通过深度学习辅助的介质设计和随后的养策略来培养高细胞密度的Corynebacterium glutamicum

科学领域:

• 生物技术是生物技术.
• 微生物生理学 微生物生理学
• 代谢工程是代谢工程.

背景情况:

• 优化微生物生长对于工业生物技术至关重要.
• 科里尼细菌 (Corynebacterium glutamicum) 是一个重要的工业微生物.
• 提高细胞生产率需要精确控制介质成分.

研究的目的:

• 为了提高Corynebacterium glutamicum的初始特定生长率.
• 使用人工智能开发一个优化的媒介组成.
• 为了提高整个细胞生产率和发酵过程中的产量.

主要方法:

• 利用深度神经网络 (DNN) 模型与贝叶斯优化 (BO) 和基因算法 (GA) 集成用于媒介设计.
• 使用直角数组的实验设计来生成训练数据.
• 进行批量和养批量种植,以验证模型预测.

主要成果:

• 在预测增长率方面,DNN模型实现了高准确度 (R2test ≥ 0.98).
• 通过DNN-BO和DNN-GA识别的优化媒体组件,将特定增长率从0.242/h提高到0.355/h.
• 在优化葡萄糖和养的食批量培养中,细胞产量达到80g/L.

结论:

• 人工智能驱动的媒介优化显著提高了Corynebacterium glutamicum的生长.
• 和葡萄糖被确定为高密度种植的关键限制营养素.
• 开发的方法为微生物菌株和工艺开发提供了强大的工具.