培养基优化经验
细胞培养技术中的培养基组分优化方法
细胞培养技术中的培养基组分优化方法细胞培养是一种广泛应用于生物医学研究、生物制药和组织工程等领域的关键技术。
在细胞培养过程中，培养基是支持和满足细胞生长和繁殖需要的关键因素。
培养基的组分优化可以显著提高细胞培养的效率和质量，为相关研究和应用提供坚实的基础。
细胞培养基的组分主要包括营养物质、生长因子、激素、血清、缓冲剂、抗生素等。
在培养基组分优化方法中，首先需要对细胞类型进行充分了解。
不同的细胞对培养基成分的要求是不同的，因此需要根据细胞类型的特点，进行适当的调整和改进。
营养物质是细胞生长和代谢所需的基本成分，包括氨基酸、葡萄糖、维生素等。
优化营养物质组分的方法可以通过浓度调整、组分替换等方式进行。
例如，对于某些特定细胞类型，可以增加特殊氨基酸的含量，以满足其特殊代谢需求。
此外，营养物质的来源也可以选择天然或者合成的成分，根据需求进行调整和选择，以提高细胞培养的效果。
生长因子是调节细胞增殖和分化的关键因素，常见的生长因子包括表皮生长因子（EGF）、基质细胞生长因子（bFGF）、血小板源性生长因子（PDGF）等。
优化生长因子组分的方法包括浓度调整、组分替换、添加新的生长因子等。
根据细胞类型的特点和研究需要，合理选择和调整生长因子的组分和浓度，可以促进细胞的生长和分化，提高细胞培养效果。
激素在细胞培养中具有重要的生物学功能，可以影响细胞的生长、分化、代谢等过程。
常见的激素包括胰岛素、甲状腺激素、泛素等。
优化激素组分的方法包括浓度调整、替代激素的选择等。
通过合理调整激素组分和浓度，可以提高细胞培养的效率和质量，满足研究和应用的需求。
血清是细胞培养中最常用的培养基成分之一，可以提供细胞所需的营养物质、生长因子等。
然而，血清的组分复杂、批次变异大，且存在潜在的生物安全风险。
优化血清的组分可以通过血清的浓度调整、替代或者血清的成分分析和优化等方式进行。
例如，可以使用无血清培养基或者人血清替代传统的胎牛血清，以降低对血清的依赖性，提高培养基组分的一致性和可控性。
酵母菌发酵培养基优化要点
❖ 本实验以菌体生物量为指标，用四因素三水 平的正交试验确定酵母菌的最优培养基。
实验步骤
一、培养基的配制
1.将葡萄糖、蔗糖、酵母提取粉、KH2PO4作为培养基的主要 影响因素，每一因素设定3个水平，进行四因素三水平的正交 试验，试验设计如表1
因素水平 A葡萄糖 /%
1
1.0
2
2.0
3
3.0
表1 正交试验表设计
(X1+X2+X3)/3 (X4+X5+X6)/3 (X7+X8+X9)/3
K最大- K最小
B
1 2 3 1 2 3 1 2 3
(X1+X4+X7)/3 (X2+X5+X8)/3 (X3+X6+X9)/3
K最大- K最小
C
1 2 3 3 1 2 2 3 1
(X1+X5+X9)/3 (X2+X6+X7)/3 (X3+X4+X8)/3
1(1.0)
1(0)
1(1.0)
2(1)
1(1.0)
3(2)
2(2.0)
1(0)
2(2.0)
2(1)
2(2.0)
3(2)
3(3.0)
1(0)
3(3.0)
2(1)
3(3.0)
3(2)
C酵母提 取粉/%
1(0.5) 2(1) 3(1.5) 2(1) 3(1.5) 1(0.5) 3(1.5) 1(0.5) 2(1)
C酵母提取 D KH2PO4
粉/%
/%
1(0.5)
1(0.5)
2(1)
2(1)
3(1.5)
植物乳杆菌培养基的优化
植物乳杆菌培养基的优化李达发酵剂是影响发酵产品质量的关键因素, 它的制备需要有良好的增菌培养基, 使植物乳杆菌得以大量增殖, 从而使其在经过喷雾干燥、冷冻、冻干等处理后有足够的活菌数存活。
