摘要
目的：归纳总结生长曲线法在药品微生物快速检测体系中的应用现状与发展潜力。
方法：对生长曲线法的相关文献进行汇总、整理和分析，重点阐述了生长曲线法的基本原理、6种数学拟合模型、应用案例和发展前景。
结果：生长曲线法可基于不同原理（如光密度、电导率、荧光标记）表征性参数的变化，结合数学模型拟合分析，高通量、动态、快速、便捷地量化微生物的生长行为。该方法能够克服传统药品微生物检测体系具有的培养周期长、操作繁琐、人工成本高、主观误差等局限性。
结论：生长曲线法为药品微生物检测提供了一种高效、便捷、快速、自动化的检测新策略，未来结合人工智能与多组学等技术，有望推动药品微生物质量管理体系的数字化智能化升级，助力药品微生物领域高质量发展。
药品微生物检测是药品质量控制的关键一环，从药品研发到市场流通贯穿药品全生命周期。药品微生物检测结果关乎患者的生命安全、药品疗效以及企业的合规运营。通过药品微生物检验检测，能够评估药品生产工艺的合规性，针对潜在风险积极应对。近年来，随着细胞疗法、基因药物等受微生物污染风险高的新型治疗产品的不断涌现和发展，药品微生物快速检测的重要性也愈发凸显。
《中华人民共和国药典》2020年版微生物检测体系涵盖了无菌检查法、非无菌产品微生物限度检查、抑菌效力检查法等相关内容，中美欧药典目前的药品微生物法定检验均基于培养基培养生长，肉眼计数，整体试验周期为5~14天，存在检测周期长、操作繁琐、人工成本高、主观误差等问题。生长曲线法是通过实时监测微生物生长过程中的参数[如光密度（OpticalDensity,OD）、电导率或荧光强度]变化，结合数学拟合模型以评估微生物的生长状态，具有自动化、快速、灵敏、高通量等显著优势。本文从生长曲线法的基本原理、数学拟合模型、应用案例和发展前景展开讨论，以期为药品微生物检测体系提供一种更高效、便捷、快速、自动化检测的新思路，推动药品微生物质量管理体系数字化升级，助力药品微生物领域高质量发展。
1、生长曲线法的基本原理
生长曲线法最早源于巴斯德揭示酵母菌的生长规律，定义了微生物生长的几个阶段。而后，JacquesMonod提出的莫诺方程首次在营养限制条件下将微生物的比生长速率与底物浓度两者建立数学关联，是微生物生长动力学定量研究的起点。Monod团队通过精准控制微生物培养环境，使其可稳态生长。微生物的生长曲线分为几个阶段，多呈“S”型曲线，反映了微生物生理状态，典型的微生物生长曲线分为延滞期、对数期、稳定期和衰亡期共4个阶段（见表1）。
表1微生物生长曲线的4个阶段
4个阶段|动态特征
延滞期|微生物适应环境并进行代谢活化，表现为分裂延迟但胞内RNA与酶合成活跃
对数期|细胞以最大生长速率(μmax)呈指数增殖，代谢活性达峰值
稳定期|受营养限制或毒性代谢物积累，增殖与凋亡速率动态平衡，活菌数趋于稳定
衰亡期|凋亡主导且胞内自溶酶激活，活菌数呈对数下降
传统的生长曲线法是在特定的时间以肉眼所计微生物菌落形成单位（Colony-FormingUnit,CFU）的数量随时间的变化曲线。研究表明，OD值与微生物数量之间存在正相关，其原理是单细胞生物在悬浮培养中的生长可以用浊度或光散射来监测。随着细胞数量的增加，溶液变得越来越浑浊，因此通过溶液的光散射增加，到达探测器的总光束的百分比减少，并记录为OD，基于OD的生长曲线法可实现微生物数量的实时、动态、无损监测。
近年来，生长曲线法的技术不断革新，基于不同原理（如OD、电导率、荧光标记）的生长曲线，结合动力学模型拟合以量化生长特征参数[如最大生长速率(μmax)、延滞期时长(λ)、最大生物量(Nmax)]，可用于预测微生物种群动态及评估抗菌物质效能。由于OD、电导率、荧光标记3种生长曲线法的原理、特点和适用场景（见表2）各有不同，要综合考虑检测目标（如总生物量）、样本特性（如透明度、复杂度）、成本、应用场景等因素选择适宜的方法。其中电导率法、荧光法是近几年新兴的技术，可应用于复杂样本（如浑浊、有色、复杂基质），但与OD法相比还需进一步研究与完善。基于OD的生长曲线法具有分辨率高、操作简单、通量高、成本低等优势，已成为生长曲线法的主流技术，通过离散时间点测定的OD值与数学模型拟合生长曲线，已应用于材料、食品等领域。
表2 3种生长曲线法的原理、特点和适用场景
| 方法 | 原理 | 适用样本 | 优缺点 | 典型应用 |
|---|---|---|---|---|
| OD法 | 测量微生物悬液对特定波长光的吸收和散射来量化生物量 | 透明液体培养基 |
优点：操作简便、成本低、高通量 缺点：无法区分活菌与死菌 |
常规生长监测、最低抑菌浓度(Minimum Inhibitory Concentration, MIC)测定 |
