4.1 实验设计与高通量

4.1 实验设计与高通量

本节摘要：SOURCE 4.1：DOE 替代 one-factor-at-a-time；自动化微型生物反应器并行筛选；QbD 定义 CPP 对 CQA 影响。

动手：2³ 因子 DOE 示例

# 8 次实验 + 3 中心点 → 主效应与交互
# 响应：第 14 天滴度 g/L
# 工具：JMP / Design-Expert / Python pyDOE2
​

为什么 one-factor-at-a-time 是陷阱

传统的单因子法（OFAT）一次只变一个因子，固定其他因子。它的三个致命缺陷：

1. 忽略交互效应：两个因子单独改变都不显著，但组合改变可能显著。OFAT 结构上无法发现这种交互。
2. 实验次数爆炸：3 个因子各 3 水平，OFAT 需要 1 + 3×2 = 7 次实验且只探索一条"线"；而全因子 3³ = 27 次能探索整个"立方体"。因子一多，OFAT 的信息效率断崖式下降。
3. 无法估计误差：没有重复与随机化，实验噪声被当成真实差异，结论可靠性无从谈起。

DOE（实验设计）的统计学根基正在于此：用随机化抵御未知干扰，用重复估计纯误差，用分式因子在信息与成本间权衡。结果不再是"改了什么变好了"，而是"哪些因子显著、哪些交互存在、最优区域在哪里"。

2³ 因子设计：主效应与交互

以温度、pH、补料速率三个因子为例，2³ 全因子共 8 次实验（+中心点重复）。每个因子的主效应 = 高水平平均响应 − 低水平平均响应；交互效应则需要跨因子对比。用 Python 可直接完成全部分析：

# doe_analysis.py —— 2^3 因子设计分析骨架
import numpy as np

# 8 个角点实验的响应（第14天滴度 g/L），按标准序排列
design = [
    (-1,-1,-1), (1,-1,-1), (-1,1,-1), (1,1,-1),
    (-1,-1,1),  (1,-1,1),  (-1,1,1),  (1,1,1),
]
y = np.array([2.1, 2.9, 2.3, 3.1, 2.6, 3.5, 2.8, 3.8])  # 滴度

effects = {}
for col in range(3):
    plus = [y[i] for i, d in enumerate(design) if d[col] == 1]
    minus = [y[i] for i, d in enumerate(design) if d[col] == -1]
    effects[f"因子{col+1}主效应"] = sum(plus)/len(plus) - sum(minus)/len(minus)

# 1-2 交互项
inter = [(0,1),(0,2),(1,2)]
for a, b in inter:
    p = [y[i] for i,d in enumerate(design) if d[a]*d[b] == 1]
    m = [y[i] for i,d in enumerate(design) if d[a]*d[b] == -1]
    effects[f"因子{a+1}x因子{b+1}"] = sum(p)/len(p) - sum(m)/len(m)

for k, v in sorted(effects.items(), key=lambda x: -abs(x[1])):
    print(f"{k}: {v:+.2f} g/L")
​

输出中效应绝对值越大越重要。交互项显著说明"温度的影响取决于补料速率"这类复杂关系，单因子优化必然漏掉。

响应面法：从显著到最优

因子设计只能指出"哪些因子重要"；要找最优组合，需要响应面法（RSM）。常用中心复合设计（CCD）在因子空间的角点、轴点与中心点布点，拟合二阶多项式响应面：

响应 = b0 + b1·T + b2·pH + b3·F + b12·T·pH + ... + b11·T² + ...

对响应面求梯度为零的点，即得预测最优区。RSM 的价值在于把"最优区域"从离散的水平组合扩展为连续的设计空间——这正是 QbD 概念的基础：设计空间内的参数扰动，都应有可预测且可接受的响应。

响应面法：从因素筛选走到最优点

高通量：把月压缩成周

高通量平台（自动化微型生物反应器、微流控芯片、机器人工作站）把传统数月的实验工作量压缩到数周。其价值不在于"自动化跑实验"本身，而在于让 DOE 得以规模化执行：

