хунки, які підтвердили, що саме ці параметри впливають на зростання культури. При цьому залежність нелінійна і визначається, перш за все, взаємодією чинників. p align="justify"> Наведені експериментальні дані демонструють, що тільки використання багатофакторного експерименту дозволило вирішити завдання пошуку регуляторних факторів для зазначених вище культур. У серії однофакторних експериментів цього б зробити або зовсім не вдалося, або вдалося б з великими трудовитратами і непередбачуваним везінням. p align="justify"> Використання плану багатофакторного пошуку, близького до оптимального, дозволило швидко знайти мінімальну групу регуляторних факторів серед досить великої множини підозрюваних і в першій же серії оцінити тенденцію впливу знайдених факторів і їх концентрацій (інтенсивностей) на ВП, що дозволило усвідомлено поставити наступні експерименти при відносно невеликих трудовитратах.
Приклад багатофакторного пошуку компонентів живильного середовища для культивування Trichoderma аureoviride, люб'язно наданий К.М. Мінеральні солі, характерні для цього мікроба, взяті як константи. br/>
Таблиця 13
План пошуку добавок для культивуванні Т.А.
№ е ф.1234567891011ВП, Вихід біомаси, відносних
Амінокислоти: 1-гліцин 2 - метіонін 3 - валін 4 - тирозин 5 - пролін 6 - лейцин 7 - лізин 8-аспарагінУглеводи: С - сахароза Г - глюкоза К - крохмаль М - мальтоза
План таб. 14 на перший погляд побудований без яких або критеріїв оптимальності, тим не мене дає багату інформацію до роздумів при перевірки 12 добавок на 10 дослідах. Але при більш детальному аналізі видно, що витримано основна умова багатофакторного пошуку - обрана група з 12 підозрюваних сполук різних класів - амінокислоти і вуглеводи, за тим проводили випробування, роблячи групові вибірки. Максимальна вибірка - 11 факторів, інші в інтервалі від 4 до 6 факторів в досвіді. Це близько до оптимального розбиття обраного безлічі 1:2. Стійкість серії експериментів, що складається з окремих дослідів з різними вибірками підозрюваних факторів, не вимагає витримувати жорстку оптимальність, яка на першому етапі не обов'язкова і дуже розпливчаста. p align="justify"> Навіть без ранжировки видно, що сильно діючими чинниками є добавки сахарози і метіоніну, інші амінокислоти практично взаємозамінні, але потрібні, інші вуглеводи малозначущі за впливом на вихід біомаси. Тобто навіть практично перший збудований план багатофакторного пошуку більш інформативний, ніж серія однофакторних експериментів. Спробуйте самостійно оцінити мінімальну кількість дослідів за методом Зайделя-Гаусса для перевірки значимості 12 обраних експериментів (завдання відсіювання і знаходження сильно діючих факторів, скорочення кількості досліджуваних факторів). p align="justify"> Наведений приклад досить переконливо демонструє, що класифікація перевіряються факторів на сильно діючі (позитивні, індуктори), нейтральні та токсичні (інгібітори, корепрессора) дозволяє об'єднувати їх в досить великі групи і ставити серійні експерименти по наднасичене схемою, коли кількість перевірених факторів перевищує кількість одиничних випробувань. При цьому можливе отримати нескладно трактуються результати без значних арифметичних обчислень і обгрунтовано поставити наступну серію пошуку сильнодіючих факторів, або перейти до знаходження оптимального співвідношення виділених сильно діючих факторів, якщо їх кількість скоротилася до деякого прийнятного рівня. p align="justify"> Можна вважати прийнятним кількістю 4-5 виділених факторів. Тоді ПФЕ 2 4 це 16 дослідів, в 2 повторностях - 32 досвіду і при роботі з колбами - цілком реальні цифри. Для 5 факторів відповідно 32 і 64 експерименту, що теж реально, або ті ж 16 і 32, якщо ставити ДФЕ 2 5-1 , вибравши якесь поєднання чинників незначущим на підставі попередніх випробувань.
Контурно-графічний аналіз результатів вимірювань
Для обробки результатів експериментів з мінімальною кількістю арифметичних обчислень можна використовувати контурно-графічний аналіз Клейнмана і Берча/цит. по/18 /. Сутність його полягає в упорядкованому розташуванні дослідів в факторному просторі шляхом побудови графічних залежностей ВП від керованих змінних у вигляді двовимірних перерізів поверхні відгуку. Отримання додаткової інформації відбувається шляхом лінійної екстраполяції графічних залежностей через побудову на двовимірних перетинах поверхні відгуку ліній постійного рівня ВП залежно від концентрації (інтенсивності) різноманітних парних вибірок факторів. br/>
Х
Рис. 6. Контурно-графічний метод
Методами контурно-графічного аналізу можна будувати на кальці контурні лінії різн...
