一种培养基混合比例优化方法、装置、设备及介质与流程

1.本发明涉及生物技术领域，尤其涉及一种培养基混合比例优化方法、装置、设备及介质。


背景技术：

2.培养基，是指供给微生物、植物或动物生长繁殖，由不同营养物质组合配制而成的营养基质，一般都含有碳水化合物、含氮物质、无机盐、维生素和水等几大类物质，培养基既是提供细胞营养和促使细胞增殖的基础物质，也是细胞生长和繁殖的生存环境。
3.但是，本发明人在对现有技术的研究中发现，在进行培养基混合和比例优化的过程中，当前的传统技术仅能选择少量培养基并按照特定比例进行分析，对于如何在大量培养中选择混合的培养基以及如何设置各个混合培养基的比例，是传统培养基配方优化的难点。


技术实现要素：

4.本发明提供一种培养基混合比例优化方法、装置、设备及介质，能够提供一个或多个最佳的培养基混合比例，从而进一步提高了混合试验的准确率。
5.为实现上述目的，第一方面，本发明实施例提供了一种培养基混合比例优化方法，包括以下步骤：
6.以每一培养基母液对应的第一输入变量作为输入数据，以每一所述培养基母液对应的培养基的培养效果作为输出数据，对预设的机器学习模型进行训练，得到训练完成的机器学习模型；其中，每一所述培养基母液对应的第一输入变量是根据每一所述培养基母液的初始混合比例转换得到的；
7.基于预设的优化算法对所述训练完成的机器学习模型进行优化，得到使每一所述培养基母液的培养效果最优对应的第二输入变量；
8.根据每一所述培养基母液对应的第二输入变量，得到使每一所述培养基母液的培养效果最优对应的目标混合比例。
9.作为其中一种可选的实施例，通过以下公式将每一所述培养基母液的初始混合比例转换得到每一所述培养基母液对应的第一输入变量：
[0010][0011]
其中，xi为每一所述培养基母液对应的第一输入变量，i为对应不同的培养基，取值范围为2～，n为培养基母液的数量，pi为培养基混合比例，ε为大于0的无穷小量。
[0012]
作为其中一种可选的实施例，所述培养基的培养效果包括：细胞活率、细胞密度、蛋白表达量、糖谱、电荷异质性。
[0013]
作为其中一种可选的实施例，所述预设的机器学习模型包括：支持向量机回归模型、k最近邻模型、xgboost、岭回归、lightgbm、随机森林、gbdt、或深度学习模型；
[0014]
所述深度学习模型包括：全连接神经网络、卷积神经网络、循环神经网络或注意力模型。
[0015]
作为其中一种可选的实施例，所述基于预设的优化算法对所述训练完成的机器学习模型进行优化，得到使每一所述培养基母液的培养效果最优对应的第二输入变量，包括：
[0016]
基于预设的全局优化算法或预设的启发算法，在搜索空间内进行培养效果的回归预测，得到使每一所述培养基母液的培养效果最优对应的第二输入变量。
[0017]
作为其中一种可选的实施例，所述全局优化算法包括：遗传算法、贪心算法、退火算法、蚁群算法、粒子群算法、人工蜂群算法、人工鱼群算法、混洗蛙跳算法、烟花算法、细菌觅食优化算法、萤火虫算法；
[0018]
所述启发算法包括：牛顿法、拟牛顿法、共轭梯度法、梯度下降法。
[0019]
作为其中一种可选的实施例，所述根据每一所述培养基母液对应的第二输入变量，得到使每一所述培养基母液的培养效果最优对应的目标混合比例的计算公式为：
[0020][0021]
其中，为使每一所述培养基母液的培养效果最优对应的目标混合比例，为每一所述培养基母液对应的第二输入变量，n为培养基母液的数量，ε为大于0的无穷小量。
[0022]
本发明实施例提供了一种培养基混合比例优化装置，包括：
[0023]
机器学习模型训练模块，用于以每一培养基母液对应的第一输入变量作为输入数据，以每一所述培养基母液对应的培养基的培养效果作为输出数据，对预设的机器学习模型进行训练，得到训练完成的机器学习模型；其中，每一所述培养基母液对应的第一输入变量是根据每一所述培养基母液的初始混合比例转换得到的；
[0024]
第二输入变量获取模块，用于基于预设的优化算法对所述训练完成的机器学习模型进行优化，得到使每一所述培养基母液的培养效果最优对应的第二输入变量；
[0025]
目标混合比例获取模块，用于根据每一所述培养基母液对应的第二输入变量，得到使每一所述培养基母液的培养效果最优对应的目标混合比例。
[0026]
