如何通过在电膜分离过程中的应用电流条件来调节移和微分生物活性:基于机器学习的全面基方法

科学领域:

• 生物技术是生物技术.
• 环境科学 环境科学
• 生物化学 生物化学

背景情况:

• 工业废水带来了环境挑战,但富含蛋白质的河流提供了通过生物活性回收利用的机会.
• 目前的分离方法通常依赖于昂贵的膜级联,限制了效率和选择性.
• 蛋白质来源的酶性水解产生复杂的混合物,具有潜在的生物活性,如抗真菌性质.

研究的目的:

• 评估各种电流模式 (连续电流,脉冲电场,极性逆转) 对复杂水解剂中的分离的影响.
• 使用机器学习方法识别驱动电膜处理期间选择性迁移的关键体物理化学特征.
• 探索生产具有特定生物活性的独特基的潜力,与循环经济原则保持一致.

主要方法:

• 使用了一种含有150种特征性的猪原油化模型溶液.
• 应用的电膜工艺包括连续电流 (CC),脉冲电场 (PEF) 和极性逆转 (PR),脉冲/暂停时间不同 (10秒/1秒和1秒/1秒).
• 采用基于机器学习 (ML) 的型方法来分析45个物理化学特性,并将它们与过膜电透析期间的迁移行为相关联.

主要成果:

• 证明特定的电流条件显著调节回收的种群及其相关生物活性.
• ML模型确定了同电点 (pI),分子量 (MW) 和GRAVY评分作为影响不同电模式下的迁移的关键特征.
• CC,PEF (10 秒/1 秒) 和PR (10 秒/1 秒) 成功生产了不同的抗菌和抗真菌分数,支持废物回收利用和循环经济概念.

结论:

• 电膜处理参数,特别是电流模式和持续时间,对于选择性分离和生物活性丰富至关重要.
• 基于ML的体分析为移动的物理化学驱动因素提供了宝贵的见解,使得有针对性的分离策略成为可能.
• 这种方法有助于从废物流中回收有价值的生物活性,为工业废水利用提供可持续的解决方案.