通过拉曼监测和代谢网络分析,实现了人工智能驱动的化优化,以实现α-氨酶的过度生产
Yuan Wang1, Yonghong Wang1, Feng Xu2
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 200237, China; National Center of Bio-Engineering & Technology (Shanghai), East China University of Science and Technology, Shanghai 200237, China.
Bioresource technology
|September 10, 2025
概括
使用机器学习和拉曼光谱学对Aspergillus niger发酵的AI优化显著提高了46%的α-amylase产量,实现了创纪录的产量和缩短发酵时间.
科学领域:
- 生物技术是生物技术.
- 工业微生物学 工业微生物学
- 酶的生产 酶的生产
背景情况:
- 由于复杂的发酵动态,Aspergillus niger的高价值α-amylase生产具有挑战性.
- 有限的实时控制阻碍了稳定,高水平的酶产量.
研究的目的:
- 开发一个人工智能驱动的框架,以优化Aspergillus niger发酵.
- 通过智能工艺控制,提高α-氨酶产量,减少发酵时间.
主要方法:
- 结合多变量机器学习 (随机森林),用于血糖监测的拉曼光谱和时间序列转录组学.
- 在12个基准算法中,使用SHAP解释识别了葡萄糖作为关键的监管因素.
- 实现闭环拉曼反,用于实时血糖控制.
主要成果:
- 随机森林证明了发酵动态的优越预测能力.
- 闭环控制维持了最佳的葡萄糖水平,增加了46%的α-氨酶产量.
- 发酵时间缩短了28小时,实现了15729.47U/mL的创纪录产量.
结论:
- 由人工智能驱动的框架为智能真菌发酵提供了一个可扩展和数据驱动的战略.
- 这种方法显著提高了酶生产效率,可以应用于其他微生物生物工艺.
