基于机器学习的循环德克斯的选择,用于增强生物合成和捕获挥发性烯
Shengliang Cai1, Dongying Chen1, Jiaping Cai2
1School of Biology and Biological Engineering, South China University of Technology, Guangzhou 510006, China.
Journal of agricultural and food chemistry
|February 4, 2025
概括
机器学习引导了循环德克斯的选择,用于在发酵过程中捕获诸如诺卡和利蒙等挥发性化合物. 这种方法增强了烯的生产,并为有机溶剂提供了更绿色的替代品.
科学领域:
- 生物技术是生物技术.
- 化学工程是化学工程的重要组成部分.
- 计算化学计算化学
背景情况:
- 挥发性有机化合物 (VOC),如诺卡和利蒙是有价值的,但由于挥发性,很难生产.
- 使用有机溶剂的传统提取方法带来了环境问题.
研究的目的:
- 为了利用机器学习来选择最佳的循环素 (CD) 来封装挥发性化合物.
- 为了增强发酵过程中捕获nootkatone,减少损失,并探索多德干提取的替代方案.
主要方法:
- 开发了一个LightGBM机器学习模型,用于预测CD和客分子之间的无复杂化能量 (ΔG).
- 使用七种类型的CD进行实验验证,以评估封装性能.
- 工程设计的Saccharomyces cerevisiae菌株是为了新的nootkatone发酵而制造的.
主要成果:
- 该LightGBM模型准确地预测了CD-guest复杂化能量 (R2 = 0.80).
- 对于诺卡 (Me-β-CD高达88.41%) 和利蒙 (β-CD高达55.45%) 观察到高封装效率.
- 工程酵母生产了nootkatone,在发酵过程中使用Me-β-CD实现了显著的捕获.
结论:
- 机器学习有效指导用于挥发性烯封装的环氧素选择.
- 环极素显示出在发酵过程中替代烯提取中的有机溶剂的潜力.
- 这种综合方法为挥发性烯生物合成和捕获提供了一种可持续的方法.
关键词:
这种植物是Saccharomyces cerevisiae.循环德克斯林 (Cyclodextrin) 是一种循环德克斯林.发酵 发酵 发酵 发酵氨酸 (Limonene) 是一种氨酸机器学习 机器学习没有一个Nootkatone.更多相关视频
08:56Transient Expression in Nicotiana Benthamiana Leaves for Triterpene Production at a Preparative Scale
Published on: August 16, 2018
17.2K
08:20Systematic Approach to Identify Novel Antimicrobial and Antibiofilm Molecules from Plants' Extracts and Fractions to Prevent Dental Caries
Published on: March 31, 2021
6.2K
