SAS软件在微生物培养基优化中的应用.ppt

《SAS软件在微生物培养基优化中的应用.ppt》由会员分享，可在线阅读，更多相关《SAS软件在微生物培养基优化中的应用.ppt（36页珍藏版）》请在三一办公上搜索。

1、SAS软件在微生物培养基优化中的应用,发酵过程机理复杂，影响因素众多，菌种的生理生化特性及发酵的工艺确定后,适宜的培养基配方在发酵条件中就显得非常重要，而一般的培养基种类繁多,各成分间的相互作用错综复杂。因而对微生物培养基进行优化就势在必行。对于培养基的优化有一些比较成熟的方法。为了解各种培养基优化方法的特点，更加方便、快捷地进行相关研究，下面对目前国际上流行的SAS软件及微生物培养基优化的方法进行简单的介绍，并利用SAS软件分析试验设计的结果。,SAS软件简介,美国SAS软件研究所研制的一套大型集成应用软件系统，具有完备的数据存取、数据管理、数据分析和数据展现功能，它和SPSS、BMDP并称

2、为国际上最有影响的三大统计软件。SAS系统是一个组合软件系统，它由多个功能模块组合而成，如SAS/STAT（统计分析模块）、SAS/GRAPH（绘图模块）、SAS/QC（质量控制模块）、SAS/ETS（经济计量学和时间序列分析模块）、SAS/OR（运筹学模块）、SAS/IML（交互式矩阵程序设计语言模块）、SAS/FSP（快速数据处理的交互式菜单系统模块）、SAS/AF（交互式全屏幕软件应用系统模块）等等。,目前SAS软件对Windows和Unix两种平台都提供支持，最新版本为9.1版，并已推出中文版，本幻灯片中数据处理使用的是SAS8.1版虽然在我国SAS的广泛应用还是近几年的事，但是随着计

3、算机应用的普及和信息事业的不断发展，越来越多的单位采用了SAS软件。尤其在教育、科研领域，SAS软件已成为专业研究人员的实用进行统计分析的标准软件。,正交设计（Orthogonal design）均匀设计(Uniform design)完全析因实验设计(Full factorial design)部分析因设计(fractional factorial design)Plackett-Burman设计（Plackett-Burman design）中心组合设计（Central composite design）BoxBehnken设计(BoxBehnken design),正交实验设计（Orth

4、ogonal design）,正交设计就是从“均匀分散、整齐可比”的角度出发，是以拉丁方理论和群论为基础，用正交表来安排少量的试验，从多个因素中分析出哪些是主要的，哪些是次要的，以及它们对实验的影响规律，从而找出较优的工艺条件。,正交表介绍,L8(27)二列间的交互作用表,正交试验设计的缺点,正交试验设计适用于因素数目较多而因素的水平数不多的试验。正交设计的试验次数至少是因素水平数的平方，若在一项试验中有s个因素，每个因素有q个水平，用正交设计安排试验至少要做q2次试验，当q较大时，用正交设计就不合适了,均匀设计(Uniform design),均匀设计是1978年由方开泰和王元共同提出的，也

5、是用设计好的表格安排试验的方法。相比正交设计均匀分散和整齐可比的特性，均匀设计只是考虑试验点在试验范围内的均匀分散性，而去掉齐次可比性的一种试验设计方法。它的优点是当因素数目较多时所需要的试验次数也不多。实际上均匀设计的试验次数可以是因素的水平数，或者是因素水平数的倍数，而不是水平数的平方。但由于均匀设计舍弃了整齐可比性，故不能像正交设计那样用方差分析，而只能用回归设计，因此在数据处理上比较麻烦，还好在计算机高度普及的今天已不是件很难的事情,每个均匀设计表有一个代号Un(qs)或U*n(qs)，其中U表示均匀设计，n表示要做n次试验，q表示每个因素有q个水平，s表示该表有s列。例.,均匀设计表

6、,均匀试验设计的特点,(1)试验工作量少,可以安排尽可多的因素数和水平数 譬如U5(54),U7(76),(2)均匀性:每行每列恰好有一个试验点.(3)由于均匀设计表的任何两列组合的均匀性不是均等的,要配合均匀表的使用表进行安排(4)把奇数表划去最后一行就得到水平数比原奇数表少一的偶数表(5)均匀设计表中各列的因素水平可以按照原来的顺序进行平滑,均匀设计的结果分析:(1)简单方法是使用直观分析法，从试验点中选一个指标最优的点，相应的因素水平组合即为较优工艺条件.由于试验点均匀分散，试验点中较优的工艺条件离全面试验的最优工艺条件不会很远.(2)在条件允许的情况下，即通常在误差有一定的自由度即n-

7、1-p0的情况下，均匀设计的结果分析可以采用回归分析(利用SAS完成计算).,实例,采用均匀设计法优化榆耳液态发酵培养基的研究均匀设计法在壳聚糖制备上的应用Optimization of submerged-culture conditions using the methods of uniform design and regression analysis,完全析因实验设计(Full factorial design),完全析因设计中各因素的不同水平间的各种组合都将被实验。全因子的全面性导致需要大量的试验次数。一般利用全因子设计对培养基进行优化实验都为两水平，是能反映因素间交互作用（排斥

