收益：
- 能够通过同时更改参数并捕获与实验设计 (DoE) 的交互来减少实验数量
- 通过主动学习和贝叶斯优化，能够通过少量实验建立在大参数空间中找到最佳点的循环
- 通过将生理和安全限制作为模型的约束，能够平衡数学最优与物理现实和安全
生物工程实验成本高昂：细胞培养需要数周时间，试剂花费数千英镑，发酵罐运行需要数天。那么“我应该做什么实验呢？”问题至少是“结果是什么？”和问题一样重要。实验设计（DoE——一种系统地规划哪些参数组合将通过最少的实验产生最多信息的方法）将盲目的试错转变为系统的搜索。人工智能在后续的每个步骤中加速了这一规划和“下一步进行哪个实验”的决策；但你是了解实验的物理现实和安全性的人。
在本单元中，您将了解 DoE 的基本逻辑、主动学习（通过建议模型从中学习最多的实验来逐步优化）和贝叶斯优化（通过少量实验找到过程的最佳设置的概率方法）方法，以及如何在此规划中安全地使用 AI。
为什么一个变量还不够？
经典的方法是 OFAT——一次一个因素：改变温度，然后改变 pH 值……这种方法的潜在缺陷是它忽略了相互作用（相互作用——两个参数在一起时的表现与单独时的表现不同）。也许高温只有在低 pH 值时才有效。 DoE 通过使用一起改变参数并平衡的因子设计来捕获相互作用并减少实验数量。
提示：当你告诉人工智能“我想优化 5 个参数”时，首先要求它建议分数阶乘（选择信息最丰富的参数子集的设计）或响应面设计（映射最佳区域的设计）而不是全阶乘。这可以将实验数量从 243 次减少到 20-30 次。
主动学习：下一个最佳实验
对于有些问题，你无法提前计划好一切；每个实验的结果都会改变下一个最佳实验。这就是主动学习发挥作用的地方：模型查看可用数据，建议具有最高不确定性或最大预期增益的实验，你这样做，模型就会更新。该循环允许在大参数空间（例如酶的数千种可能条件）中找到最佳位置，而只需很少的实验。 AI计算本周期的“下一步”决策；但您确认该建议在物理上是可行且安全的。
注意：优化模型可能表明实验室中存在危险或不可能的条件（例如，会杀死培养物的温度、爆炸性溶剂比例）。该模型不知道生理和安全极限；将每个建议限制为您自己的实验室知识（将其作为约束提供给模型）。
三个迷你箱子
案例 1 — 美国能源部减少了实验数量。酶生产团队将优化 5 个参数（温度、pH、混合、进料速率、诱导剂）。全阶乘意味着 243 次实验。 YZ提出的部分因子设计将实验次数减少到32次；由此产生的响应面达到最佳效果，效率提高了 27%。为了安全起见，团队预先批准了所有条件。
案例 2——主动学习加速。一种细胞培养基优化中有 4,000 多种可能的组合物。主动学习周期达到最佳状态，经典筛选将在 18 轮实验中持续数周（总共 90 种培养物）。但模型提出的两个条件在生理上是不可能的，因此被手工消除了。
情况 3 — 安全边界已激活。在生物过程优化中，该模型提出了增加溶解氧的危险压力。工程师在模型中添加了反应器的压力限制作为约束；随后的建议仍处于安全范围内。物理极限战胜了数学最优值。
四个可复制模板
1）DoE设计建议：
您的角色：实验设计专家。我想优化[N]个参数：[参数及其范围]。我的目标是[产量/活性]。建议我一个合适的 DoE 设计（全/部分因子或响应面），将所需的实验数量和每个条件制成表格。标记生理上不可能的组合。
2）主动学习周期设置：
您的角色：优化顾问。我想建立一个贝叶斯优化循环。向我解释一下步骤：初始包装、看门狗功能（获取）、更新、停止标准。告诉我您每轮将提出多少个实验以及如何添加安全约束。建议Python 库。
