综合光谱技术和机器学习,以优化Phaeodactylum tricornutum细胞和富可桑的生产力
Pedro Reynolds-Brandão1, Francisco Quintas-Nunes2, Constança D F Bertrand2
1LAQV-REQUIMTE, Chemistry Dept., NOVA School of Science and Technology, Universidade Nova de Lisboa, 2829-516 Caparica, Portugal; iBET, Instituto de Biologia Experimental e Tecnológica, 2781-901 Oeiras, Portugal; Instituto de Tecnologia Química e Biológica António Xavier, Universidade Nova de Lisboa, 2780-157, Oeiras, Portugal.
Bioresource technology
|December 18, 2024
概括
机器学习模型使用光谱学预测微藻生长和富可桑含量. 这种基于光谱的方法为优化微藻生物工艺提供了快速,经济高效和可持续的替代方案.
科学领域:
- 生物技术和生物工艺工程
- 海洋生物学和生理学
- 光谱学和机器学习应用程序
背景情况:
- 可持续的微藻种植需要有效的监测,以优化工艺.
- 目前用于微藻生物质和色素量化的分析方法可能耗时且昂贵.
- 需要快速的,非侵入性的工具来确保高生产率,并尽量减少微藻生物过程中的响应时间.
研究的目的:
- 调查不同介质配方对Phaeodactylum tricornutum生长和富可桑生产力的影响.
- 开发和验证机器学习 (ML) 模型,利用光谱学实时监测微藻培养.
- 为评估微藻细胞密度和fucoxanthin含量提供一个强大的,具有成本效益和环保的替代方案.
主要方法:
- 在不同的介质配方下培育色的Phaeodactylum tricornutum.
- 从培养样本中获取吸收率和二维光谱学数据.
- 开发和训练55个机器学习模型,使用255个观测数据集来预测细胞和富可丁度.
主要成果:
- 中等配方显著影响了Phaeodactylum tricornutum中的细胞度和富可桑含量.
- 开发的ML模型准确地从光谱数据中预测细胞密度 (R2 = 0.98) 和富可桑丁度 (R2 = 0.91).
- 模型的准确性很高,并且在一个独立的数据子集上得到了验证,显示了对过拟合的抗性.
结论:
- 基于光谱学的机器学习模型为监测微藻生物过程提供了强大的工具.
- 这些模型提供了一种实用,快速和具有成本效益的方法来优化Phaeodactylum tricornutum种植.
- 开发的方法通过实现高效的工艺管理来支持可持续和受控的微藻生产.