本发明实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例所述的培养基混合比例优化方法。
[0027]
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述实施例所述的车辆定位方法。
[0028]
与现有技术相比，本发明实施例提供的一种培养基混合比例优化方法、装置、设备及介质，能够通过对输入到模型的数据进行数据降维处理，并基于机器学习技术进行混合比例开发，大大缩短不同细胞株的配方开发时间，选择出混合的培养基以及为每一个细胞株提供一个或多个最佳的混合比例，从而进一步提高了混合试验的准确率，降低了人才学习成本，避免了无效浪费。
附图说明
[0029]
图1是本发明实施例提供的一种培养基混合比例优化方法的流程示意图；
[0030]
图2是本发明实施例提供的一种培养基混合比例优化装置的结构示意图；
[0031]
图3是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
[0032]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
第一方面，本发明实施例提供了一种培养基混合比例优化方法，参见图1，是本发明实施例提供的一种培养基混合比例优化方法的流程示意图，所述方法包括步骤s11至步骤s13：
[0034]
s11、以每一培养基母液对应的第一输入变量作为输入数据，以每一所述培养基母液对应的培养基的培养效果作为输出数据，对预设的机器学习模型进行训练，得到训练完成的机器学习模型；其中，每一所述培养基母液对应的第一输入变量是根据每一所述培养基母液的初始混合比例转换得到的。
[0035]
具体的，将多个母液培养基混合比例最大添加值均设置为100％，比例加总值为100％，设计不同比例下混合母液的培养基配方。上述设计完成后，分别培养细胞，培养时间为7天，分别在第三天、第五天和第七天取样计数，并检测培养基的培养效果。获取不同混合比例下的，细胞生长过程中变化情况及对培养基的培养效果。将母液培养基混合比例，以及目标产品产量与质量等相关信息记录在培养数据库中保存，以便算法模型使用。所述数据库的母液培养基数量在2以上，样本混合配方数据库总量在10以上。
[0036]
需要说明的是，在根据各培养基母液的初始混合比例转换得到对应的第一输入变量后，还需要对第一输入变量进行数据预处理，并将经过转换和预处理的第一输入变量输入作为模型的输入数据；另外，在获取到不同混合比例下的对应的培养基的培养效果后，需要对其进行数据清洗，并将经过数据清洗后的培养基的培养效果作为模型的输出数据；其中，预处理方法包括但不限于：标准化，零均值中心化，min-max归一化等；数据清洗主要采用以下方法：缺失值处理，异常点处理，数据集均衡，数据噪声处理，数据去重，数据格式规范化。
[0037]
s12、基于预设的优化算法对所述训练完成的机器学习模型进行优化，得到使每一所述培养基母液的培养效果最优对应的第二输入变量。
[0038]
可以理解的是，培养基母液的培养效果最优即对应该培养基母液的目标产物的产量和质量最优。
[0039]
s13、根据每一所述培养基母液对应的第二输入变量，得到使每一所述培养基母液的培养效果最优对应的目标混合比例。
[0040]
可以理解的是，传统的培养基混合配方开发方式以某两种或几种经典培养基为基础，进行培养基混合法。培养基混合法是较为快捷的培养基配方开发方法，设定合理的比例，将两个或多个培养基进行混合，根据细胞生长过程中变化情况及培养基的培养效果，优
化培养基混合比例，以获得最优培养基。
[0041]
在现有技术中，现有传统技术需要进行多轮试验，每次试验不能包含所有比例，费时较长，需要掌握基础化学、生化与分子生物学、细胞生物学等较多专业理论知识，获得配方可能不是最优。进一步，当前传统技术只能选择部分培养基中特定比例进行分析，在比例优化过程中还会随着混合的培养基数量变多，而使得模型复杂度变大。
[0042]