因此优化植物乳杆菌增菌培养基是一项十分重要的基础研究工作。
植物乳杆菌是泡菜、发酵谷物、发酵肉制品等重要发酵剂的组成菌之一。
植物乳杆菌K25分离于西藏灵菇中, 在对其进行研究时发现, 用MRS培养基培养该菌时, 菌落总数仅能达到6.7×107cfu·mL- 1 左右。
菌液中活菌数的增加, 可以通过培养基的优化设计来实现, 因此需要对培养基进行优化, 提高菌液中活菌数的含量。
本文旨在通过对植物乳杆菌的培养基进行优化, 从而获得活菌数较高的菌液, 为研制高活力的冷冻干燥发酵剂及其产品的开发奠定基础。
1 材料与方法1.1 试验菌种L. plantarum K25, 分离于西藏灵菇。
1.2 材料与设备胰蛋白胨、大豆蛋白胨、酵母膏、牛肉膏为生化试剂; K2HPO4、KH2PO4、Na2HPO4、NaH2PO4和各种糖类均为分析纯。
722 型分光光度计、立式压力蒸汽灭菌器、超净工作台、分析天平、DNG- 9240 型恒温鼓风干燥箱。
1.3 培养基及培养条件活化和计数培养采用MRS 培养基, 蛋白胨10 g、牛肉膏10 g、酵母膏5 g、KH2PO4 2 g、柠檬酸三钠2 g、乙酸钠2 g、葡萄糖20 g、Tween 80 1 mL、MgSO4·7H2O 0.58 g、MnSO4·4H2O 0.25 g, 用蒸馏水定容至1 L, 调pH 6.2~6.4, 121 ℃灭菌15min。
以MRS 培养基为基础, 按照试验设计添加不同生长因子, 接种量0.5%接入150 mL 液体培养基中, 37 ℃静置培养24 h1.4 方法1.4.1 不同碳源、氮源、磷源的选择在MRS 液体培养基的基础上, 分别添加2%(w/v) 乳糖、蔗糖、葡萄糖、果糖作为不同碳源; 选择胰蛋白胨、大豆蛋白胨、酵母膏、牛肉膏, 分别加入2.5%( w/v) 作为的不同氮源; 分别加入0.2%( w/v) K2HPO4、KH2PO4、Na2HPO4、NaH2PO4 作为不同磷源, 其他组分均相同。
培养基优化方法
方法一：LB培养基、平板保存的工程菌HB101/pJJ－rhIFNα2B、Amp、酵母提取物、蛋白胨、10×SAE、100×MgCl2、100×TES、Tris、HCl10×SAE配方(1L)：KH2PO410g、K2HPO4·3H2O52.4g、NH4Cl10g、K2SO426g100L【步骤】种子制备：1、取100mLLB培养基加入到一无菌的500ml三角形中，同时加入100μl100mg/ml的Amp。
2、接种甘油管保存的工程菌HB101/pJJ/rhIFNα-2b100μl，使工程菌分散于培养液中。
3、盖好试管，在摇床上以220rpm的速度，于37℃培养至对数中期（约5小时）上罐准备：1、配置500ml10×SAE2、配置发酵培养基(3L)称取胰蛋白胨30g，酵母提取物90g，加入2.64L去离子水，搅拌溶解后加入300ml 10×SAE、30ml100×MgCl2、30ml100×TES。
3、将培养基加入到5L发酵罐，插入pH、溶氧电极和温度探头，装上空气过滤膜，包扎好后放入灭菌锅中，同时放入一瓶250ml30%磷酸（调pH用），于1.05kg/cm2高压下蒸汽灭菌30min。
4、待灭菌结束后，将发酵罐放在冷却底座上，开启发酵罐控制系统，联接好冷凝水、空气线路。
5、控制pH=7.4，在转速650r/m、通气量3L/min 定D.O.为100％于自动控制发酵罐上37℃发酵22小时。
