机器学习优化的生物工艺,用于由Lysinibacillus macroides和其生物医学应用生产宏丁蛋白

科学领域:

• 生物技术和制药科学 生物技术和制药科学
• 微生物学与传染病的研究
• 计算生物学和生物信息学

背景情况:

• 自然产品具有治疗潜力,但往往由于产量低而受到影响.
• 开发生物活性化合物 (如细菌素) 的高效生产方法对于对抗疾病至关重要.

研究的目的:

• 通过使用先进的优化技术,提高新型细菌菌素的产量.
• 评估针对癌症细胞系和病原体的优化宏素的药物临床潜力.

主要方法:

• 使用响应表面方法 (RSM),人工神经网络 (ANN) 和极端梯度增强 (XGBoost) 的比较过程优化.
• 使用遗传算法 (GA) 和粒子集群优化 (PSO) 进一步优化ANN模型.
• 在生物反应器中进行扩大规模的研究,并评估麦克罗伊丁的生物活动.

主要成果:

• 该ANN模型表现出卓越的性能 (R2=0.9727) 和,当优化GA,增加了2.38倍的麦克罗因度.
• 优化的条件 (23.1°C,pH8.89,0.5vm,248.6rpm) 导致生物反应器生产的高产量 (0.93g/g) 和生产率 (2.00g/L/h).
• 麦克罗丁对HepG2和MCF-7细胞具有显著的抗增殖作用,对ESKAPE病原体具有强大的杀菌/抗生物膜活性.

结论:

• 机器学习和进化算法有效地优化了细菌素的生产,克服了低产量的限制.
• 优化的麦克罗因因显示出对癌症和传染病有前途的治疗潜力.
• 该研究提供了一种可扩展和高效的方法,用于生产具有多种临床应用的有力生物活性化合物.