具体的，混合培养基以优化最佳比例为目的，但传统方法更多只是尝试出一个优秀的结果，或预估某个培养基相对优质。当前传统技术只能处理少量的实验数据，并进行有限数据分析，不能挖掘潜在信息，对大量数据进行定量分析。培养基混合是较为快捷的获得优质配方的方法，但如何选择混合的培养基，以及如何设置各个混合培养基的比例，是传统培养基配方优化的难点。如商业培养基，其配方的成分种类与含量通常是不公开信息。因此特别在优化混合商业培养基比例的时候，无法利用基础化学、生化与分子生物学、细胞生物学等较多专业理论知识去优化最优比例。而使用人工智能技术，则无需掌握相关理论知识，就进行建模优化。
[0043]
而与现有技术相比，本发明实施例提供的一种培养基混合比例优化方法，能够通过对输入到模型的数据进行数据降维处理，并基于机器学习技术进行混合比例开发，大大缩短不同细胞株的配方开发时间，选择出混合的培养基以及为每一个细胞株提供一个或多个最佳的混合比例，从而进一步提高了混合试验的准确率，降低了人才学习成本，避免了无效浪费。进一步的，ai技术能够从试验数据归纳学习培养基不同混合培养基的培养效果，无需要掌握基础化学、生化与分子生物学、细胞生物学等较多专业理论知识，并减少人为情感状态带来的主观干扰，客观数据定量优化培养基混合比例，实现培养基快速高度优化。
[0044]
作为其中一种可选的实施例，通过以下公式将每一所述培养基母液的初始混合比例转换得到每一所述培养基母液对应的第一输入变量：
[0045][0046]
其中，xi为每一所述培养基母液对应的第一输入变量，i为对应不同的培养基，取值范围为2～，n为培养基母液的数量，pi为培养基混合比例，ε为大于0的无穷小量。
[0047]
示例性的，为了提升模型的准确度，以及方便推荐加总比例为100％的混合比例，针对培养基混合比例数据，发明了数据降维处理算法。核心算法在于n维的母液培养基混合比例转化为维度减一的多维模型输入特征。除第一个母液的混合比例外，其余母液的混合比例都对应一个输入特征。
[0048]
值得说明的是，通过采用上述公式(1)进行数据降维处理，能够提升模型的预测准确度，r平方更高，另外，使培养基的混合比例的值域空间从0到1转化为负无穷到正无穷，并在降低维度的同时，消除混合比例加总为1的限制。
[0049]
作为其中一种可选的实施例，所述培养基的培养效果包括但不限于：细胞活率、细胞密度、蛋白表达量、糖谱、电荷异质性。
[0050]
作为其中一种可选的实施例，所述预设的机器学习模型包括但不限于：支持向量机回归模型、k最近邻模型、xgboost、岭回归、lightgbm、随机森林、gbdt、或深度学习模型；
[0051]
所述深度学习模型包括但不限于：全连接神经网络、卷积神经网络、循环神经网络或注意力模型。
[0052]
示例性的，将经过降维与预处理的输入变量作为模型输入值，将细胞生长过程中变化情况及培养基的培养效果作为输出值，构建多种的机器学习算法模型，机器学习模型包括但不限于：支持向量机回归模型、k最近邻模型、xgboost、岭回归、lightgbm、随机森林、gbdt、或深度学习模型；所述深度学习模型包括但不限于：全连接神经网络、卷积神经网络、循环神经网络或注意力模型；优选为支持向量机回归模型。在数据量足够的情况下，模型能够准确预测不同输入变量下的培养基的培养效果。如模型准确度不够，数据不足够则继续设计混合培养基，得到已训练完的机器学习模型。
[0053]
值得说明的是，通过计算机ai技术建立的回归模型可以大大缩短不同细胞株培养基开发时间，且可同时进行多个不同细胞株培养基开发，为每一个细胞株均提供一个或多个最佳混合比例，降低了人才学习成本，提高试验的准确率，避免无效浪费，另外，采用机器学习模型并行分析能够减少重复性实验，有效提高分析效率，进而加快研发速度，节省时间。
[0054]
作为其中一种可选的实施例，所述基于预设的优化算法对所述训练完成的机器学习模型进行优化，得到使每一所述培养基母液的培养效果最优对应的第二输入变量，包括：
[0055]
基于预设的全局优化算法或预设的启发算法，在搜索空间内进行培养效果的回归预测，得到使每一所述培养基母液的培养效果最优对应的第二输入变量。
[0056]
作为其中一种可选的实施例，所述全局优化算法包括但不限于：遗传算法、贪心算法、退火算法、蚁群算法、粒子群算法、人工蜂群算法、人工鱼群算法、混洗蛙跳算法、烟花算法、细菌觅食优化算法、萤火虫算法；
[0057]
所述启发算法包括但不限于：牛顿法、拟牛顿法、共轭梯度法、梯度下降法。
[0058]