6、当培养基温度冷却到37℃后，接入制备好的种子7、从接种完时刻起，每两小时取适当量样品，其中取1ml用于测菌体浓度（A600nm）；另取1ml加入到一称过重ep管中，12000rpm离心，小心取出900μl上清用作测菌体浓度的空白，甩干后再次称重，计算菌体湿重，按每8.3mg菌体湿重加入300μL水重悬菌体，冻于-20℃备用。
培养基的优化策略
培养基的优化策略1试验设计在工业化发酵生产中，发酵培养基的设计是十分重要的，因为培养基的成分对产物浓度、菌体生长都有重要的影响。
实验设计方法发展至今可供人们根据实验需要来选择的余地也很大。
1.1单因素法（One at a time）单因素方法的基本原理是保持培养基中其他所有组分的浓度不变，每次只研究一个组分的不同水平对发酵性能的影响。
这种策略的优点是简单、容易，结果很明了，培养基组分的个体效应从图表上很明显地看出来，而不需要统计分析。
这种策略的主要缺点是：忽略了组分间的交互作用，可能会完全丢失最适宜的条件；不能考察因素的主次关系；当考察的实验因素较多时，需要大量的实验和较长的实验周期。
但由于它的容易和方便，单因素方法一直以来都是培养基组分优化的最流行的选择之一。
1.2正交实验设计（Orthogonal 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。
石炳兴等利用正交实验设计优化了新型抗生素AGPM 的发酵培养基，结果在优化后的培养基上单位发酵液的活性比初始培养基提高了18.9倍。
正交实验不能在给出的整个区域上找到因素和响应值之间的一个明确的函数表达式即回归方程，从而无法找到整个区域上因素的最佳组合和响应值的最优值。
而且对于多因素多水平试验，仍需要做大量的试验，实施起来比较困难。
1.3均匀设计 (Uniform design)均匀设计是我国数学家方开泰等独创的将数论与多元统计相结合而建立起来的一种试验方法。
这一成果已在我国许多行业中取得了重大成果。
均匀设计最适合于多因素多水平试验，可使试验处理数目减小到最小程度，仅等于因素水平个数。
虽然均匀设计节省了大量的试验处理，但仍能反映事物变化的主要规律。
1.4全因子实验设计(Full factorial design)在全因子设计中各因素的不同水平间的各种组合都将被实验。
青霉素培养基优化
碳源PK：乳糖比葡萄糖更优越
青霉素的生物合成，受糖分解代谢产物 的阻遏，如合成青霉素的酰基转移酶就 会被阻遏。 在青霉素发酵过程中，被青霉素迅速利 用的葡萄糖有利于菌体生长，但抑制青 霉素的合成。 被缓慢利用的乳糖，水解成单糖的速度 正好符合青霉素生产期合成青霉素的需 要，而又不会产生高浓度的分解产物来 抑制青霉素的合成，是生产青霉素的优 越碳源。
1.95 1.9 1.85 1.8 1.75 1.7 1.65 1.6 1.55 1.5 1 2 乳糖/葡萄糖 3
系列1
醋酸铵k1、k2、k3分析
1.95 1.9 1.85 1.8 1.75 1.7 1.65 1 2 醋酸铵 3 系列1
苯乙酸k1、k2、k3分析
1.95 1.9 1.85 1.8 1.75 1.7 1.65 1.6 1.55 1 2 苯乙酸 3 系列1
• 但是，由于乳糖价格 较贵，成本较高，故 在生产实践中常通过 间隙或滴加葡萄糖的 方法控制培养液中糖 的含量，以符合菌体 生长和青霉素生物合 成的需要。 • 这样，在青霉素的生 产中，降低了生产成 本的同时，又提高了 青霉素的产量。
青霉素培养室
培养基优化步骤：
• 1、发酵培养基的配制:按照正交表配制50ml。(三 组:每组配制一种培养基,各接种一瓶,250ml 三角 瓶装液量为50ml) • 2、摇瓶培养:从一级斜面菌株接种到三角瓶液体 培养基, 25℃200rpm 培养6-7 天,可进行青霉素 的效价测定。 • 3、金黄色葡萄球菌菌悬液的制备:将37℃培养1618h 的斜面菌种,用0.9%生理盐水洗下，菌悬液稀 释至波长650nm 透光率为20%的溶液,需要12ml。
