从Microbulbifer sp.中优化亚加酶的产生. 使用响应表面方法和机器学习模型
Lubhan Cherwoo1, Ritika Dhaneshwar2, Parminder Kaur1
1Department of Biotechnology, University Institute of Engineering and Technology, Panjab University, Chandigarh, India.
Environmental technology
|April 5, 2025
概括
这项研究优化了微生物 агар酶的产量,用于工业用途,实现了高产量和高活性. 机器学习模型准确地预测了酶生产,提高了 agarase 应用的可扩展性和效率.
科学领域:
- 酶学和生物技术 酶学和生物技术
- 微生物发酵过程中的微生物发酵.
- 生物信息学是一种生物信息学.
背景情况:
- 酶酶在各种行业中至关重要,包括食品,化品和医药.
- 目前的阿加拉斯生产方法产量低,成本高,活动不一致.
- 对于优化微生物来源来实现有效的工业规模的亚加生产,有很大的需求.
研究的目的:
- 为了优化从微生物源,特别是*Microbulbifer* sp.的细胞外阿加拉酶生产.
- 为了研究和确定最佳的生长条件,以提高 agarase 产量和活性.
- 探索机器学习算法,以准确预测阿加拉酶活动.
主要方法:
- 微生物生长条件的定性和定量分析.
- 响应表面方法 (RSM) 以优化亚加度,pH,温度和化时间.
- 机器学习算法的应用和评估,包括辐射基函数神经网络,用于预测建模.
主要成果:
- 优化条件确定为0.3%的,pH为7,温度为25°C,化时间为36小时,产生317.97μmol min-1的酶活性.
- 高统计学意义证实F值 (44.75) 和R平方 (0.9827) 进行实验验证.
- 辐射基函数神经网络表现出卓越的预测性能,R平方为0.989和MSE为0.44.
结论:
- 优化的生产参数显著提高了 agarase 的可扩展性和效率.
- 机器学习模型为agarase活动提供了强大而准确的预测.
- 这些发现支持工业规模的生物反应器运行,并有可能进行实时调整.