示例性的，基于训练完成的机器学习模型，进行深度挖掘式数值模拟，采用全局优化算法或启发式算法在搜索空间内搜索输入变量进行培养效果回归预测；所述启发式算法包括但不限于：遗传算法、贪心算法、退火算法、蚁群算法、粒子群算法、人工蜂群算法、人工鱼群算法、混洗蛙跳算法、烟花算法、细菌觅食优化算法、以及萤火虫算法；所述全局优化算法包括但不限于：牛顿法、拟牛顿法、共轭梯度法、以及深度学习常用的梯度下降法；优选梯度下降法，所述梯度下降法优选为sgd、momentum、adagrad、rmsprop、adam、nadam。采用以上优化算法，得到模型模拟预测的培养基培养效果最优的输入变量。
[0059]
作为其中一种可选的实施例，示例性的，当n个母液培养基较多时，为了减少母液的使用数量，可限制使用其中m个母液培养基，其余的母液培养基使用比例为0％，限制母液使用方式包含但不限于：随机限定，指定限定，以及全组合穷举限定。随机限定，即从n个母液培养基，随机选择并限制使用其中的m个母液培养基；指定限定，即从n个母液培养基，依据母液培养基的表现，指定只使用部分母液培养基；全组合穷举限定，即限定母液培养基使用数量m，但不限制具体使用哪些母液培养基，因此在n款母液培养基中选择m款母液培养基，其组合数量如下公式所示。当限制母液的使用数量时，其输入特征也会限制。
[0060][0061]
其中，m为小于等于n的正整数。选择只优化未被限制的输入特征，被限制的输入特征可限制到某一固定值，该固定值对应的母液添加比例为0％。依据此方法可得到模型预测培养基培养效果最优的，限制使用部分培养基母液下的输入比例。
[0062]
作为其中一种可选的实施例，所述根据每一所述培养基母液对应的第二输入变量，得到使每一所述培养基母液的培养效果最优对应的目标混合比例的计算公式为：
[0063][0064]
则：
[0065][0066]
其中，为使每一所述培养基母液的培养效果最优对应的目标混合比例，为每一所述培养基母液对应的第二输入变量，n为培养基母液的数量，ε为大于0的无穷小量。
[0067]
具体的，将输入变量反向运算得到母液培养基的混合比例，该混合比例即培养基效果最优对应母液培养基混合比例。然后，依据经过模拟优化的各个母液培养基的混合比例，从生物学上验证推荐的混合培养基。接种培养细胞到混合培养基，检测目标产物的数量与质量。满足要求则说明依据机器学习算法能够优化培养基，如不满足要求则重新采用模型算法继续推荐配方。
[0068]
为了进一步体现本发明提供的一种培养基混合比例优化方法所达到的技术效果，下面结合本发明的发明人在研发过程中的应用实例进行对本发明进一步说明：
[0069]
1、选择优质的商业培养基作为母液，以七种商业培养基作为母液为例。七个母液培养基混合比例最大添加值为100％，比例加总值为100％，设计不同比例下混合母液的培养基。上述设计完成后，分别培养cho细胞，培养时间为7天，分别在第三天、第五天和第七天取样计数，并检测目标产物的产量与质量，即能够获取cho细胞在不同混合培养基中的培养效果。
[0070]
2、将母液培养基混合比例，以及目标产品产量与质量等相关信息记录在培养数据库中保存，以便算法模型使用。所述数据库的母液培养基数量在7个，样本混合配方数据库总量在50个以上。
[0071]
3、针对培养基的培养效果进行数据清洗，数据清洗主要采用以下方法：缺失值处理，异常点处理，数据集均衡，数据噪声处理，数据去重，数据格式规范化。读取培养数据。
[0072]
为了提升模型的准确度，以及方便推荐加总比例为100％的混合比例，针对培养基混合比例数据进行预处理。将各个母液培养基混合比例转化为维度减一的n-1维模型输入特征，公式如下。
[0073][0074]
取ε为1e-3，以下表1所示的混合比例为例，得到如下表2所示的经过数据降维后的第一输入变量。
[0075]
表1混合商业培养基的混合比例
[0076]
序号母液1母液2母液3母液4母液5母液6母液7150％50％0％0％0％0％0％250％0％50％0％0％0％0％30％50％50％0％0％0％0％
40％0％50％50％0％0％0％
[0077]
表2数据降维后的输入变量
[0078]
序号x2x3x4x5x6x7110.0020.0020.0020.0020.00220.00210.0020.0020.0020.0023110.0020.0020.0020.00240.002110.0020.0020.002
