贝叶斯优化为何比DOE更高效？
2021年，普林斯顿大学Doyle课题组邀请50位化学专家与贝叶斯优化算法对决：他们选取了一个钯催化的咪唑直接芳基化反应，从中划出一个包含12种配体、4种碱、4种溶剂、3个反应温度和3个浓度的反应空间——共计1728种可能的组合，专家们仅在前3天领先，随后算法反超并最终稳定达到99%以上收率，而不少专家认为反应无法优化至99%就提前放弃。
一、贝叶斯优化原理及使用场景
1. 贝叶斯优化原理
贝叶斯优化的核心思路是：用一个数学模型替代真实的实验过程，再用这个模型去预测哪里最值得做下一次实验。
具体来说，它分三步循环运行：
第一步，用已知数据训练模型。将已经完成的实验结果输入一个概率模型（通常是高斯过程模型）。该模型不仅能预测未做实验区域的大致结果，还能告知每个预测有多大把握。
第二步，让采集函数决定下一个实验点。这是决策中枢。它自动权衡两个方向：是在预测值已很高的区域继续深耕，还是在模型“完全没把握”的区域探索可能更好的结果。采集函数完成权衡后，输出最值得做的下一轮实验条件。
第三步，执行实验并反馈。按推荐条件做实验，获得真实结果，将新数据再喂给模型。模型更新认知后，采集函数再次推荐下一个实验点。如此循环，每一步都基于全部历史信息做决策。
这种“边实验、边学习、边调整”的方式，让每轮实验都指向当前最不确定或最有希望的区域，从而用更少实验次数逼近最优解。
贝叶斯优化使用场景
贝叶斯优化特别适用于以下典型场景：
- 批量实验，单次实验成本高昂，无法承受大量试错；
- 辅料种类多、用量范围宽时，因子间存在非线性关系，响应面形状复杂，难以靠经验判断；
- 需要同时兼顾多个响应指标，且指标之间存在冲突或约束。
在药物研发领域，处方筛选、工艺参数优化、制剂稳定性研究、配方研究等均属于上述场景的典型代表。
二、贝叶斯优化比DOE更高效
1. DOE的局限与贝叶斯优化的优势
在贝叶斯优化出现之前，研发人员普遍使用实验设计方法（DOE，Design of Experiments）来规划实验。DOE的做法是实验前一次性确定所有实验点的位置和数量，全部执行完毕再分析结果。其效率瓶颈在于设计矩阵固定，前期实验结果无法影响后续选择，相当一部分实验资源被浪费在贡献有限的区域。
贝叶斯优化的优势在于每轮实验都基于此前所有信息做决策。当某区域表现不佳，模型迅速转移搜索方向；当某因子影响微弱，优化路径自然收缩到关键变量上。这种自适应能力使其能用更少实验逼近全局最优，在变量多、交互复杂的场景中效率优势尤为显著。
2. 文献论证
文献一：Application of Bayesian Optimization for Pharmaceutical Product Development
Sano等（2020）在真实制剂开发场景下，将贝叶斯优化与经典DOE进行头对头对比。结果显示：DOE需要约25次实验确定最优处方与工艺，贝叶斯优化仅用10次即达到同等水平，实验次数减少约60%。研究者指出，该方法还能降低对研发人员个人经验的依赖，加速处方筛选进程。
文献二：Bayesian Optimization for Efficient Multiobjective Formulation Development of Biologics
de Groot等（2025）针对生物药制剂开发中多目标优化这一核心难题展开研究。在单抗制剂处方开发中，热稳定性、胶体稳定性与界面稳定性往往受不同辅料和pH条件影响，且影响方向经常相反——提升一个指标可能同时损害另一个。传统DOE的固定设计框架难以有效应对这种多变量、强冲突的搜索空间。研究者将贝叶斯优化与高通量筛选相结合，仅用33次实验就在复杂的辅料配方空间中同时定位了三个目标的优化区域，并定量分析了各辅料对每种稳定性的独立贡献。该工作为生物药制剂开发中普遍存在的多属性冲突问题提供了一套可复用的高效解决范式。
三、传统的贝叶斯优化使用门槛高
尽管贝叶斯优化在理论和文献层面展现出显著优势，其落地应用却面临较高的操作门槛：
- 编程与数学基础要求高：需要理解高斯过程、核函数、采集函数等概念，并具备Python或R语言的编程能力；
- 流程搭建复杂：代理模型构建、超参数调优、实验推荐与数据回传需要自行串联，各环节衔接容易出错；
- 领域知识与算法经验的依赖：搜索空间定义、采集函数选择、收敛判断等环节仍需具备优化经验的专家介入。
这些门槛使得贝叶斯优化长期停留在学术研究和算法工程师的小范围应用中，难以进入常规实验室，尤其制约了中小研发团队的实际使用。
四、鹰谷贝叶斯优化智能体能降低使用门槛，让普通人用出专家水平
在鹰谷电子实验记录本的InTable模块，选中您的实验数据，右键选择“贝叶斯优化”，进入InAI智能问答页面。
直接告诉InAI您的目标，如：“请推荐5组实验优化方案，用来提高收率”。InAI会引导你确认信息，自动调用贝叶斯优化算法；几秒内，InAI就会精准为您推荐5组实验参数，还会贴心地给出下一步实验建议。
无需编写代码，也无需理解高斯过程或采集函数的数学细节。整个优化循环在智能体内闭环运行，实验人员仅负责执行推荐条件和反馈结果。
这意味着，即使不具备AI背景的制剂研发人员或工艺工程师，也能在日常工作中稳定获得专家级的优化效果。贝叶斯优化由此从一个高门槛的算法工具，转变为实验室中可随手调用的标准化能力。
参考资料：
[1] Shields, B.J., Stevens, J., Li, J., Parasram, M., Damani, F., Alvarado, J.I.M., Janey, J.M., Adams, R.P. and Doyle, A.G. (2021). Bayesian reaction optimization as a tool for chemical synthesis. Nature, 590(7844), 89–96.
https://preview-www.nature.com/articles/s41586-021-03213-y
[2] Sano, S., Kadowaki, T., Tsuda, K. et al. Application of Bayesian Optimization for Pharmaceutical Product Development. J Pharm Innov 15, 333–343 (2020).
https://link.springer.com/article/10.1007/s12247-019-09382-8
[3] de Groot, T.W. et al. Bayesian Optimization for Efficient Multiobjective Formulation Development of Biologics. Mol. Pharmaceutics 22(11), 6636–6645 (2025).
https://doi.org/10.1021/acs.molpharmaceut.5c00591