在微生物的发酵技术研究中，高效的发酵条件优化方法是近年来的研究热点和难点。目前，应用得较多的方法是正交试验设计法和响应面设计法，但它们需要较多的试验次数，效率较低，因此，不能广泛应用于工业发酵条件的优化上。如何减少发酵条件优化所需的实验次数，提高优化效率，成为优化方法发展的关键。在此基础上，方开泰教授提出了均匀设计方法，能显著减少试验次数，但是相应的优化精度下降。
中国科学院成都生物研究所谭红课题组，将计算机人工智能技术与统计学方法相结合，提出了基于均匀设计的人工神经网络优化方法，并成功应用于伊枯草菌素A的发酵条件优化，伊枯草菌素A的产量提高34.6%。研究表明，与均匀设计方法相比，在对发酵条件的优化上，人工神经网络能够建立更加精确的模型，并且具有更佳的拟合能力、预测能力和泛化能力。同时，当神经网络与遗传算法连用时，神经网络方法同样能高效地进行因素的敏感性分析，但是却比均匀设计方法具有更好的优化精度。
该研究提出的基于均匀设计的神经网络方法，具有较少的试验次数需求和更高的优化精度，能极大地降低发酵优化研究成本，提高效率。这是首次将该方法应用于微生物发酵条件优化研究。
该研究受国家支撑项目资助。