3.2 培养基设计与优化

3.2 培养基设计与优化

本节摘要：SOURCE 3.2：培养基是调控细胞命运的化学语言；fed-batch 脉冲补料引导代谢阶段切换；chemically defined 无血清培养基成本显著。

动手：fed-batch 补料策略

# 典型 CHO fed-batch 逻辑
IF 残糖 < 2 g/L AND μ 下降:
    补入 400 g/L 葡萄糖浓缩液 5% 体积
IF 氨 > 3 mM:
    切换 Gln-free 补料配方
​

培养基：不止是"喂饱"

培养基是细胞生长的化学环境，也是调控细胞命运的化学语言。同样的细胞系，用不同培养基或补料时序，代谢走向可能完全不同——滴度、糖型、副产物谱都会随之改变。因此培养基设计要回答两个层次的问题："喂什么"（配方组成）与**"怎么喂"**（补料时序与策略）。

从组成看，培养基可拆成四类组分：

1. 碳源：葡萄糖是最通用的碳源，但浓度过高会触发溢流代谢（如大肠杆菌产乙酸、CHO 产乳酸）。替代碳源包括果糖、半乳糖、甘油等，可用来调控代谢节奏。
2. 氮源：氨基酸、蛋白水解物或无机氮。动物细胞依赖必需氨基酸，谷氨酰胺尤其特殊——它既是氮源也是能量源，代谢后释放氨。
3. 微量元素：锌、铁、硒、铜等。虽然需求量极低（μg/L 级），却是酶活性中心的必需成分。缺硒会引发氧化应激，缺铁影响呼吸链——它们像"沉默的指挥家"。
4. 生长因子与信号分子：胰岛素、转铁蛋白、细胞因子等。它们不只是营养，更是在激活特定信号通路——培养基在"指挥"细胞行为。

微量元素与维生素作信号分子激活通路——不是简单「加营养」。

从黑箱到白盒：无血清与 CD 培养基

传统培养基依赖血清（胎牛血清 FBS）或蛋白水解物，优点是营养全面，缺点是成分不明、批间波动大、有动物源性污染风险。向无血清、再向化学成分确定（CD）培养基的迁移，是把"黑箱"变"白盒"的范式跃迁：

• 无血清培养基：以重组蛋白（如胰岛素）替代血清，降低污染风险，但仍有蛋白类成分。
• CD 培养基：所有成分分子明确、浓度已知。配方的可重复性、批间一致性达到最高，监管友好，是单抗生产的主流选择。

代价是研发成本高、对工艺变化的敏感度高——CD 培养基下细胞没有"缓冲垫"，pH、渗透压、溶解氧波动更容易直接伤害细胞。因此 CD 培养基的使用总是与更严格的过程控制绑定。

怎么喂：补料策略的设计逻辑

补料（fed-batch）的核心动机是避开底物抑制：把浓缩底物持续小剂量加入，让罐内底物浓度始终处于"不过剩也不耗竭"的窗口。三种基本策略各有适用场景：

• 恒速补料：按固定速率加入，简单可靠，但底物浓度随生物量增长逐渐下降，后期可能转为限速。
• 反馈补料：根据在线信号（残糖、DO、OUR）动态调节补料速率。DO 反馈补料利用"DO 随底物耗尽而上升"的特性，是工业上最常用的策略之一；代价是传感器漂移与噪声会放大到补料控制中。
• 脉冲诱导：在特定时刻一次性加入诱导剂或高浓度底物，触发代谢切换（如 IPTG 诱导、青霉素两阶段切换）。时间窗窄，错过即失效。

补料过快导致渗透压骤升——400 g/L 葡萄糖浓缩液的渗透压很高，一次补入过多会引发细胞收缩、活力下降。因此补料体积单次要控制在总体积的 1%–5%，并配合 pH/DO 的联动监控。

多目标优化：培养基的工程艺术

培养基优化几乎总是多目标问题：既要滴度、又要糖型、还要控成本、压副产物。标准工程流程是：

1. 用因子设计（DOE）识别显著组分；
2. 用响应面法找到组分浓度的优化区域；
3. 在优化区域做稳健性验证，确认操作窗口；
4. 结合成本做最终取舍。

培养基成本可占生产总成本的 10%–30%（无血清 CHO 更高），因此优化结果必须落到 BOM 层面评估，而不是只看滴度提升。

用仿真预演补料策略

在实验前用简单模型预演补料策略，能显著减少试错轮次：

# feeding_sim.py —— 简化的补料策略仿真
def simulate_feeding(feed_mode, hours=240, v0=1.0):
    x, s, v = 0.3, 5.0, v0   # 生物量, 底物, 体积
    mu_max, ks, yx = 0.03, 0.5, 0.5
    feed_rate = {"constant": 0.02, "feedback": 0.0}.get(feed_mode, 0.02)
    for t in range(hours):
        if feed_mode == "feedback" and s < 2.0:
            feed_rate = 0.06   # 底物低了就加大补料
        mu = mu_max * s / (ks + s)
        dx = mu * x - 0.001 * x
        ds = -mu * x / yx + feed_rate * 400 / v   # 补糖贡献
        dv = feed_rate
        if s < 0.1: break
        x += dx; s = max(0, s + ds); v += dv
    return x, s, v

for mode in ["constant", "feedback"]:
    x_end, s_end, v_end = simulate_feeding(mode)
    print(f"{mode}补料: 终点X={x_end:.1f} g/L, 残糖={s_end:.2f} g/L")
​

这类仿真只能做相对比较，不能代替实验，但足以筛掉明显不可行的策略，把实验预算留给最有希望的方案。

补料还有一个容易被忽略的量纲问题：体积增量本身。每次补入 1%–5% 体积的浓缩液，240 h 下累计体积膨胀可能达到 30%–50%，实际"工作体积"在批内是漂移的。滴度若按初始体积折算会被系统性低估，渗透压与搅拌功率输入（P/V）也随之漂移。规范的批记录应同时保存累计补料体积与逐时体积，滴度与时空产率都按实际体积计算——这是审计时常见的扣分点，也是仿真脚本里变量 v 必须存在的理由。

⚠️ 常见坑：补料过快导致渗透压休克——观察细胞形态与 DO 陡变。

💡 关键直觉：培养基设计是时序编程，非静态配方。

一节小结

• 动态补料优于一次配齐
• 培养基四类组分各司其职
• 无血清 CD 培养基是 MAbs 主流
• 补料策略要配传感器与控制逻辑
• 成本 10–30% 来自培养基
• 仿真预演能压缩实验轮次