試驗設計
在工業化發酵生產中，發酵培養基的設計是十分重要的，因為培養基的成分對產物濃度、菌體生長都有重要的影響。實驗設計方法發展至今可供人們根據實驗需要來選擇的餘地也很大。
單因素法
單因素方法（One at a time）的基本原理是保持培養基中其他所有組分的濃度不變，每次只研究一個組分的不同水平對發酵性能的影響。這種策略的優點是簡單、容易，結果很明了，培養基組分的個體效應從圖表上很明顯地看出來，而不需要統計分析。這種策略的主要缺點是：忽略了組分間的互動作用，可能會完全丟失最適宜的條件；不能考察因素的主次關係；當考察的實驗因素較多時，需要大量的實驗和較長的實驗周期。但由於它的容易和方便，單因素方法一直以來都是培養基組分最佳化的最流行的選擇之一。
正交實驗設計
正交設計（Orthogonal design）就是從“均勻分散、整齊可比”的角度出發，是以拉丁方理論和群論為基礎，用正交表來安排少量的試驗，從多個因素中分析出哪些是主要的，哪些是次要的，以及它們對實驗的影響規律，從而找出較優的工藝條件。石炳興等利用正交實驗設計最佳化了新型抗生素AGPM 的發酵培養基，結果在最佳化後的培養基上單位發酵液的活性比初始培養基提高了18.9倍。正交實驗不能在給出的整個區域上找到因素和回響值之間的一個明確的函式表達式即回歸方程，從而無法找到整個區域上因素的最佳組合和回響值的最優值。而且對於多因素多水平試驗，仍需要做大量的試驗，實施起來比較困難。
均勻設計
均勻設計 (Uniform design)是我國數學家方開泰等獨創的將數論與多元統計相結合而建立起來的一種試驗方法。這一成果已在我國許多行業中取得了重大成果。均勻設計最適合於多因素多水平試驗，可使試驗處理數目減小到最小程度，僅等於因素水平個數。雖然均勻設計節省了大量的試驗處理，但仍能反映事物變化的主要規律。
全因子實驗設計
在全因子設計(Full factorial design)中各因素的不同水平間的各種組合都將被實驗。全因子的全面性導致需要大量的試驗次數。一般利用全因子設計對培養基進行最佳化實驗都為兩水平，是能反映因素間互動作用（排斥或協同效應）的最小設計。全因子試驗次數的簡單算法為（以兩因素為例）：兩因素設計表示為 a ×b，第一個因素研究為a個水平，第二個因素為b個水平。Thiel等試驗了兩個因素：7個菌株在8種培養基上，利用7 ×8（56個不同重複）。Prapulla等試驗了三個因素：碳源（糖蜜4%，6%，8%，10%，12%），氮源（NH4NO3 0g/L、0.13g/L、0.26g/L、0.39g/L、0.52g/L、）和接種量（10%、20%），利用5 × 5 × 2設計（50個不同重複）。
部分因子設計
當全因子設計(fractional factorial design)所需試驗次數實際不可行時部分重複因子設計是一個很好的選擇。在培養基最佳化中經常利用二水平部分因子設計，但也有特殊情況，如Silveira 等試驗了11種培養基成分，每成分三水平，僅做了27組實驗，只是311全因子設計177147組當中的很小一部分。兩水平部分因子設計表示為：2n–k，n是因子數目，1/2k 是實施全因子設計的分數。這些符號告訴你需要多少次試驗。雖然通常部分因子設計沒有提供因素的互動作用，但它的效果比單因素試驗更好。
Plackett-Burman設計
由Plackett 和Burman （Plackett-Burman design）提出，這類設計是兩水平部分因子試驗，適用於從眾多的考察因素中快速、有效的篩選出最為重要的幾個因素，供進一步詳細研究用。理論上講PB試驗應該套用在因子存在累加效應，沒有互動作用—因子的效應可以被其他因子所提高或削弱的試驗上。實際上，倘若因子水平選擇恰當，設計可以得到有用的結果。Castro等利用PB試驗對培養基中的20種組分僅進行了24次試驗，使γ-干擾素的產量提高了近45%。
中心組合設計
中心組合設計（Central composite design）有Box和Wilson提出，是回響曲面中最常用的二階設計，它由三部分組成：立方體點、中心點和星點。它可以被看成是五水平部分因子試驗，中心組合設計的試驗次數隨著因子數的增加而呈指數增加。
Box–Behnken設計
由Box和Behnken（Central composite design）提出。當因素較多時，作為三水平部分因子設計的 Box–Behnken設計是相對於中心組合設計的較優選擇。和中心組合設計一樣， Box–Behnken設計也是二水平因子設計產生的。
技術實驗統計
目前，對培養基最佳化實驗進行數學統計的方法很多，下面介紹幾種目前套用較多的最佳化方法
回響曲面分析法
Box和Wilson提出了利用因子設計來最佳化微生物產物生產過程的全面方法，Box-Wilson方法即現在的回響曲面法（(Response Surface Methodolog，簡稱RSM）。RSM是一種有效的統計技術，它是利用實驗數據，通過建立數學模型來解決受多種因素影響的最優組合問題。通過對RSM的研究表明，研究工作者和產品生產者可以在更廣泛的範圍內考慮因素的組合，以及對回響值的預測，而均比一次次的單因素分析方法更有效。現在利用SAS軟體可以很輕鬆地進行回響面分析。
改進單純形最佳化法
單純形最佳化法(Modified simplex method)是近年來套用較多的一種多因素最佳化方法。它是一種動態調優的方法，不受因素數的限制。由於單純形法必須要先確定考察的因素，而且要等一個配方實驗完後才能根據計算的結果進行下一次實驗，因此主要適用於實驗周期較短的細菌或重組工程發酵培養基的最佳化，以及不能大量實施的發酵罐培養條件的最佳化。
遺傳算法
Genetic algorithm法是一種基於自然群體遺傳演化機制的高效探索算法，它是美國學者Holland於1975年首先提出來的。它摒棄了傳統的搜尋方式，模擬自然界生物進化過程，採用人工進化的方式對目標空間進行隨機化搜尋。它將問題域中的可能解看作是群體的一個個體或染色體，並將每一個體編碼成符號串形式，模擬達爾文的遺傳選擇和自然淘汰的生物進化過程，對群體反覆進行基於遺傳學的操作(遺傳，交叉和變異)，根據預定的目標適應度函式對每個個體進行評價，依據適者生存，優勝劣汰的進化規則，不斷得到更優的群體，同時以全局並行搜尋方式來搜尋最佳化群體中的最優個體，求得滿足要求的最優解。