• 4、生测平板的制备:生测培养基400ml,加入适当 稀释的金黄色葡萄球菌后,制成3*6+2 个平板。 • 5、青霉素发酵液效价的测定: 发酵结束后 5000rpm 离心5min．每个被测样品用3 套平皿进 行测定；37℃培养18-24h 后,量取抑菌圈直径的 大小。 • 6、填正交实验表格,确定最优培养基配方。
微生物发酵培养基的优化方法
微生物发酵培养基的优化方法微生物发酵培养基是指为微生物提供合适的生长环境、碳源、氮源以及其他必需营养物质的复杂液体或固体介质。
优化培养基是通过调整培养基成分来提高微生物的生长速度和产物产量，保证产物质量和生产效率。
本文将介绍一些优化微生物发酵培养基的方法。
1.确定微生物的需求不同的微生物对培养基的成分有着不同的要求，包括碳源、氮源、矿物质以及其他生长因子等。
因此，首先需要明确所需微生物对营养物质的需求，有助于指导后续优化工作。
2.碳源优化3.氮源优化氮源对微生物生长和代谢至关重要，可以通过改变氮源种类和浓度来优化培养基。
常用的氮源包括氨基酸、尿素、硝酸盐等。
可以试验不同的氮源和浓度，根据微生物生长状况和产物产量来确定最佳氮源。
4.矿物质优化5.添加生长因子一些微生物需要特定的生长因子才能生长和产生产物，如一些维生素、辅酶等。
了解微生物所需的生长因子并添加到培养基中，可以提高微生物的生长速度和产物产量。
6.调整pH值和温度微生物对pH值和温度的要求较为敏感，因此需要优化培养基的pH值和温度来提供最适宜的生长条件。
通过试验不同pH值和温度对微生物的影响，选择最佳的pH值和温度来优化培养基。
7.添加表面活性剂表面活性剂可以增强微生物与培养基之间的接触，促进培养基中的气液传质。
添加适量的表面活性剂，可以提高微生物的生长速率和产物产量。
8.优化培养条件除了调整培养基的成分外，优化微生物发酵培养基还需要考虑一些培养条件，如培养基的搅拌速度、培养温度、空气进气率等。
通过优化这些培养条件，可以提高微生物的生长速度和产物产量。
综上所述，优化微生物发酵培养基是一个复杂而繁琐的过程，需要根据具体微生物的要求和反应机制来选择合适的调整方法。
通过调整培养基成分、添加生长因子、调整pH值和温度、添加表面活性剂以及优化培养条件等方法，可以提高微生物的生长速率和产物产量，保证产品质量和生产效率。
关于大肠杆菌培养基的优化实验
由图表可看出，当温度为42摄氏度，PH为9时，实验数据较其他相差较大，为可疑数据。
平均值为0.1872标准差S=0.398478
偏差为0.7128
2S=0.796956>0.7128
根据拉伊达准则，当显著性水平等于0.05时，0.9这一可疑值不能舍去
关于大肠杆菌培养基的优化实验
一、实验目的：研究培养基中适宜的PH值，温度及含水量最佳配比，学会处理实验中的各种误差，掌握发酵培养基的配制方法。
二、
（1）实验单元：培养基，无菌移液器，恒温箱，玻璃棒，大肠杆菌，灭菌箱，营养液等。
（2）实验效应：发酵液中的OD值。
（3）实验因素：温度，PH值，含水量等。
（4）测定各摇瓶中的OD值并分析比较。
四、实验结果
假设当温度为38摄氏度，PH值为8时，大肠杆菌的生长速度最快。
大肠杆菌的生长速度与设定温度的最佳温度成正比例函数态分布，与PH值呈正态函数分布。
下表为实验数据：
PH温度
8
15
38
42
50
6
0.0000
0.0060
0.0100
0.0078
0.0027
7
所以F>F0.05（4，4），两方差有显著差异性
T=0.9044df=3
