在微生物发酵中进行多分析仪监测的NIR光谱-CNN支持的化学测量

科学领域:

• 生物技术是生物技术.
• 分析化学 分析化学
• 化学测量 化学测量 化学测量

背景情况:

• 生物制药行业向工业4.0的转变需要快速,强大的分析特征.
• 近红外 (NIR) 光谱技术提供实时定量分析,但难以检测多种低度分析物.
• 目前的方法需要分析物特定的校准,限制了效率.

研究的目的:

• 开发一种自动化的多变量光谱处理方法,用于同时进行多分析物的量化.
• 引入基于初始模块的2D卷积神经网络 (I-CNN) 进行增强的NIR光谱数据分析.
• 为了验证I-CNN模型在复杂的生物过程环境中的性能.

主要方法:

• 使用基于初始模块的2D CNN (I-CNN) 进行NIR光谱数据处理.
• 集成直角部分最小平方 (PLS) 预处理将光谱数据转换为2D矩阵.
• 在大肠杆菌发酵中开发了23种分析物的校准模型.

主要成果:

• I-CNN模型实现了高预测准确性,平均R2为0.90,外部验证R2为0.86.
• 与传统的PLS模型相比,预测的根平均平方误差 (RMSEP) 显著降低,约为0.52.
• 通过实时流程监控和与离线分析进行比较,成功评估了模型可靠性.

结论:

• 拟议的I-CNN方法提供了一种系统和新的方法,用于在多分析生物工艺中提取光谱特征.
• 与传统的回归模型相比,I-CNN为快速量化多种分析物提供了更高的性能.
• I-CNN方法可以适应其他复杂的细胞培养系统,需要实时光谱分析.