通过使用机器学习方法在废水中产生的Porphyridium cruentum微塑料的应用来提高 phycoerythrin 的含量

科学领域:

• 生物技术是生物技术.
• 环境科学 环境科学
• 海洋生物学 海洋生物学

背景情况:

• 微藻类是有价值的二次代谢物的来源,如 phycoerythrin (Phy).
• 微塑料 (MP) 和废水 (WW) 的污染给环境带来了挑战.
• 优化物理生产需要了解环境因素的影响.

研究的目的:

• 研究微塑料 (MPs),废水 (WW) 和光强度 (LI) 对来自Porphyridium cruentum的Phy度的影响.
• 开发一个深度学习 (DL) 模型,以最大限度地提高物理生产.
• 通过可解释的AI方法来解释影响物理度的因素.

主要方法:

• 使用机器学习 (ML) 方法,包括随机森林回归 (RF) 和深度学习 (DL),在232组的数据集上.
• 分析了聚乙烯 (PE),聚烯 (PP),聚烯 (PS),聚乙烯 (PVC),WW和LI对Phy度的影响.
• 采用LIME (局部可解释的模型不可知解释) 和SHAP (沙普利增量解释) 来实现模型的可解释性.

主要成果:

• 最高的实验和预测Phy度分别为52.3 mg/g和58.32 mg/g.
• PVC (r=0.69) 和PE (r=0.35) 显示出与Phy度的最显著的正相关性,而WW (r=-0.05) 的影响最小.
• LIME和SHAP分析证实,较高的PVC含量增加了预测的Phy,而较高的WW则降低了它.

结论:

• 微藻可以用于同时处理废水和生产Phy.
• 一个DL模型可以在各种条件下有效地预测和优化物理度.
• 染料行业可以利用这种方法来实现可持续生产和环境修复.