T0.0025(3)=3.182
t>t0.0025(3)两平均值间有显著差异，存在系统误差
(2)关于随机误差——F检验法
F=3947.7 F>1df2=4 df4=4
所以采用单侧检验法
查F表得F0.025（4，4）=9.60
F>F0.025（4，4）则方差2比方差4有显著增大
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
比如，我在实验中目前遇到的几个问题：1、我做完单因素，就在想是做PB？还是最陡爬坡？还是两个都要做呢？？毕竟我快毕业了，时间紧张阿2、我现在准备做PB，突然发现很多文献上都出现了在实验中还要加几个空白项，知道主要是用于误差分析的，但我就想问下，是不是必须设置空白项呢？如果必须设，那么要设几个呢？我看大部分是设了4个的；还有就是，空白项是没有设定+1、-1的水平值，那么在实验中该如何具体操作呢，我采用的是SARS软件进行设计，那么实验设计好后遇到空白项的+1、-1该怎么弄呢？什么都不加么？？还有空白项安排的位置有影响么？3、我做的是培养基优化，目前共有8种因素准备做PB，那么做完了PB，确定了显著因素，该如何设计最陡爬坡呢？是不是也需要相关软件来进行试验设计的呢？第一，你的是8个因素，直接做RSM，不可取，建议先用PB筛选主效应因素。
至于SA，并不是每个PB后都必须的，要看你的实验结果，也就是预测和实验区域的吻合情况了。
第二，8个因素，做12runs的PB，刚好有四个空列。
空列，也就是虚拟的，可以权当不存在，它只是在分析中用来估算误差的。
第三，先做好PB。
至于SA，用手算就可以了。
呵呵，很简单的。
看样子你看了很多文献，里面都应该有计算公式的。
哈哈，我这里到时有一些试验数据。
PB设计如果用SAS（应该这样写是对的哦）就会出现上面说的空白项现象。
建议使用minitab、JMP等，这些都不会出现空白项的。
PB设计是筛选重要影响因子的，从众多因子挑出重要的，舍弃不重要的（统计学上说，就是有显著影响的因素）。
因此，在逻辑上是有必要进行的。
如果还有什么问题继续提问。
高低水平的设置没有定式，无需过分遵从1.25倍这个定式。
总体上说，如果一个水平范围内，因素较为显著，可适当缩小范围（具体范围应该合理，举例说，但不一定合理：如果以菌体量最大为望目值时，温度是一个显著性影响因素（p＜0.05），现研究范围为37-38℃；那你在缩小范围为37.5-37.9℃，这个就没有必要了。
但是温度范围在35-39℃下显著的话，那可以在缩小至35-37℃，毕竟很多反应器，其温度的控制±0.5。
）。
放开来说，及时都显著，那总有一个先后顺序吧。
首先，整体上你可以按照p值的小大排除影响效果大小序列：A＞B＞C＞D＞E＞F＞……的顺序排列，将影响非常（或及其）显著的因子（p＜0.01）的因子作为重点考察对象，如果它们还不够，就依照序列挑选；仅此而已。
所以说，你的试验没有白做。
至少知道了这些因子在这个研究范围内的影响排列顺序。
记住，实验设计是为试验目的服务的，它们只是一种手段，不要陷入到方法论中去。
你的目的是揭示未知世界。
“问题只有一个，解决方法确有很多。
”不要为了实验设计而设计，切记！！！！！这个不是发酵人追求的目的。
我的实验RSM中心符合设计回归的二次模型中失拟项显著是怎么回事呢？模型的P值小于0.0001而失拟项P值0.0053，哪位知道可以帮我分析下么？1. 首先，能告诉二次模型的决定系数（R-sq）足够大吗，>90%如果足够大，那么LOF显著还是可以接受的。
2. 模型p值和LOF的p值是不同意义的。
