生物反应器中体积传质系数的预测与解释：基于无代码自主机器学习模型选择平台

《Processes》：Prediction and Interpretation of the Volumetric Mass Transfer Coefficient in Bioreactors Using a No-Code Platform for Autonomous Machine Learning Model Selection

　　

摘要：体积传质系数（气液体积传质系数，k_La）决定了好氧生物过程的设计、操作和放大，但其对反应器几何形状、搅拌桨设计、操作条件和流体性质的依赖限制了通过经验关联式进行预测的准确性。机器学习（ML）提高了预测精度，但在生物过程实践中面临两大障碍：从众多候选模型中选出最佳模型需要专业知识；且基于测试误差单独选择的模型，由于数据量小且高度多重共线性，容易过拟合。研究人员使用基于浏览器的无代码平台，在相同流程下对已发表数据集训练了14种回归算法，并引入了一个复合目标——泛化惩罚误差（GPE），即测试集均方根误差（RMSE）加上训练集与测试集RMSE差值的绝对值。以最小化GPE而非测试RMSE为目标，扩大了统计等效的最佳模型组，使其不仅包含提升集成模型，还包含更简单、可解释的模型，表明在评估了训练集与测试集一致性后，黑箱模型并无明显优势。敏感性分析显示，树模型产生不连续响应，而通过弹性网进行代数学习（ALVEN）则生成平滑曲面。Shapley加法解释（SHAP）和本体图，经检索增强语言模型智能体解析，识别出转速和气体流量率为主要影响因素，复现了已知的传质机理。该框架为生物过程模型选择提供了一条可重复、可解释、低专业门槛的路径。

## 论文解读：基于无代码自主机器学习模型选择平台预测与解释生物反应器中的体积传质系数

### 研究背景与问题

体积传质系数（气液体积传质系数，k_La）是好氧生物过程设计、操作和放大的最关键参数。在微生物和动物细胞培养中，溶解氧因在水中溶解度低而迅速耗尽，氧气从气相到液相的传递速率直接限制细胞的比生长速率和代谢活性。传氧速率表达为k_La与浓度差驱动力的乘积；驱动力相对独立于传质系数，而k_La是一个复杂函数，同时依赖于反应器几何形状、搅拌桨设计、操作条件和培养液的流变性质。因此，准确预测k_La对于定义避免氧传递限制的操作窗口以及从实验室规模可靠放大至商业规模至关重要。

传统上，k_La通过基于单位体积功率输入和表观气速的经验关联式估算。尽管基于量纲分析的关联式具有清晰的物理可解释性，但一旦反应器几何形状或流体条件超出关联式推导的窄范围，其预测精度就会下降；多维效应（如搅拌桨类型和多级配置）难以纳入单个关联式中。在此背景下，数据驱动的机器学习（ML）方法能够同时容纳大量结构、搅拌桨和操作变量作为输入，最近被报道能显著提高k_La预测精度，优于经验关联式。

然而，两个结构性障碍阻碍了ML模型在化学和生物工程中的实际应用。第一，从线性回归家族到基于树的集成模型和人工神经网络的众多候选算法中，选择最适合给定数据集的模型需要相当的专业知识，因此模型选择成为领域专家与数据科学家之间的协作瓶颈。第二，由于生物过程数据通常规模小且高度多重共线性，样本少且变量间相关性强烈，仅基于测试误差选择模型容易过拟合训练数据。这对小数据集尤为明显，而常见做法是报告单一指标最低的模型，而忽略泛化性能，这会损害可重复性。

为同时缓解这两个障碍，本研究使用基于浏览器的无代码机器学习建模平台来预测和解释气液搅拌生物反应器中的k_La。该平台（1）在相同的预处理和验证流程下并行训练和比较一系列回归算法；（2）引入一个复合指标，对训练-测试误差差距与测试误差一起进行惩罚，从而识别具有更优泛化性能的模型；（3）集成基于Shapley加法解释（SHAP）的变量重要性分析、敏感性分析、本体图和基于领域知识检索增强的大语言模型解释智能体，从派生模型中提取工程洞见。

本研究的贡献有三方面：（1）通过在非专家可访问的无代码环境中识别模型统计等效组，量化模型选择的不确定性；（2）通过比较两种目标函数（简单测试误差最小化和泛化惩罚最小化），为小规模、高度多重共线性数据提出模型推荐策略；（3）定量对比数据驱动模型的变量重要性结果与氧传递机制的既定物理理解。

### 主要关键技术方法

研究人员使用自主开发的浏览器端无代码回归建模环境PickMo原型版本，该平台无需服务器安装或编码，支持数据上传、预处理、多模型并行训练、自动超参数搜索、模型评估、变量重要性和敏感性解释及结果存储。数据来源于Chen等（2025）报道的气液搅拌生物反应器氧传递数据库，包含174个牛顿流体条件下的k_La数据点，输入变量分为结构变量（反应器体积V、直径D、液高H）、搅拌桨变量（直径d₀、盘径d、叶片长度L、宽度W、倾角θ、数量m、叶片数b、间隙比z/H、底部搅拌桨位置h₀/H）和操作变量（转速N、气体流量率Q_g）及流体性质（粘度μ）。采用固定随机种子将数据70%训练、30%测试，所有候选模型在同一划分和预处理流程下训练，并行评估两个目标函数：测试集均方根误差（RMSE）最小化和泛化惩罚误差（GPE）最小化。GPE定义为测试RMSE加上训练-测试RMSE差值的绝对值。通过5折三重交叉验证（共15个验证折），基于每折的目标函数均值对模型排序，并使用配对t检验（p>0.05）确定与最优模型无显著差异的统计等效组。PickMo支持14种回归算法，包括线性/正则化回归（MLR、Ridge、Lasso、EN）、潜变量方法（PLS、SPLS）、非线性稀疏回归（ALVEN）、核方法（SVR）、人工神经网络（ANN）和基于树的集成方法（RF、GBM、XGBoost、LightGBM、CatBoost）。超参数通过随机采样从预定义分布中优化。

