一、算法应用背景
Bioscreen高通量微孔生长监测过程中，常会出现气泡、结晶、菌体贴壁、光路瞬时扰动、样品漏加、污染孔、孔壁冷凝水等异常信号，产生偏离真实生长规律的OD时序曲线。人工筛选效率低、主观性强；异常孔自动识别算法依托时序动力学特征、统计学阈值、形态学判据，实现批量自动甄别可疑微孔时序数据，用于预处理后开展生长模型拟合、MIC统计分析。该算法一般在CSV导出后，借助Python/R/Origin脚本运行，仪器原生软件仅提供基础可视化标记，不具备完整自动剔除功能。
二、核心多层判别原理（分级逻辑）
第一层：基础值域阈值筛选（粗筛）
上限阈值：识别OD突变饱和、异常尖峰（气泡瞬间遮挡光路）；下限阈值：识别漏加培养液、未接种、样品挥发干涸，长时间维持极低浊度；时序漂移阈值：无菌空白孔持续单向上升，判定为结晶析出干扰孔。
原理：将每一条曲线所有时间点OD限定在合理数值区间，超出全局阈值初步标记为可疑样本。
第二层：时序曲线形态特征判别（动力学规则筛选，核心模块）
正常生长曲线具备连续平滑特征，遵循S型生长趋势；算法提取曲线形态指标进行判定：
一阶导数（生长速率）：真实生长速率平缓变化；异常孔出现无规律剧烈震荡、瞬时突增突降；连续性判据：相邻采样点OD差值超过设定标准差阈值，标记为突变点；大量连续突变点则判定整孔失效；单调性约束：结晶沉淀孔表现为持续缓慢单向漂移，无指数生长拐点，与标准微生物生长轮廓做相似度匹配。
第三层：组内统计学一致性校验（平行样本校验）
同一处理组设置生物学/技术平行孔。
算法计算组内多条曲线距离（欧氏距离、动态时间规整DTW）：
单条曲线与本组多条平行曲线偏差显著高于预设阈值，则判定为离群异常孔。
优势：剔除组内个别受气泡、污染干扰的异常重复，保留一致性良好的有效曲线。
第四层：人工二次复核关口（算法通用强制约束）
算法仅做标记预警，不直接无条件永久删除数据。
原因：少数特殊菌株（自聚集、缓慢适应菌株）天然曲线形态特殊，算法易产生假阳性误判；所有算法标记的可疑孔必须结合曲线图谱人工确认后，再决定剔除或保留，符合学术数据溯源规范。
三、典型能够被算法识别的异常孔类型
瞬时气泡干扰：时序出现孤立尖锐OD脉冲峰；培养基结晶析出：无菌条件下OD缓慢持续抬升，无S型生长特征；漏加菌种/漏加培养基：全程OD贴近基线；外源杂菌污染：曲线随机异常爆发，和同组平行样本差异巨大；孔壁大量菌体贴壁：曲线波动紊乱，重复性显著变差；设备瞬时光路故障：一段时序数据连续跳变。
四、SCI论文方法段落（可直接复制）
微生物时序OD原始数据导出为CSV文件，采用多层异常识别算法开展数据质控：结合OD值域阈值、时序连续特征、组内平行样本统计学距离甄别异常微孔。算法仅完成可疑样本标记，所有标记样本辅以可视化人工复核，剔除气泡、结晶、光路扰动造成的异常曲线；使用筛选后的有效时序数据开展生长动力学非线性拟合。
五、高频实操与审稿答疑
问题1：算法能不能完全替代人工筛选？
不能。算法依靠预设规则，对于生长特征独特的菌株易发生误判。自动化识别属于辅助质控手段，学术研究必须保留人工复核步骤，所有剔除样本需要留存原始曲线记录备查。
问题2：平行样本数量太少，统计学校验还能用吗？
每组仅有2～3个平行时，组内DTW距离判别可靠性下降；建议降低统计学权重，重点依靠曲线形态与值域阈值进行判断。
问题3：剔除异常孔需要在论文如何描述？
写明异常识别筛选标准、判定阈值、剔除数量，同时提供原始数据与筛选后数据集，保证审稿人可重复验证；禁止不说明理由直接删除数据。
六、实操避坑要点
算法阈值不要一刀切；不同培养基、菌株、OD量程需要单独校准阈值；优先保存完整原始CSV，剔除操作只作用于副本数据，严禁直接修改原始采集文件；区分“单点异常值”和“整孔失效”：少量孤立尖峰可采用插值平滑；整条曲线持续失真再剔除整个微孔；记录全部算法参数、阈值，形成标准化SOP，保障实验可重复性。
七、总结
异常孔自动识别算法采用四层分级逻辑：值域阈值粗筛→时序动力学形态特征识别→平行样本统计学离群检验→人工复核；通过识别突变尖峰、异常漂移、组内曲线偏离标记受气泡、结晶、光路扰动干扰的微孔，实现批量自动化数据预处理；算法仅作为辅助工具，不可脱离人工审核直接剔除数据，保障生长动力学分析客观可信。