Aprendizaje automático impulsado por la optimización multiobjetivo del cultivo de Dunaliella salina para mejorar la...

Área de la Ciencia:

• Biotecnología y Bioingeniería.
• Aprendizaje automático en sistemas biológicos.
• Optimización de la cultivación de microalgas.

Sus antecedentes:

• Dunaliella salina es una microalga valiosa para la producción de biomasa y betacaroteno.
• La optimización de las condiciones de cultivo presenta una compleja compensación entre los rendimientos de diferentes productos.
• Los métodos existentes a menudo carecen de la precisión para navegar estos desafíos multi-objetivo con eficacia.

Objetivo del estudio:

• Desarrollar un marco interpretable de aprendizaje automático multiobjetivo (ML) para optimizar el cultivo de Dunaliella salina.
• Identificar estrategias de cultivo óptimas que equilibren la acumulación de biomasa y la producción de betacaroteno.
• Validar experimentalmente el rendimiento predictivo del marco ML y las estrategias de cultivo generadas.

Principales métodos:

• Desarrolló modelos de ML utilizando 1.494 puntos de datos de 637 regímenes de muestreo de hipercubo latino (LHS).
• Se evaluaron cuatro algoritmos: Bosque aleatorio (RF), aumento de gradiente extremo (XGBoost), árbol de decisión de aumento de gradiente (GBDT) y red neuronal artificial (ANN).
• Optimización multiobjetivo integrada con optimización de enjambres de partículas (PSO) y explicaciones aditivas de Shapley (SHAP) utilizadas para la importancia de las características.

Principales resultados:

• La Red Neural Artificial (ANN) y la GBDT mostraron un rendimiento superior para la predicción de un solo objetivo del peso celular seco (DCW) y el betacaroteno, respectivamente.
• El marco ANN multiobjetivo logró una alta precisión predictiva (R2 de 0.9758).
• Las estrategias validadas experimentalmente mejoraron los rendimientos de biomasa y betacaroteno en más del 63%, con errores relativos por debajo del 6,67%.

Conclusiones:

• El marco ML desarrollado proporciona un enfoque robusto y basado en datos para la optimización sostenible del bioproceso de microalgas.
• El tiempo de cultivo, la salinidad y la intensidad de la luz se identificaron como factores clave que influyen en las predicciones.
• Este trabajo establece un paradigma para la optimización inteligente en el cultivo de microalgas.