3. 当因子X(或多元Xi的组合)存在重复(在minitab中叫做仿行)时，选择失拟检验则会将残差误差项分解为失拟(Lack of fit)和纯差(Pure error)两部分，并使用F检验判断是否存在显著的失拟。
若p值小于0.05，则说明存在显著的失拟，回归模型不适合。
此时可考虑引入高次项或对X或Y做变换。
若不存在显著失拟，则说明回归模型适合，不需对回归议程调整，但同时需结合R-sq和R-sq(adj)综合判断。
若这两个值高且接近，则回归模型能充分，不高则说明解释不充分，需考虑是否存在其它显著的影响因子。
我自己是怎么想的:单因子实验只是为了保险使PB实验的结果更加明显而进行的预实验,PB 实验本身就是有筛选单因子的功能,如果有把握是可以直接做PB的.而我的实验是先进行单因子,然后是PB,根据PB的实验分析数据做最陡爬坡实验,否则不能很好的确定爬坡的方向以及步长.最陡爬坡实验的步长的选择:根据前面PB实验的结果,做一阶方程的法线,法线方向就是爬坡方向,步长就根据回归系数和规范变量的比值在通过自然变量来换算,算到的结果在综合实际的情况就可以基本确定步长了这个是最近看文献理解到的一些,希望哪位高手指点一下1 在PB设计中出现的dummy variable的具体含义到底是什么?是对照组吗?如果不是应该遵循什么样的原则去设计呢?2 在PB中实验组数应该是变量数加1,那么在相关的文献中看到15个变量设计为:15+1+4,其中4是dummy variable,但是表格中这4个变量也是有高低水平的变化的,那么设计时是作为15个变量来考虑还是19个呢?3 想问问在最陡爬坡实验中,步长的选择有什么要求吗?纯经验还是有公式的?1. dummy variable 不是对照组。
如果你的实验次数为4的整数倍。
那么看你考察的因素是多少个。
比如你有9个，那么至少要使用runs=12次的PB设计。
此时，有3个空列。
一般的处理方法是，等间距空列。
实在不行，你就随机选吧。
这并不妨碍你的实验结果。
空列只是为了估算误差。
2. 这样吧，如果我这样表述，看你是否能够理解。
我刚好有15个因素，想做PB，正好runs=16 符合我的要求。
可是，这样一来，估算误差呢？因为没有多余空列了。
那么，再往上加列，只有再加4列。
刚好19因素，20次实验，其中有4个空列。
你认为这多出来的一列（16-15=1），我想你是这样算的吧。
那你运行一下软件，看看15因素的PB，runs=16，到底是15列，还是16列？列是因素，行是实验次数。
并不是列数=行数。
想问问在最陡爬坡实验中,步长的选择有什么要求吗?纯经验还是有公式的?描述:如何确定步长：图片:1.BMP描述:如何steepest ascent 实验，红色字体为最佳条件图片:2.BMP看了这张图，我想答案应该是不言而喻了！描述:4 在设计CCD试验那的时候是否要包括全因子实验设计?图片:3.BMP请问在最陡爬坡实验中，我看到文献中说：最陡爬坡的步长公式=e×△j ×bj, 其中bj为一次回归的回归系数，△j为变化半径．那么e值怎么确定的呢？有的文献按经验值算，但有没有一个算法可以确定e值呢？我使用SAS进行试验设计的，11个因素+4个dummy variables，做16次实验。
PB实验设计的数据已经出来了，但是怎么分析不了。
用Analysist→Statistics→Regression→Linear分析出来的结果像图里面这样，怎么回事呢？后面几列的Standard Error, t value 以及p值都没有。
各位好，我用Designexpert做PB设计，但是因素是（11，。
）等等，最低十一个因素，请问倘若我做七个因素咱班这也没有关系，请将其中4个做为虚拟项，虚拟项不要集中在一起，最后间隔设计。
