补料分批生物工艺中试工厂状态估计的数学基础，是从整体质量守恒推导得出的常微分方程（ODE）系统。这些ODE描述了生物量、底物、代谢物、产物等关键变量随时间的变化规律。该框架涵盖了生物转化速率、补料与加碱带来的稀释效应，以及自发化学降解过程。这个确定性核心为扩展卡尔曼滤波器等任何观测器提供了预测结构，满足观测器从有限传感器数据推断未测量状态的需求。
基于质量平衡的ODE是生物工艺实时状态估计不可或缺的支柱。它捕捉了所有核心组分的积累、转化和稀释过程，将复杂的生物系统转化为可处理的数学模型，可结合在线测量数据重构工艺内部状态。
数学核心：常微分方程系统
补料分批工艺的状态估计从遵循守恒原理的动态模型开始。ODE作为工艺的数字孪生，可让你根据当前条件预测未来的生物量或代谢物浓度。
单质量平衡的工作原理
每个状态变量都遵循通用积累方程：
[ \frac{d(C_i \cdot V)}{dt} = V \cdot r_i + F_{\text{in}} \cdot C_{i,\text{in}} ]
其中，(C_i) 是组分 (i) 的浓度，(V) 是反应器体积，(r_i) 是净体积反应速率（生成减去消耗），(F_{\text{in}} C_{i,\text{in}}) 是该组分的流入量。
对于补料分批培养，体积会因补料和加碱发生变化，因此浓度动态可扩展为经稀释调整的形式：
[ \frac{dC_i}{dt} = r_i + \frac{F_{\text{in}}}{V} (C_{i,\text{in}} - C_i) ]
哺乳动物细胞培养的五个经典状态变量
在运行补料分批哺乳动物细胞培养的中试工厂中，ODE系统通常跟踪以下变量：
- 活生物量（细胞密度，通常包含生长和死亡项建模）
- 葡萄糖（主要碳源，为细胞提供能量）
- 谷氨酰胺（关键氮源，同时会发生自发降解）
- 乳酸和氨（代谢副产物，浓度过高时会产生抑制作用）
- 产物（重组蛋白、单克隆抗体）
每个变量都有自身的反应速率 (r_i)，反应速率取决于生理状态——例如，生物量生长通过Monod型动力学依赖于底物浓度。ODE框架可在不违反质量守恒的前提下关联这些依赖关系。
考虑稀释效应与自发降解
所有补料分批模型都包含三项实用校正：
- 补料稀释：添加新鲜培养基或葡萄糖/谷氨酰胺助剂会增大体积，降低非补料组分的浓度。稀释项 (-\frac{F}{V} C_i) 对准确的状态预测至关重要。
- 加碱影响：即使是少量的pH控制加碱也会改变体积，略微稀释所有物质；忽略该因素会导致状态漂移。
- 化学降解：谷氨酰胺会自发分解为氨，分解速率取决于温度和pH。该过程必须作为一级衰减项添加到ODE中，独立于生物过程。
这些校正让模型符合物理规律，这对于估计器后续对比模型预测与实时测量数据必不可少。
为什么基于ODE的质量平衡支持实时状态估计
扩展卡尔曼滤波器（EKF）等观测器可融合模型预测与在线传感器数据。估计质量完全取决于工艺模型传播状态不确定性的能力。ODE框架具备三大优势：
- 确定性结构：方程遵守守恒定律，因此滤波器不会生成化学上不可能的状态（例如负浓度）。
- 可估计性：未测量状态（例如从尾气CO₂或电容探针得到的生物量）可观测，因为其动态通过ODE与氧摄取或代谢物浓度等测量变量耦合。
- 稳健可扩展性：只需更新体积和流量参数，相同的ODE结构就可从台式规模推广到中试工厂，是通用的基础框架。
认识权衡取舍
基于质量平衡的ODE框架功能强大，但并非没有局限性。过度依赖简化模型却不认识这些权衡，会损害状态估计器的可靠性。
模型复杂度与可识别性的权衡
包含20个微分方程的详细模型或许能捕捉所有代谢细节，但无法通过标准在线传感器识别参数。实践中必须找到平衡：能捕捉核心动态的最简单模型，通常是估计最可靠的模型。
动力学速率表达的敏感性
ODE依赖速率表达式（Monod、米氏、逻辑生长）。如果培养物代谢因补料冲击或细胞应激发生改变，预先校准的动力学常数就会失效。此时状态估计器会信任错误模型，导致估计结果偏离。这要求定期重新校准或自适应参数更新。
均相假设的局限
质量平衡模型假设反应器完全混合。在大型中试规模容器中，曝气装置或补料口附近存在溶解氧或底物梯度，会违反该假设，导致ODE预测的"平均"状态无法代表细胞实际生存的局部条件。这种不匹配会导致生长和产物估计出现偏差。
被忽略的状态变量
仅包含五个经典变量的模型，忽略了丙氨酸等副产物或氧化还原态（NADH/NAD⁺）的细微影响。这些隐藏动态会干扰观测变量，迫使观测器做出错误补偿，给估计结果带来隐藏的不确定性。
根据你的目标做出正确选择
如何应用ODE质量平衡框架，取决于你在中试工厂需要实现的目标。
- 如果你的核心目标是实时过程控制：采用包含四到五个最具影响力状态的极简ODE模型，结合EKF或移动时域估计器。接入尾气、碱消耗和电容在线传感器，实现生物量和营养物的可观测。
- 如果你的核心目标是深入工艺理解与放大：扩展ODE系统，纳入代谢通路（例如中心碳代谢），并采集针对性离线样本验证动力学参数。该模型不用于实时控制，而用于计算机"假设"分析。
- 如果你的核心目标是合规性或一致性：确定一个经过历史批次验证的简单、特征明确的ODE模型。作为软传感器与工艺并行运行，当培养偏离正常质量平衡轨迹时触发警报。
- 如果你的核心目标是技术转移：将ODE结构和参数值记录为工艺特征。相同的质量平衡方程搭配调整后的体积和补料曲线，可确保从中试到生产规模，状态估计器的表现保持可预测。
基于质量守恒的常微分方程系统，是生物工艺状态估计不变的基础逻辑——理解其规则、尊重其局限，你就可以将稀疏的传感器数据转化为培养物健康状态的完整图景。
总结表：
| 状态变量 | 工艺作用 | 建模动态重点 |
|---|---|---|
| 活生物量 | 目标细胞群 | 生长与死亡动力学 |
| 葡萄糖 | 碳源与能源 | 消耗与补料稀释 |
| 谷氨酰胺 | 氮源 | 生长与热降解 |
| 乳酸 & 氨 | 代谢副产物 | 生长抑制阈值 |
| 目标产物 | 重组蛋白 | 体积生产速率 |
LABPARK让生物工艺理论落地
要掌握复杂的状态估计与控制，实践经验无可替代。LABPARK提供优质的化工、生物工艺与生物技术、环境水处理领域教育与职业单元操作中试装置。我们的中试装置专为大学、研究机构和企业设计，搭建了数学孪生模型与物理生物反应器之间的桥梁。
