本研究由丹麦技术大学诺和诺德基金会生物可持续性中心（Novo Nordisk Foundation Center for Biosustainability, Technical University of Denmark）的Víctor Puig-i-Laborda、Jorge Carrasco Muriel、Andrea Castañeda Tena等人，联合荷兰代尔夫特理工大学（Delft University of Technology）的Cees Haringa、西班牙加泰罗尼亚理工大学（Universitat Politècnica de Catalunya）的Ignasi Puig-de-Dou以及澳大利亚昆士兰大学（The University of Queensland）的Lars Keld Nielsen共同完成，发表于《Nature Communications》（文章编号：s41467-026-78273-7），在线发表日期为2026年。
本研究属于生物过程工程与机器学习交叉领域。在工业规模搅拌釜生物反应器（stirred-tank reactor, STR）中，底物浓度梯度对细胞生理状态、生长及产物合成具有显著影响。高保真计算流体力学（computational fluid dynamics, CFD）虽然能够精细预测这些三维梯度，但单次模拟即使借助GPU加速也需数十分钟至数小时，使其难以用于常规优化和数字孪生实时控制。因此，该研究旨在开发基于CFD数据训练的机器学习代理模型（surrogate models），以从全局操作条件和局部空间描述符直接预测完整三维底物浓度场，从而将推理时间缩短至毫秒级。
该研究的核心工作流程包括自动化CFD数据生成、目标变量表征分析、多类模型基准测试、数据效率分析以及空间重建保真度评估五个关键环节。首先，研究团队构建了一个工业标准化的四层Rushton涡轮搅拌釜几何模型，总容积为170 m³。采用拉丁超立方采样（Latin hypercube sampling, LHS）对11维全局操作空间进行抽样，包括液体高度（3–12.5 m）、搅拌转速（5–700 rpm）、单位体积进料速率、流体黏度、密度、生物质浓度、Monod动力学参数（半饱和常数和最大底物摄取速率）以及进料点三维坐标。共生成760组CFD算例，每组算例均通过ANSYS Fluent求解雷诺平均纳维-斯托克斯方程（RANS）与组分输运方程，采用多参考系（multiple reference frame, MRF）方法处理搅拌桨旋转，并使用realizable k-ε湍流模型。每种全局工况生成一个独立的poly-hexcore网格，目标网格分辨率约为9×10³ cells m⁻³，所有算例求解至拟稳态后导出浓度场快照。整个CFD数据库构建耗时约1.5×10³个模拟小时（约4.9×10⁴ CPU核小时）。
在模型训练阶段，研究将每个网格单元的底物浓度作为预测目标，同时记录其质心坐标、离进料点距离、离搅拌轴距离等空间描述符。由于原始底物浓度（cs）呈严重右偏分布，直接建模存在困难，研究系统评估了四种目标表征方式：原始cs、log10 cs、秩基分位数变换以及生物学有界的细胞性能比率qs/qs,max。结果显示，qs/qs,max在保持物理意义（取值0–1）的同时实现了最高预测精度，且无需误差放大的反对数变换，因此被选为主目标变量。主成分分析证实输入特征间仅存在弱的线性相关，不存在低维流形。数据经标准化后，随机划分560组算例作为开发集，200组作为独立测试集（完全未参与调参和训练）。对于机器学习模型和正则化的多元线性回归变体，采用按算例分组的10折交叉验证进行网格搜索；对于神经网络，则使用基于树结构的Parzen估计器（Optuna框架）执行贝叶斯超参数优化。
基准测试涵盖了从线性基线到复杂神经网络的多种模型。线性基线包括普通最小二乘回归、Lasso、Ridge、Elastic Net、Huber稳健回归以及不同阶数的多项式Lasso；非线性模型包括k近邻、决策树、随机森林回归、梯度提升回归、支持向量回归以及四种不同输入层拓扑的前馈神经网络（标准NN、attention-NN、modified attention-NN和focused attention-NN）。其中，modified attention-NN通过分离全局操作条件与局部空间特征，并利用注意力机制使全局条件调制局部表征，在测试集上取得了最低均方误差0.0054和最高决定系数R²=0.91。多项式Lasso在3–4阶时表现次优，但存在一定过拟合；树集成模型虽然训练误差较低，但开发集与测试集间存在显著差距，表明其倾向于记忆特定模拟工况而非学习不变的混合规则。k近邻和单棵决策树表现最差，测试R²约为0.2。
学习曲线分析揭示了不同容量模型对训练数据需求的差异。低容量模型（多元线性回归、k近邻）在约200组CFD算例后即达到误差平台；而高容量模型（modified attention-NN和4阶多项式Lasso）在超过400组算例后仍能持续降低误差。该发现表明，对于线性基线，约200组多样化CFD数据足以饱和，而高容量模型则能从更多数据中获益，但边际效益逐渐递减。
三维空间重建验证表明，focused attention-NN虽然全局MSE略高于modified attention-NN，但其空间轮廓更清晰，能更准确地恢复进料点附近的指数衰减和Rushton桨叶间室内的尖锐界面。相比之下，多元线性回归只能生成平滑的扩散型浓度场，无法分辨非线性分区结构。空间误差映射将主要偏差定位于两类区域：进料点附近的饱和极值区（高估）与底部壁面附近的耗竭区（低估），以及相邻搅拌桨间的强剪切混合区。这些区域同时具有陡峭的物理梯度和局部数据稀疏特征，反映了模型在局部极值预测上的固有局限。
在计算效率方面，标准CFD在32核CPU上需约1小时，即便使用GPU加速也需要数十分钟。代理模型推理时间仅需4毫秒（MLR、8核CPU）至10–30毫秒（神经网络、单GPU），相对CPU基线CFD实现了10⁴至1.3×10⁶倍的加速。训练后的模型可用于在毫秒级时间内扫描数百个操作点，并嵌入迭代优化或操作支持工作流。
该研究的科学价值在于首次证明了数据驱动模型能够在全解析三维梯度水平上同时耦合流体力学与生物动力学，为空间分布式生物过程建模提供了新范式。应用价值方面，代理模型可支持实时设计空间探索、在线设定值优化以及数字孪生框架的构建。研究还指出，该方法可与经典的反应工程方法、分区模型（compartment models）协同使用：代理模型预测的三维场可用于快速构建或更新不同操作条件下的分区模型，而分区模型可在代理模型派生的空间图基础上模拟动态细胞历史。该研究的重要局限性包括：未进行实验验证；仅针对单一几何与规模；采用单相MRF-RANS假设；Monod动力学形式简单。因此，代理模型应被视为CFD一致的仿真器，而非经过实验验证的反应器预测器。未来扩展方向包括：引入滑动网格多相模拟、参数化几何、非Monod动力学、非牛顿流变学，以及采用图神经网络或Transformer等更强空间归纳偏置架构。