计算机视觉和深度学习的范式赋能了菌株查和生物过程检测
Feng Xu1, Lihuan Su1, Yuan Wang1
1State Key Laboratory of Bioreactor Engineering, Qingdao Innovation Institute of East China University of Science and Technology, East China University of Science and Technology, Shanghai, China.
Biotechnology and bioengineering
|January 17, 2025
概括
这项研究引入了一种新的计算机视觉和深度学习方法,用于生物制造. 这种方法通过实时监测和生物过程中的快速检测来增强菌株选择和发酵优化.
科学领域:
- 生物技术是生物技术.
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 高效的生物制造依赖于高性能菌株和优化的发酵过程.
- 传统的离线检测方法缓慢且不稳定,阻碍了设计-构建-测试-学习循环.
- 需要快速,稳定和自动化的方法来进行菌株选和过程优化.
研究的目的:
- 开发和验证一个创新的研究范式,将计算机视觉和生物制造的深度学习结合起来.
- 为有效的菌株选择和发酵过程优化创造一个实际的框架.
- 为了实现实时监控和生物过程中的快速检测.
主要方法:
- 开发了一个使用计算机视觉来从种植系统中提取色彩空间组件的框架.
- 集成数据预处理与1D-CNN深度学习模型用于标位预测.
- 应用Z-score预处理以提高模型性能.
主要成果:
- 获得了高相关系数 (R2 = 0.9862) 对于 gentamicin C1a 标位预测.
- 成功应用了高产量菌株选和实时发酵监测模型.
- 扩展了应用程序,以快速检测光蛋白表达在促进器库建设.
结论:
- 拟议的视觉传感范式为生物过程的数字监测提供了一个理论框架.
- 这种方法促进了菌株开发和发酵优化的标准化和效率.
- 计算机视觉和深度学习为推动生物制造提供了强大的工具.


