机器学习方法用于预测Halomonas elongata DSM 2581 T的关键代谢参数
Guanxue Lai1, Junxiong Yu2, Jing Wang3
1Shanghai Frontiers Science Center of Optogenetic Techniques for Cell Metabolism, School of Pharmacy, East China University of Science and Technology, Shanghai, 200237, China.
Applied microbiology and biotechnology
|July 8, 2023
概括
这项研究开发了混合模型,将发酵动力学和机器学习结合起来,以准确预测ectoine发酵参数,如Halomonas elongata中的细胞密度和葡萄糖水平. 这些模型克服了数据限制,并改善了对工业生产的实时监控.
科学领域:
- 生物技术是生物技术.
- 发酵科学是发酵的科学.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 通过Halomonas elongata发酵产生的生态素在工业上具有重要意义.
- 精确的实时监测细胞光密度,葡萄糖和ectoine度至关重要,但具有挑战性.
- 现有的方法面临着数据稀缺和适应不同物理条件的局限性.
研究的目的:
- 开发结合发酵动力学和机器学习的混合模型,用于预测关键的ectoine发酵参数.
- 为了应对传统建模方法中数据不足和特定条件限制的挑战.
- 增强实时监测和控制工业菌素发酵过程.
主要方法:
- 使用动力模型生成模拟数据.
- 用特征工程技术来减少尺寸的应用.
- 使用机器学习和动力学方法开发和比较混合模型.
- 基于相关性 (CORR) 和逐步倒退消除 (SBE) 的模型的评估具有整体方法的特征工程.
主要成果:
- 混合模型对细胞光密度 (R2:0.983),葡萄糖 (R2:0.972) 和ectoine度 (R2:0.98) 的预测准确度很高.
- 与传统方法相比,CORR-Ensemble和SBE-Ensemble模型显示出更高的性能.
- 实验验证证了开发模型的普遍性和稳定性,实现了出色的预测性能.
结论:
- 开发的混合模型有效地预测了Halomonas elongata ectoine发酵中的关键参数.
- 这些模型为数据稀缺环境和不同操作条件提供了强大的解决方案.
- 这些发现为改善实时流程控制和优化工业生殖素生产提供了基础.