[0079]
接着，进行数据预处理，预处理方法包括但不限于：标准化，零均值中心化，min-max归一化，本文优选标准化处理。
[0080]
需要说明的是，培养基的培养效果包括但不限于细胞活率、细胞密度、蛋白表达量、糖谱、电荷异质性，具体可以根据实际需求进行设置，在此仅为举例说明而不作限定。
[0081]
4、基于采取降维与预处理的输入特征作为模型输入值，细胞生长过程中变化情况及对培养基的培养效果作为输出值，构建多种的机器学习算法模型。机器学习模型包括但不限于：支持向量机回归模型、k最近邻模型、xgboost、岭回归、lightgbm、随机森林、gbdt、或深度学习模型；所述深度学习模型包括但不限于：全连接神经网络、卷积神经网络、循环神经网络或注意力模型；优选为支持向量机回归模型。在数据量足够的情况下，模型能够准确预测不同输入变量下的培养基的培养效果。如模型准确度不够，数据不足够则继续混合培养基设计。
[0082]
5、由于7个母液培养基数量较多，为了商业目的希望限制母液的使用数量为3个母液，可限制使用其中3个母液培养基，其余的母液培养基使用比例为0％，限制母液使用全组合穷举限定，因此7个母液限制使用3个母液，一共35种组合。
[0083]
6、基于上述构建的机器学习模型，进行深度挖掘式数值模拟，采用全局优化算法或启发式算法在搜索空间内搜索输入变量进行培养效果回归预测；所述启发式算法包括但不限于：遗传算法、贪心算法、退火算法、蚁群算法、粒子群算法、人工蜂群算法、人工鱼群算法、混洗蛙跳算法、烟花算法、细菌觅食优化算法、以及萤火虫算法；所述全局优化算法包括但不限于：牛顿法、拟牛顿法、共轭梯度法、以及深度学习常用的梯度下降法；优选梯度下降法，所述梯度下降法优选为sgd、momentum、adagrad、rmsprop、adam、nadam。优化输入变量的数值得到模型模拟培养基培养效果最优的输入变量。以上优化算法只优化未被限制的3个培养基输入特征，得到35种组合下的最佳输入变量。
[0084]
表3采用人工智培养基对应的最佳输入变量
[0085][0086]
7、将35种组合下的不同3个输入变量调整计算得到母液培养基的混合比例，采用公式如下，该混合比例即推荐的培养基混合比例。而被限制使用的4个母液培养基配方，则混合比例为0％。
[0087]
8、依据经过模拟优化的各个母液培养基的混合比例，从生物学上验证推荐的混合培养基。接种细胞到混合培养基种培养，检测培养效果之一蛋白表达量，结果如下表4所示。
[0088]
表4采用人工智能的培养基混合比例优化结果
[0089][0090]
表4中数据表明，采用人工智能的方法优化的混合培养基培养的cho细胞，较优化前单一培养基蛋白表达明显提升。
[0091]
经过上述方法，可以得到在35种组合下，在限制母液数量的情况下的最优百分比的最佳混合比例，例如，假设母液1、2、4组合下的最佳混合比例，或者母液1、2、5组合下的最
佳混合比例等等。
[0092]
本发明实施例提供了一种培养基混合比例优化装置，参见图2，是本发明实施例提供的一种培养基混合比例优化装置的结构示意图，包括：
[0093]
机器学习模型训练模块21，用于以每一培养基母液对应的第一输入变量作为输入数据，以每一所述培养基母液对应的培养基的培养效果作为输出数据，对预设的机器学习模型进行训练，得到训练完成的机器学习模型；其中，每一所述培养基母液对应的第一输入变量是根据每一所述培养基母液的初始混合比例转换得到的；
[0094]
第二输入变量获取模块22，用于基于预设的优化算法对所述训练完成的机器学习模型进行优化，得到使每一所述培养基母液的培养效果最优对应的第二输入变量；
[0095]
目标混合比例获取模块23，用于根据每一所述培养基母液对应的第二输入变量，得到使每一所述培养基母液的培养效果最优对应的目标混合比例。
[0096]
与现有技术相比，本发明实施例提供的一种培养基混合比例优化装置，能够通过对输入到模型的数据进行数据降维处理，并基于机器学习技术进行混合比例开发，大大缩短不同细胞株的配方开发时间，选择出混合的培养基以及为每一个细胞株提供一个或多个最佳的混合比例，从而进一步提高了混合试验的准确率，降低了人才学习成本，避免了无效浪费。
[0097]
