基于四个光区域的人工神经网络预测和优化,用于来自Synechocystis sp.的光利用. 在PCC 6803中
1State Key Laboratory of Bioreactor Engineering, East China University of Science and Technology, Shanghai 200237, PR China.
Bioresource technology
|December 10, 2023
概括
本研究介绍了微藻生长的四个光区域 (FLR),提高了对传统光暗模型的准确性. 使用FLR的人工神经网络 (ANN) 模型实现了97%的准确性,增强了微藻种植的洞察力.
科学领域:
- * 生物技术和光生物学
- * 微藻培养和生理学
背景情况:
- * 微藻的生长基本上取决于光线的可用性.
- *传统的模型将增长划分为明亮和黑暗区域,对于精确的增长预测有固有的局限性.
- *了解细微的光反应对于优化光生物反应器效率至关重要.
研究的目的:
- * 为了研究 Synechocystis sp. 的光反应. 这是PCC 6803.
- *为微藻生长建模定义和利用四个光区域 (FLR).
- *使用人工神经网络 (ANN) 开发更准确的生长模型.
主要方法:
- *使用MATLAB对光生物反应器中细胞停留时间和通过FLR的数量进行量化.
- *开发一个整合FLR数据的人工神经网络 (ANN) 模型.
- *通过动态光强度调整实验验验证ANN模型.
主要成果:
- * 纳入FLR的ANN模型实现了0.97.2的验证R.
- *与基于简单的光暗区域的模型相比,这代表了准确度的提高76.36%.
- *动态光强度实验证实了基于FLR的ANN模型的高预测能力.
结论:
- *四个光区域 (FLRs) 框架提供了更准确的微藻对光反应的表示.
- *基于FLR的ANN建模显著提高了光生物反应器中微藻生长预测的精度.
- * 本研究强调了详细的光区域分析对于推进微藻种植技术的重要性.
