底物抑制：高浓度底物反而降低比生长速率，可用 Andrews 方程修正：μ = μmax·S/(Ks + S + S²/Ki)。底物抑制是补料工艺（fed-batch）存在的根本理由——通过持续小剂量补糖，把反应器内底物浓度维持在不抑制的水平。
• 产物抑制：产物积累反过来抑制生产，如乙醇抑制酵母、乳酸抑制乳酸菌。对策包括连续移除产物（透析培养）、选育耐产物菌株、或转向连续工艺。

维持代谢同样不可忽略：细胞即使不生长也要消耗底物维持生命，用维持系数 ms（g 底物/g 生物量/h）描述。在低比生长速率下，维持消耗占比上升，导致表观得率下降——这是补料后期滴度增长变缓的原因之一。

三种抑制效应的速率曲线对比

传质与动力学的耦合

好氧培养中，动力学方程必须在氧传递的约束下求解。细胞耗氧速率 OUR = qO2·X，而反应器供氧上限 OTR = kLa·(C* − CL)。当 OUR 接近 OTR 时，溶氧 CL 趋零，实际比生长速率被氧限制——此时"Monod 预测的 μ"与"实际 μ"严重背离。因此动力学模型与传质方程必须耦合求解，这正是 3.3 节反应器工程与 4.2 节数字孪生的共同基础。

某企业 DOE 提滴度 30% 却无法解释机制，直到代谢通量模型发现缓解了 NADPH 瓶颈——机理透明才稳健。这个案例说明：统计显著性只告诉你"改了有用"，机理模型才告诉你"为什么有用"。只有机理清晰，优化结果才能在不同规模、不同批次间迁移；否则换个菌株、换个规模，经验就作废。

把传质耦合也做成动手题：给定 kLa 与目标细胞浓度，反推允许的最大补糖速率，这是把动力学从"描述工具"升级为"设计工具"的关键一步。

# our_budget.py —— 由供氧上限反推最大细胞浓度与补糖上限
kLa, C_star, qO2 = 400.0, 0.21, 5e-3   # 1/h, mmol/L, mmol/(g·h)
OTR = kLa * C_star                      # mmol/L/h
X_max = OTR / qO2                       # g/L
qs_max = OTR * (1/0.39) / X_max * 0.1   # 粗略按 Yxs≈0.39 g/mmol 折算
print(f"供氧上限 OTR={OTR:.0f} mmol/L/h → X_max≈{X_max:.0f} g/L")
# 补糖速率一旦使 OUR 越过 OTR，μ 即被氧掐住，糖只变成乙酸
​

⚠️ 常见坑：用最大 μ 作为补料唯一依据——次级代谢最优常在亚稳态。

💡 关键直觉：动力学回答「多快、多少、如何引导」。

本章回顾

• Monod 是起点非终点
• 产物形成三类模型决定工艺策略
• 抑制效应推动 fed-batch 与连续工艺
• 产物合成常与生长解耦
• OUR 一旦越过 OTR 上限，μ 即被传质掐住，补料速率须按 kLa 反推设定
• 机理模型优于纯黑箱 DOE