相关实验视频
Updated: Jul 11, 2026
09:30
Bacterial Detection & Identification Using Electrochemical Sensors
Published on: April 23, 2013
28.3K
基于遗传算法的半监督卷积神经网络,用于使用拉曼传感器实时监测Escherichia coli发酵的重组蛋白质生产
Yuan Liu1, Xiaotian Zhou1, Teng Wang1,2,3
1Department of Pharmaceutical Engineering, Beijing Institute of Petrochemical Technology, Beijing, China.
Biotechnology and bioengineering
|January 22, 2024
概括
本研究介绍了一种基于遗传算法的半监督卷积神经网络 (GA-SCNN),用于使用有限数据的拉曼光谱来准确预测蛋白质度. 新的框架克服了传统的局限性,使微生物种植的有效实时监测成为可能.
科学领域:
- 生物技术是生物技术.
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 拉曼光谱与回归模型相结合,可实现微生物培养中的实时检测.
- 传统模型需要大量的离线数据进行培训,这耗时且劳动密集.
- 有限的样本大小和复杂的光谱预处理对准确的模型预测构成了挑战.
研究的目的:
- 开发一个新的框架,GA-SCNN,以克服微生物培养中实时成分检测传统模型的局限性.
- 为了能够准确地预测使用拉曼光谱的蛋白质度,使用最少的离线样本数量.
- 在表达重组ProA5M蛋白的大肠杆菌中验证GA-SCNN框架.
主要方法:
- 在GA-SCNN框架内集成无监督过程光谱标签,特征提取,回归预测和转移学习.
- 使用遗传算法优化半监督卷积神经网络.
- 转移学习的应用用于使用有限的离线检测数据重新训练模型.
主要成果:
- 该GA-SCNN框架准确地预测蛋白质度,即使在非常有限的线下样本.
- 关键成分 (葡萄糖,乳酸盐,离子,OD600) 的数据集大小从52个样本扩大到1302个样本.
- 在没有复杂的光谱预处理的情况下,GA-SCNN框架表现出强度,高精度和良好的适应性,预测与离线测量高度一致.
结论:
- GA-SCNN框架为微生物培养过程的实时监测提供了显著的进步.
- 这种方法克服了对大数据集和复杂预处理的需求,使其适合有限样本场景.
- 该研究为开发相关模型提供了新的方向,特别是通过转移学习来检测标蛋白质.