### 研究结果

#### 3.1 数据表征

通过Pearson相关系数热图和前十绝对相关对分析，确认了结构变量间强多重共线性，尤其是V、D、d₀间高度相关，源于常规反应器设计中体积、直径和搅拌桨尺寸按几何相似律同步增大。非线性指数分析显示搅拌桨变量d₀、d、L与k_La存在强非线性关系，支持引入显式生成非线性项的ALVEN和基于树的集成模型。

#### 3.2 超参数优化

针对两个目标函数分别优化超参数。对于相同算法，所选超参数因目标函数而异：在GPE目标下，正则化回归家族倾向于选择更强的正则化，树集成模型的树深度或估计器数量也趋于保守，表明GPE通过惩罚训练-测试差距来抑制模型复杂度，结构性地控制过拟合，符合偏差-方差权衡。

#### 3.3 模型推荐

以最小化测试RMSE为目标时，统计等效最优组（p>0.05）包含CatBoost、GBM、XGBoost和LightGBM四个提升家族模型，与原始数据源研究中CatBoost和XGBoost为最优模型的结果一致。以最小化GPE为目标时，统计等效最优组扩展为XGBoost、LightGBM、GBM、RF、CatBoost、ALVEN、ANN、MLR和EN，表明当联合评估训练-测试一致性时，复杂黑箱模型与简单模型在统计上无显著性能差异，为在小数据集上重新评估简单模型的泛化可靠性提供了依据。在后续解释分析中，选择XGBoost和ALVEN作为代表进行比较。预测精度通过奇偶图和残差分布验证，模型预测值与实测值聚集在对角线附近，残差分布以零为中心无显著偏差。

#### 3.4 敏感性测试

基于SHAP的全局变量重要性显示，无论目标函数、ML模型和超参数如何，N和Q_g始终是最重要的两个关键变量。在各自中位数±20%范围内进行二维敏感性分析，XGBoost呈现阶梯状、不连续响应，而ALVEN生成平滑连续响应曲面。这种不连续性降低了小数据集上分割边界附近的预测可靠性，并在需要输出连续性的应用（如基于梯度的优化或模型预测控制）中成为限制因素。因此，当数据连续性需求时，即使ALVEN的测试精度略低于提升家族模型，也值得推荐。

#### 3.5 基于本体的解释

基于X特征间的相关系数和SHAP变量重要性构建本体图，并通过检索增强大语言模型智能体进行工程分析。结果确认k_La预测的主要因素为N和Q_g，其次为μ，这与传质理论一致：转速增加促进湍流强度和气泡破碎，同时增大界面面积和液侧传质系数；气体流量率通过气含率和气泡停留时间决定氧可用性；粘度作为第三因素，降低粘度可减薄边界层厚度并促进气泡破碎。搅拌桨几何变量（如h₀/H、d、L）归为次要影响因素。结构变量（V、D、H）个体重要性较低，需结合多重共线性解释：当特征高度相关时，SHAP归因变得不可靠，共享贡献难以明确分配到单一变量。在几何相似条件下，只要保持N和单位体积气体流量率，传氧性能可较好维持，这与搅拌生物反应器标准放大原则一致。该数据驱动模型独立复现了氧传递机理的既定物理理解。但当前解释智能体未能捕捉到多重共线性对归因的深层影响，未来可通过提供更丰富的领域专家结构化元数据（如变量间因果关系、物理解释和放大约束）加以改进。

### 结论

本研究使用无代码机器学习平台PickMo预测和解释气液搅拌生物反应器中的k_La，并统计量化模型选择的不确定性。在相同条件下比较14种回归模型时，两个目标函数（最小化测试RMSE和最小化GPE）给出了不同的模型推荐。特别是在GPE准则下，黑箱模型与简单模型形成统计等效性能组，表明在数据范围内复杂模型的优越性并不明确。基于配对t检验的统计等效组分析建议避免报告单一最优模型，而应根据可解释性、连续性和计算成本在组内选择模型。敏感性分析对比了基于树的模型的不连续响应与ALVEN的连续响应，表明连续响应模型更适用于优化和控制应用。最后，基于SHAP和本体的解释确认，数据驱动模型识别出N和Q_g为关键因素，同时结构变量的低重要性可从几何相似性引起的高多重共线性角度解释，从而定量复现了氧传递机理的既定物理理解。该研究提出了一种在非专家可访问的建模环境中联合考虑泛化性能和可解释性的模型选择策略，可实际应用于生物过程的数据驱动设计和放大。该研究发表于《Processes》。