8、或协同效应）的最小设计。,部分析因设计(fractional factorial design),当完全析因所需试验次数实际不可行时部分重复因子设计是一个很好的选择。在培养基优化中经常利用二水平部分析因设计，但也有特殊情况，如Silveira 等试验了11种培养基成分，每成分三水平，仅做了27组实验，只是311全因子设计177147组当中的很小一部分。两水平部分因子设计表示为：2nk，n是因子数目，1/2k 是实施全因子设计的分数。这些符号告诉你需要多少次试验。虽然通常部分析因设计没有提供因素的交互作用，但它的效果比单因素试验更好。,Plackett-Burman设计,由Plackett 和B

9、urman 提出，这类设计是两水平部分析因设计,是一种近饱和的两水平试验设计方法.该法基于非完全平衡块原理,能以最少试验次数估计出主要的影响因素,从众多的考察因素中快速、有效地筛选出最为重要的几个因素进行进一步研究.与目前常用的部分析因试验和随机平衡试验相比,该法筛选重要因素最为高效、准确。,实例,细菌素发酵培养基的优化及动力学初步分析（部分析因重复设计，需要SAS编程)利用SAS优化琼胶酶产生菌DT-7发酵条件(部分析因设计，利用SAS),中心组合设计（Central composite design）,中心组合设计有Box和Wilson提出，是一种国际上较为常用的响应面法，是响应曲面中最常

10、用的二阶设计，它由三部分组成：立方体点、中心点和星点。它可以被看成是五水平部分因子试验，中心组合设计的试验次数随着因子数的增加而呈指数增加。,回归模型为多元二次方程,要求试验设计是正交设计即满足中心化和正交性 试验由二水平全面试验或部分实施、星号试验、中心试验三部分合成,试验次数 n=2p+2p+m0,实例,Optimization of extraction process of crude by response surface methodology(四因素五水平的通用旋转组合设计，07年，食品化学）Optimization of Culture Medium for Lactosucr

11、os(07年,中心组合设计，不规则，SAS菜单没有，需要编程),BoxBehnken设计,由Box和Behnken提出。Box-Behnken设计是另一种国际上较为常用的响应面法，是一种3水平的实验设计法。同样具有响应面法的优点。作为三水平部分因子设计的BoxBehnken设计是相对于中心组合设计的较优选择。近年来利用该法进行生物过程优化的文献比用中心组合设计法的明显地减少。不过当因素较多时该设计比中心组合设计更高效。,实例,Application of response surface methodology for extractiono ptimization of germinant

12、pumpk in seeds protein(05年,食品化学,BB设计)（BB设计）响应面法优化-氨基丁酸发酵培养基油菜花粉中黄酮类物质提取工艺的优化研究(BB设计),小结,除了上面介绍的试验设计外，还有单纯形设计，遗传算法设计，神经网络设计等等。这些设计不能简单的比较好与坏，要看他们的适用条件，在微生物培养基优化中，单独一种试验设计已经远不能满足试验需要了，经常是几种联合适用，例如单因素和正交设计，均匀设计和正交设计，均匀设计和响应面设计，部分析因设计和响应面设计等等。,分析人员在开始进行试验之前，通常先对各种试验条件进行初步的考察.概括地了解各种因素对试验结果是否有影响以及影响的程度，以

13、便为以后深入研究各因素的影响而设计试验时提供依据.而均匀设计可容纳的因素数与因素水平数较多，试验点在整个试验区域分布均匀，试验次数少，用直观法分析数据时方法简便，很适合用来进行试验条件的初步考察.此外，二水平的正交试验来初选试验条件也是合适的，通过少量试验可以估计各因素影响的相对大小，分清主要与次要因素，为以后设计试验提供依据.,在初步确定主要与次要因素之后，如果要对因素的影响做出定量的估计，并希望能对未试验过的因素水平的影响加以预测，可采用回归的正交设计、旋转设计，响应面设计等,用回归分析法处理数据.对于均匀设计以及正交试验，只有在有一定的误差自由度下，回归分析才有意义.正交设计的特点是各项

14、彼此正交避免信息重叠增删项时不影响保留项的系数和偏平方和,只要把删去项的偏平方和从模型中移入误差即可,反之亦然.,从试验设计的角度来看，当因素数与因素水平数较多时，因素交互作用项数目较多,通常是在明确主次要因素之后，用较少试验次数的正交表来考察主要因素的交互效应，而且一般都不将三因素或三因素以上的多因素之间的交互效应单独予以考察.在分析测试中，因素之间的交互效应是经常存在的，但也未必所研究的各因素之间都存在交互效应，因此，盲目地将所有因素之间的交互作用项都设置在试验中予以考察的做法是不可取的.在一个具体的试验中，究竟该考察哪些因素之间的交互效应，需根据专业知识与经验来判断与确定,Thank you!,