单因素试验提升培养基的效能
菌种对碳源、氮源及微量元素等存在特定的需求，尤其是在我们期望菌种按照我们的要求高效、低成本地生产所需产品时，培养基的优化显得尤为关键。
不同属的菌种对培养基的需求存在差异，亲缘关系越远，培养基差异越大。即便是同一种微生物，在制造不同产品时对培养基的需求也可能发生变化，例如相同的宿主和载体在表达不同目标蛋白时，也需要对培养基进行调整。
2 单一因素试验（OFAT）
去除实验，每次从培养基中移除一种成分，用于研究该成分对发酵性能的影响。
添加实验，每次添加一种潜在的培养基成分，以研究该成分对发酵性能的影响。
替换实验，固定其他成分，用具有相同作用但来源不同的成分逐一替换，例如不同碳源的优化，不同氮源的优化。
量的优化，在已确定各组分的培养基中，可以逐一进行各组分添加量的优化。
优缺点
单一因素试验的优点是操作简便。
无法评估交互作用，可能错过最佳组合。
3 基于统计学的培养基优化方法
运用基于统计学的多因素实验设计和分析可以有效弥补单一因素试验的不足。研究表明，采用多因素实验设计相对于单一因素试验更为高效，但通常需要通过单一因素试验为多因素试验提供数据基础。
- 实验设计（Design of experiments, DOE），用最少的实验次数反映真实情况，我们进行实验是根据实验设计给出的各实验组进行的。
a. 全因子实验，当因子数和水平数较少时，可以采用全因子实验设计，全因子设计是研究人员将所有因子水平的全部组合进行测量的设计。
b. Plakett burman设计（PB实验），是一种多因素两水平的实验设计，用于快速排查无效因子，选择有效因子，PB实验的主要作用在于筛选掉无效因子。
c. 正交表，正交实验设计包含正交表和分析两部分，是我们培养基优化中最常用的方法之一，简单来说，正交实验是依托于正交表的实验设计。正交表可以科学有效地反映全部样本情况。正交表能够在因素变化范围内均衡抽样，使每次试验都具有较强的代表性，由于正交表具备均衡分散的特点，保证了全面试验的某些要求，这些试验往往能够较好或更好地达到试验目的。正交实验设计可以进一步应用统计学分析或借助软件分析，获得最佳培养基。
d. 中心复合设计（Central composite design），中心复合设计是最常用的响应面设计试验。中心复合设计是包括中心点并使用一组轴点（又称为星形点）扩充的因子或部分因子设计，这些轴点可用于估计弯曲。使用中心复合设计可以：高效估计一阶和二阶项。通过向以前完成的因子设计添加中心点和轴点，为带有弯曲的响应变量建模。
e. Box Behnken设计（Box-Behnken设计），Box-Behnken设计的设计点通常较少，因此它们的运行成本比相同数量因子的中心复合设计低。它们可以高效消除一阶和二阶系数；但是，它们可以包括来自因子试验的游程。Box-Behnken设计中的每个因子始终具有3个水平，这与可以包含5个水平的中心复合设计不同。与中心复合设计的另一个区别是，Box-Behnken设计从不包括其中所有因子都位于其极端设置（如所有的低设置）的游程。
- 优化方法，在按照实验设计完成相关实验后，需要采取一定的方法进行建模和分析，最终通过模型预测出最优解。对于简单的实验设计，可以使用简单的统计学分析即可完成。对于复杂的实验设计，就需要借助更为有效的算法进行优化。
a. 响应面方法（Response surface methodology, R**），响应曲面设计方法通常用于在使用筛选设计或因子设计确定了重要因子后（尤其是在怀疑响应曲面中存在弯曲时）改进模型。上述实验设计中，中心复合和Box-Behnken就是响应面最常用的实验设计方法，其中中心复合更为常用。
-
使用响应面进行实验的前提：确定或怀疑因素为非线性，因素不超过4个，因素水平接近最优区域，如果因素水平不在最优区域，则需要通过最陡爬坡实验来进行优化。
-
0.618法在单一因素优化实验中的意义
它的主要意义在于帮助实验设计者更快、更准确地找到最优条件，从而提高实验效率和成果。在单一因素优化实验中，通常需要对某一因素进行一系列不同条件的试验，然后根据试验结果来确定最佳条件，0.618法是一种黄金分割比例的方法，通过将试验条件按照0.618的比例进行分割，可以逐步缩小最佳条件的范围，从而快速找到最优条件。
