一个基于变压器的框架,具有生成光谱增强,用于在线监测氨酸发酵过程
Weilu Tian1, Lixuan Zang2, Yunyi Li3
1Department of Pharmacy, Shandong Provincial Hospital Affiliated to Shandong First Medical University, Jinan, Shandong 250021, China; Shandong Provincial Key Laboratory of Carbohydrate and Glycoconjugate Drugs, Postdoctoral Scientific Research Workstation, Shandong Academy of Pharmaceutical Sciences, Jinan, Shandong 250098, China; National Glycoengineering Research Center, Shandong University, Qingdao, Shandong 266237, China.
Carbohydrate polymers
|September 19, 2025
概括
这项研究引入了一个使用数据增强和深度学习的新框架,用于实时监测氨酸 (HA) 发酵. 该方法提高了使用近红外光谱 (NIR) 进行质量控制的准确性和概括性.
科学领域:
- 生物技术和化学工程 生物技术和化学工程
- 光谱学和分析化学 分析化学
背景情况:
- 在发酵过程中精确监测氨酸 (HA) 的分子量和度对于质量控制至关重要.
- 近红外 (NIR) 光谱能够快速,非破坏性分析,但需要广泛,可靠的光谱数据,这是从复杂的发酵过程中获得的挑战.
研究的目的:
- 开发一种新的在线监测框架,用于使用NIR光谱仪实时控制HA发酵的质量.
- 通过整合先进的数据增强和深度学习技术来提高NIR光谱学的有效性.
主要方法:
- 使用Wasserstein GAN带梯度惩罚 (WGAN-GP) 进行数据增强以生成高保真合成光谱,扩展校准数据集.
- 开发了一种改进的变压器模型,以有效捕捉复杂的光谱特征,以便准确预测.
- 集成的WGAN-GP数据增强与变压器模型进行在线监控.
主要成果:
- 拟议的框架显著扩大了校准数据集,提高了模型的稳定性.
- 与传统的PLSR,1D-CNN和LSTM模型相比,集成深度学习方法在独立测试集上显示出更高的预测准确性和概括性.
- 实现了对HA发酵的精确和实时监测能力.
结论:
- 先进的数据增强 (WGAN-GP) 和深度学习 (变压器模型) 的结合为复杂的生物过程中基于NIR的质量控制提供了强大的解决方案.
- 这种智能框架为工业发酵中精确的实时监测和质量保证提供了一个广泛适用的方法.