作为其中一种可选的实施例，通过以下公式将每一所述培养基母液的初始混合比例转换得到每一所述培养基母液对应的第一输入变量：
[0098][0099]
其中，xi为每一所述培养基母液对应的第一输入变量，i为对应不同的培养基，取值范围为2～，n为培养基母液的数量，pi为培养基混合比例，ε为大于0的无穷小量。
[0100]
作为其中一种可选的实施例，所述培养基的培养效果包括但不限于：细胞活率、细胞密度、蛋白表达量、糖谱、电荷异质性。
[0101]
作为其中一种可选的实施例，所述预设的深度学习模型包括但不限于：支持向量机回归模型、k最近邻模型、xgboost、岭回归、lightgbm、随机森林、gbdt、或深度学习模型；
[0102]
所述深度学习模型包括但不限于：全连接神经网络、卷积神经网络、循环神经网络或注意力模型。
[0103]
作为其中一种可选的实施例，所述基于预设的优化算法对所述训练完成的深度学习模型进行优化，得到使每一所述培养基母液的培养效果最优对应的第二输入变量，包括：
[0104]
基于预设的全局优化算法或预设的启发算法，在搜索空间内进行培养效果的回归预测，得到使每一所述培养基母液的培养效果最优对应的第二输入变量。
[0105]
作为其中一种可选的实施例，所述全局优化算法包括但不限于：遗传算法、贪心算法、退火算法、蚁群算法、粒子群算法、人工蜂群算法、人工鱼群算法、混洗蛙跳算法、烟花算法、细菌觅食优化算法、萤火虫算法；
[0106]
所述启发算法包括但不限于：牛顿法、拟牛顿法、共轭梯度法、梯度下降法。
[0107]
作为其中一种可选的实施例，示例性的，当n个母液培养基较多时，为了减少母液的使用数量，可限制使用其中m个母液培养基，其余的母液培养基使用比例为0％，限制母液使用方式包含但不限于：随机限定，指定限定，以及全组合穷举限定。随机限定，即从n个母
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器30是所述终端设备3的控制中心，利用各种接口和线路连接整个终端设备3的各个部分。
[0120]
所述存储器31可用于存储所述计算机程序和/或模块，所述处理器30通过运行或执行存储在所述存储器31内的计算机程序和/或模块，以及调用存储在存储器31内的数据，实现所述终端设备3的各种功能。所述存储器31可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器31可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0121]
其中，所述终端设备3集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器30执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0122]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0123]
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述所述的培养基混合比例优化方法。
[0124]
本领域技术人员可以理解，可以对实施例中的装置中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个装置中。可以把实施例中的模块或单元组合成一个模块或单元，以及此外可以把它们分成多个子模块或子单元。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随
的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0125]
应该注意的是，上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
[0126]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在本发明的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0127]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。