• 传统 8 个条件的 DOE 需要 8 个反应器串行跑 8 轮，耗时数周；
• 高通量系统可并行跑 48–96 个微型反应器（mL 级），一轮完成，且带在线 DO/pH 控制。

但高通量有个前置条件：微型反应器与生产尺度的相关性必须已被验证。微型系统的传质、剪切、蒸发特性与生产罐差异巨大，未经验证的"高通量结果"可能把整个优化引向歧途。成熟的方案会用一组代表性条件做规模桥接实验，确认微型与生产尺度的响应一致后，再放开高通量筛选。

中心复合设计与分式因子：成本与信息的权衡

全因子设计的实验次数随因子数指数增长（3 因子 8 次、6 因子 64 次）。因子超过 4 个时，工业界普遍转向两类缩减策略：

• 分式因子设计（fractional factorial）：只跑全因子的一半或四分之一，牺牲高阶交互项的估计，换取实验次数减半。前提是"高阶交互通常不显著"这一工程假设成立。2⁶⁻² = 16 次实验就能估计 6 个因子的主效应与主要二阶交互，比全因子的 64 次节省 75%。
• 中心复合设计（CCD）：在角点、轴点与中心点布点，适合在确定关键因子后做响应面。轴点的存在让二阶项（曲率）可估计，代价是轴点可能超出实际可操作范围（如负浓度无意义），需按实际边界做标度变换。

选型原则可以概括为：筛选阶段用分式因子，优化阶段用 CCD/响应面。两阶段衔接时，前一阶段筛选出的显著因子直接成为后一阶段的设计因子，非显著因子固定在经济水平。

用效应量而不是 p 值做工程判断

DOE 分析容易陷入"看 p 值"的误区。p 值回答"效应是否显著区别于噪声"，但显著不等于重要：一个 p<0.05 的效应可能只有 0.1 g/L，工程上无意义。正确做法是同时看两个量：

1. 效应量：主效应/交互效应的绝对值，直接对应该参数改变一个水平带来的响应变化；
2. 帕累托图：把所有效应按绝对值降序排列，直观看出"头部的少数效应贡献了绝大部分响应"。

把效应量与工艺经济性挂钩，才能把统计语言翻译成决策语言：一个使滴度提升 0.5 g/L 的温度效应，若其操作范围让放热负荷翻倍，就要重新权衡。代码层面，可用 statsmodels 完成完整分析：

# doe_full.py —— 含交互与曲率检验的完整分析骨架
import numpy as np
from statsmodels.formula.api import ols

# 6 因子分式设计（此处示意 3 因子全因子 + 中心点）
design = [(-1,-1,-1),(1,-1,-1),(-1,1,-1),(1,1,-1),
          (-1,-1,1),(1,-1,1),(-1,1,1),(1,1,1),(0,0,0)]
y = np.array([2.1,2.9,2.3,3.1,2.6,3.5,2.8,3.8,3.0])
df = np.column_stack([np.array(design), y])
# 拟合一阶模型 + 交互项（示意）
model = ols("y ~ A*B*C", data={
    "y": y, "A": [d[0] for d in design],
    "B": [d[1] for d in design], "C": [d[2] for d in design],
}).fit()
print(model.summary().tables[1])
# 查看各效应的 coef 与 p 值，结合效应量判断
​

提示：真实项目里还应在随机顺序下补跑重复实验，用中心点标准差估计纯误差，再评价各效应。

QbD 语境下的 DOE

在 QbD 框架下，DOE 不再只是开发工具，而是注册语言的一部分：每个 CQA 要能追溯到其影响的 CPP，每个 CPP 要有 DOE 支撑的操作范围，操作范围要落在设计空间内。这样监管审查时，工艺的"可调节余量"与"风险认知"都有数据背书。

⚠️ 常见坑：DOE 结果无重复验证——统计显著≠工艺稳健。

💡 关键直觉：实验设计是把试错变成可解析方程。

重点提炼

• OFAT 无法发现交互且实验次数爆炸
• DOE 识别主效应与交互
• RSM/CCD 将离散水平推广为连续设计空间
• 高通量缩短早期开发
• 高通量相关性验证是不可跳过的步骤
• QbD 将 DOE 结果写入注册资料