3）安全约束定义：
我的优化建议不应超出以下限制：温度[范围]、pH [范围]、压力[最大]、溶剂速率[最大]。不要提出任何超出这些限制的实验。如果建议接近极限，请警告我并解释原因。
4）结果分析及下一步：
我会给你第一轮 DoE 的结果（条件+测量响应）。告诉我：(1) 哪些参数最有效，(2) 是否存在交互作用，(3) 建议接下来的 4 个实验以接近最佳值。用数据证明每一个建议的合理性；不要做出数据中没有的结论。
弱提示/强提示
弱提示：
优化我的发酵。
无参数、无范围、无约束；人工智能给出一般性且不切实际的建议。
强力提示：
您的角色：生物过程实验设计师。我想优化大肠杆菌的重组蛋白生产。参数和范围：温度 25-37°C，IPTG 0.1-1.0 mM，感应 OD0.4-0.8，进料速率 [范围]。目标：可溶性蛋白产量。给我一个不超过 20 个实验的部分因子设计表。标记会杀死细胞的条件。安全极限：禁止温度高于40°C。
差异：明确的参数、范围、目标、实验预算和安全约束。
DoE 和优化方法
方法
当
优势
边界
奥法特
很简单，一个因素
简单评论
错过互动
全阶乘
几个参数
所有互动
试爆
分数阶乘
多参数剔除
小实验
一些互动是隐藏的
响应面
最佳映射
微调
非线性
主动学习
空间大，实验成本高
最少的实验
取决于模型质量
探索空间与开发的平衡
优化的核心存在着一种张力：探索与利用之间的平衡——通过尝试未知领域寻找新机会与通过挖掘已知良好领域来压缩效率之间的平衡。如果您只尝试“围绕最著名的点”，您将永远不会在更远的地方找到更好的最佳值（陷入局部最佳值）。如果你只是随机探索，你将永远无法挤占你拥有的好领土，并且会耗尽你的实验预算。贝叶斯优化的哨兵函数（采集函数 - 通过权衡预期增益和不确定性来选择在何处运行下一个实验的规则）自动管理这种平衡。人工智能可以建立这种机制，但你决定“多少轮探索，多少轮利用”以及你的实验预算的限制。
提示：在早期几轮优化中重点关注探索（大型、分散的实验）；映射参数空间。当您接近最佳值时，请继续进行开发（缩小范围，微调实验）。逐步进行这一转变，着眼于结果，而不是一蹴而就。
常见错误
- 陷入 OFAT 困境并缺少互动。参数必须一起更改。
- 不给模型提供安全约束。该模型可能会建议危险或不可能的情况。
- 跳过重复和随机化。统计功效和批次控制所需。
- 一轮完成优化。主动学习是迭代的；每次旅行都会更新计划。
- 盲目应用模型的建议。必须手动检查物理可行性和成本。
总之
智能实验设计将昂贵的生物工程实验减少为少量信息丰富的测量。 DoE 捕捉相互作用并减少实验数量；主动学习和贝叶斯优化在大空间中逐步找到最佳点。人工智能计算此计划并加速“下一步”决策，但您将生理限制、安全性和可行性作为模型的约束。数学最优不能胜过物理现实和安全。
应用任务
从您感兴趣的领域（例如培养基或酶反应）中选择具有 3-5 个参数的优化问题。使用 AI 的“强提示”模板创建部分因子设计表。然后检查表中每个条件的安全性和可行性：是否存在不可能或危险的组合？添加安全约束，复制设计，并记下差异。
清单
- [ ] 我使用了 DoE 设计（不是 OFAT）来一起更改参数。
- [ ] 我给模型给出了生理和安全限制作为约束。
- [ ] 我将重复和随机化融入到设计中。
- [ ] 我迭代地规划了优化，没有一轮完成。
- [ ] 我检查了模型建议的可行性和成本。
- [ ] 我将每个结果解释都归因于真实数据，我不接受虚假结果。