开发高维机器学习模型,以提高概括能力,克服混合糖发酵模拟数据不足的问题.
Xiao-Yan Huang1, Tian-Jie Ao1, Xue Zhang1
1State Key Laboratory of Microbial Metabolism, Joint International Research Laboratory of Metabolic & Developmental Sciences, School of Life Sciences and Biotechnology, Shanghai Jiao Tong University, Shanghai 200240, China.
Bioresource technology
|June 23, 2023
概括
精确的机器学习模型可以促进生物炼油厂的发展. 这项研究提高了混合糖发酵模拟的模型概括性和数据效率,提高了预测准确性和减少了数据需求.
科学领域:
- 生物技术是生物技术.
- 机器学习 机器学习
- 生物炼油工艺 生物炼油工艺
背景情况:
- 准确的机器学习模型对于提高生物炼油效率至关重要.
- 模拟混合糖发酵由于数据限制和模型概括而带来挑战.
研究的目的:
- 制定一种提高机器学习模型通用化和克服混合糖发酵模拟数据不足的策略.
- 提高人工神经网络 (ANN) 模型在生物炼油环境中的准确性和适用性.
主要方法:
- 利用多个输入单个输出 (MISO) 和多个输入多个输出 (MIMO) 模型进行发酵模拟.
- 通过整合来自多个酵母菌株的数据,开发了一个共识酵母 (CY) 模型.
- 调整了预训练的CY模型,以评估使用缩小数据集的性能.
主要成果:
- 与只有时间输入相比,使用组合初始葡萄糖,西洛斯和时间输入的MISO模型显示出更高的概括性.
- MIMO模型实现了高精度,平均R2为0.99.
- CY模型实现了0.90的R2,调整后的模型保持了高精度 (酵母R2为0.95,细菌R0.93) 的数据少了50%以上.
结论:
- 拟议的战略显著提高了模型的概括性,并解决了发酵模拟中的数据稀缺问题.
- 这种方法扩大了ANN模型在生物炼油厂中的适用性,并降低了数据策划成本.