| 电导率法 | 微生物代谢过程中分解培养基中的有机物（如糖类、蛋白质），释放带电离子（如H+、K+、Na+），测量培养液电导率变化以量化生物量 | 浑浊/有色液体 |
优点：适用于浑浊或有色样品（如血液制品、中药提取液）；无需取样，实时监测 缺点：受培养基初始离子浓度影响，需背景校准 |
食品发酵监测、厌氧菌分析 |
| 荧光法 | 荧光染料或基因工程标记荧光蛋白特异性标记微生物细胞，利用荧光强度变化反映活菌数量或代谢活性 | 复杂基质/基因工程菌 |
优点：可区分活、死细胞；灵敏度高 缺点：标记复杂，需专用设备；成本高 |
活菌计数、基因表达追踪 |
2、生长曲线的拟合模型
生长曲线结合特定数学方程拟合模型，将复杂的微生物学表观现象转化为可量化的数学参数，为药品微生物检测体系的质量控制、工艺优化和风险评估提供数据支撑。生长曲线常见拟合模型有6种，分别为Logistic模型、Gompertz模型、VonBertalanffy模型、Baranyi模型、三段线性模型（微生物领域的Buchanan模型）、Richards模型（广义Logistic模型），不同模型拟合数学方程、参数均不相同，各有优劣，具有不同的适应场景（见表3）。
表3常见的拟合模型及适用场景
| 模型 | 数学方程 | 参数说明 | 优缺点 | 适用场景 |
|---|---|---|---|---|
| Logistic模型 | $$N=\frac{K}{1+a e^{-r t}}$$ |
t:时间 N:t时刻种群数量 r:增长率 K:环境容纳量 a:常数 |
优点：能清晰反映资源限制对生长的抑制作用 缺点：无法描述延滞期，对非对称生长曲线拟合效果差 |
微生物或动植物在资源受限条件下的对称S型生长 |
| Gompertz模型 | $$ N_t=A+C*\exp\left\{-\exp\left[-B*\left(t-t_1\right)\right]\right\}$$ |
t:时间 Nt:t时间时微生物浓度 t1:达到最大生长速率所需要的时间 A:初始浓度 B:最大生长速率 C:最终浓度 |
优点：能准确描述延滞期和对数生长期的动态变化 缺点：对稳定期和衰亡期的描述不够精确 |
微生物防腐效能测试（如药品、化妆品）、动植物非对称生长分析 |
| Von Bertalanffy模型 | $$W_t=W_{\infty}*\left[1-e^{-k\left(t-t_0\right)}\right]^b$$ |
t:年龄 Lt: t年龄时的体长 Wt: t年龄时的体质量 L∞/ W∞:年龄无限大时，渐进体长/体质量 k:生长系数 b:自由参数，常为 2/3 t0:理论生长起始时间 |
优点：可描述拐点较晚的生长曲线 缺点：对快速生长期拟合效果差 |
动物的生长预测 |
| Baranyi模型 | $$\ln\left(1+\frac{e^{r_{\max}*\ln(10)* A(t)}-1}{10^{\left(x_{\max}-x_0\right)}}\right)$$ |
t:时间 A(t):调整函数，t时微生物的浓度 x0:微生物初始浓度 xmax:微生物最大浓度 rmax:最大比生长速率 |
优点：拟合精度高，适用于复杂试验条件 缺点：参数估计复杂，需依赖专业软件 |
动态环境下的微生物生长模拟（如温度波动下的药品微生物研究） |
| 三段线性模型 | $$P(t)=P_0$$ $$P(t)=P_0+μ(t-t_{\text{lag}})$$ $$P(t)=P_{\max}$$ |
t:时间 P(t):时间t时菌浓度的对数值 P0:初始浓度 Pmax:最大承载浓度的对数值 tlag:适应阶段结束的时间 tmax:达到最大浓度时的时间 μ:培养物的比生长速率 |
优点：模型简单，直观描述生长阶段 缺点：忽略曲线过渡区，精度较低 |
快速评估防腐剂效果或灭菌工艺验证 |
| Richards模型（广义Logistic模型） | $$W_t=W^{\infty}\left[1-(-m)\exp\left[-k\left(t-T^{*}\right)/ m^{m/(1-m)}\right]\right]^{1/(1-m)}$$ |
t:时间 Wt:时间为t时的体质量 W∞:生长的渐进权重 k:单位时间最大生长速率 T*:单位时间最大生长率 m:时间T*时的相对权重 |
优点：通过参数调节对称性，适用性更广 缺点：参数过多，可能导致过拟合 |
需灵活调整曲线形状的复杂生长过程（如肿瘤细胞增殖） |
相关新闻推荐
1、嗜碱盐单胞菌菌株生理生化与生长特性、最优发酵条件——摘要、材料与方法
3、长期使用氯己定CHX预防龋齿，会导致变形链球菌产生耐药性吗