人工神经网络优化生物活性化合物提取:最近的趋势和性能与响应表面方法论的比较

科学领域:

• 农业化学 农业化学
• 生物技术是生物技术.
• 食品科学 食品科学 食品科学

背景情况:

• 来自植物的生物活性化合物具有显著的健康益处.
• 这些化合物的提取是复杂的,耗时的,并且对实验条件敏感.
• 预测建模可以简化开采过程,减少劳动力和环境影响.

研究的目的:

• 审查应用人工神经网络 (ANN) 的当前趋势,以优化生物活性化合物提取.
• 在建模和优化提取过程中,比较ANN与响应表面方法 (RSM) 的性能.
• 突出ANN在天然产品化学中的工业规模应用的潜力.

主要方法:

• 文献综述,重点关注ANN和RSM在生物活性化合物提取中的应用.
• 从现有研究中对ANN和RSM绩效指标进行比较分析.
• 评估这两种方法的预测准确性和效率.

主要成果:

• 人工神经网络 (ANN) 在优化和建模生物活性化合物提取方面表现出比响应表面方法 (RSM) 更高的效率和准确性.
• 通过ANN,可以高精度地进行广泛的预测,其性能优于传统方法.
• 研究表明,ANN在各种植物基质中的有效性,包括草药,水果和蔬菜.

结论:

• 与RSM相比,ANN提供了一个更先进,更有效的工具来优化生物活性化合物提取.
• 这些发现支持在天然产品研发中更广泛地采用ANN.
• 未来的研究应该探索ANN在工业规模开采优化中的应用.