评估分类工具,用于预测从有机碳来源的体外微生物酸盐产量

科学领域:

• 生物技术是生物技术.
• 微生物发酵 微生物发酵
• 数据科学数据科学数据科学

背景情况:

• 传统的统计方法,如回归分析和响应表面方法 (RSM) 设计 (例如,Box-Behnken,中央复合材料) 用于优化实验室规模的微生物发酵.
• 然而,这些设计可能缺乏灵活性来推断有关类变量的参数属性.
• 机器学习 (ML) 算法为复杂的数据集提供独特的可视化功能和先进的学习算法.

研究的目的:

• 为了调查使用有机来源进行体外pyruvate生产的数据采矿的准确性.
• 在发酵过程数据上评估和比较各种分类算法的性能.
• 确定最准确的分类器来预测生产类别,并评估模型的合适性.

主要方法:

• 从使用有机来源进行的 in-vitro pyruvate 生产实验开发数据集.
• 在生成的数据集上对各种ML算法的比较分类分析.
• 选择基于准确性的最佳分类器,重点是多层感知器 (神经网络算法).
• 评估所选模型的预测性能和学习曲线.

主要成果:

• 多层感知子模型在预测生产级别方面表现出显著的准确性.
• 开发的模型显示,它与数据集相适应.
• 学习曲线表明数据集是收和线性可分离的,这表明有效的模型训练.

结论:

• 机器学习,特别是多层感知子,为微生物发酵优化中的数据挖掘提供了强大的方法.
• 精确预测酸盐生产类是可以实现的,提供了对过程参数关系的见解.
• 这项研究强调了ML在提高生物过程的效率和理解方面的潜力.