使用机器学习和因果推断来预测光合作用细菌从废水中获得的蛋白质合成

科学领域:

• 生物技术是生物技术.
• 环境科学 环境科学
• 机器学习 机器学习

背景情况:

• 光合作用细菌 (PSB) 对可持续的蛋白质生产至关重要.
• 优化PSB蛋白质产量需要了解复杂的影响因素.
• 预测建模可以提高PSB种植的效率.

研究的目的:

• 用因果推理辅助机器学习预测光合作用细菌 (PSB) 蛋白质生产能力.
• 确定驱动PSB蛋白质生产的关键环境和运营因素.
• 为优化PSB种植提供洞察力,以获得蛋白质和资源回收.

主要方法:

• 使用极端梯度提升和梯度提升决策树算法进行预测.
• 利用因果推断来识别关键驱动因素及其最佳范围.
• 使用二维部分依赖图分析了因子之间的相互作用.

主要成果:

• 准确预测蛋白质含量,生产,生产力和能量产量.
• 确定了pH,液压保留时间 (HRT),生物质,有机载荷率 (OLR),温度,光能和化学氧气需求 (COD) 的最佳范围.
• 蛋白质生产的因果因素包括照度,溶解氧,COD和COD/总比.

结论:

• 机器学习模型有效预测PSB蛋白质生产能力.
• 特定的操作参数显著影响PSB蛋白质产量和质量.
• 结果支持在废水处理和可持续资源开发中加强PSB应用.