虚拟项不用管它，不能将它看作因素，因为它的各个水平是一样的。
比如温度在本次试验过程没有考虑，但是它是实际存在的，而虚拟因素，只是假想出来的。
只是用来对试验结果误差进行检验的，如果虚拟项对试验的影响超过了考虑的因素，那么这个因素实际也是没有影响的，或者说试验过程误差太多，需要重新进行试验。
您好！我是中国**科学院的一位研究生，看到您在****学报*卷第*期****年*月出版的，题目“*******************发酵条件优化”，请教一些问题：1.您的文章中的Plackett-Burman设计中设计了空列用来进行误差的估计，那在进行软件分析的时候，怎么操作？要把空列也当做模型的一部分选入，进行相应的可信度，贡献率等的分析吗？2.看到有些文章中做Plackett-Burman试验时没有设计空列，比如要考察11个因素，那么就采用12次试验点的PB设计，这样可以吗？是否必须加空列？3. 看到有一篇文章中也做了11个因素的，采用的是以下设计：12次试验加中心点试验1次，共13次试验，每次试验还进行了重复，这种设计中用到的中心点试验的目的是什么？做重复有必要吗？4.PB设计中的中心点和空列如果是用来估计误差的，那么它们分别是估计哪部分的误差，它们是什么关系？5.PB设计中的每个试验点都必须做重复吗？6.您的CCD设计中选择的星号点的a=1.682，这样的话是保证了设计的旋转性还是正交性，或是二者兼顾了？7.在MINITAB软件的PB设计中，如果选择11因素的PB设计时，只有20次试验的选择，没有16次这一选项，不知是什么原因？8.Two-level factorial designs和PB试验的关系是什么样的？－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－解答；同学，您好：不好意思，耽搁了好几天才回复。
这部分工作是差不多六、七年前做的了，其后就没有再继续直接进行类似的应用，所以有些地方自己也拿不准了。
虽然自己亲自做的东西印象比较深刻，但一则自己当时也是自学的，对相关概念和原理的理解和应用就有可能不准确，二则长时间不涉及相关工作，的确有些生疏了。
故我的意见仅供你参考，希望能对您有所帮助。
以下就逐条就您的问题作一回答：1、2: 关于空项"N次实验Plackett-Burman设计至多可研究N-1个因素，其中至少应设置3个空项以估计实验误差，每个因素均取高、低两个水平。
该方法数据处理简单，在N次实验中，每个因素高、低水平分别出现N/2；而且，当某个因素处于高(低)水平时，其余因素均各出现高、低水平N/4次。
因此，分别计算这个因素在高、低水平时实验响应的均值并求两均值之差就可得到此因素的效应，其中空项效应的均方和为标准差估计值。
各因素效应进行t检验，可信度高的因素作为重要因素作进一步考察"。
以我的数据为例：计算每个因素的效应时，首先分别求取该因素为＋时N/ 2次实验的响应值的和（∑＋），再求取该因素为—时N/2次实验的响应值的和（∑－），然后计算（∑＋）－（∑－），就得到该因素的效应。
空项的效应得到后，求取均方和，就得到标准差估计值。
因为在理论上空项不应该产生效应，那么得到的效应就应该是误差导致的，所以求取误差效应的均方和就可以作为整个实验的标准差估计值。
其他效应是否显著（即是真的存在还是因为误差产生的？），就根据它们与误差效应的比值来判断。
这样得到各个因素效应的可信度（通过t检验，看显著与否）。
可见，空项是必要的，否则无法说明和判断实验中误差的大小，也不能判断各个因素的效应是否可信，是否显著。
一般说来，为了保证误差估计的可信度，至少应设计三个空项。