使用机器学习模型和优化生物产品的形成与紫色光合作用细菌使用机器学习

科学领域:

• 生物技术和微生物工程
• 生物工艺工程是生物工艺工程.
• 在生物过程优化中的机器学习应用.

背景情况:

• 紫色光营养细菌为将市政和工业废水以及有机废物转化为有价值的生物产品提供了可持续的途径.
• 高效生产各种生物制品需要对许多操作参数进行精确控制.

研究的目的:

• 为了比较Random Forest,XGBoost和CatBoost机器学习模型在预测和优化关键生物产品的合成方面的性能.
• 确定影响聚基酸盐,聚基酸盐,5-氨基氨酸,辅酶Q10,胡卜素,细菌菌和生物质产生的关键因素.
• 确定最佳的操作条件,以最大限度地提高单个生物产品的产量.

主要方法:

• 训练和调整机器学习模型 (随机森林,XGBoost,CatBoost) 使用贝叶斯优化在以前研究的数据集上.
• 使用R2,皮尔森相关性,RMSE和MAPE评估模型性能.
• 使用特征重要性分析来确定生物产品合成的关键输入变量.
• 应用粒子集群优化来为每个目标化合物找到最佳条件.

主要成果:

• 与随机森林和XGBoost相比,CatBoost显示出更高的预测准确度和更低的错误率.
• 影响生物产品形成的关键因素包括反应时间,矿物质介质度和体积交换百分比.
• 预测的最大产量实现了聚基酸盐 (569毫克/升),聚基酸盐 (45毫克/升),5-氨基氨酸 (79微摩尔/升),辅酶Q10 (13毫克/g dw),胡卜素 (7毫克/g dw),细菌叶绿素 (17毫克/g dw) 和生物质 (2040毫克/升).

结论:

• 机器学习,特别是CatBoost,对于预测和优化紫色光合作用细菌的生物产品合成是有效的.
• 在特定条件下实现最佳生物产品产量,通常涉及测序批量反应堆运行和不连续照明.
• 不同的生物制品需要不同的操作设置,这表明有针对性的生产策略和化合物聚类的潜力.