用多式拉曼光谱融合框架进行深度学习:微藻脂质量定量的分析方法

科学领域:

• 生物技术是生物技术.
• 生物能源是生物能源.
• 微藻研究 微藻研究

背景情况:

• 微藻对于可持续的生物能源至关重要,需要精确控制脂质合成.
• 目前诱导脂质积累的方法通常涉及化学干预,这对于大规模生产来说是不可取的.
• 在单细胞水平上准确和动态检测脂质含量对于过程优化至关重要.

研究的目的:

• 调查多频超声波作为非化学压力因子的有效性,以增强微藻类脂质积累.
• 开发一种新的,绿色的,动态的方法来调节和检测单细胞脂质积累,使用深度学习和多式Raman映射.
• 为了阐明微藻中超声诱导的脂质合成机制.

主要方法:

• 微藻受到多频超声波 (特别是28kHz) 的影响,以诱导脂质积累.
• 开发了一种基于注意力的双分支卷积神经网络 (DBACNN),以整合拉曼光谱数据和微藻细胞的RGB图像.
• 竞争性适应性重权取样 (CARS) 用于为模型输入选择特征光谱波段.

主要成果:

• 与对照组相比,28kHz超声波治疗显著增加了16.45%的脂质含量,这归因于化效应.
• 对于脂质含量预测,DBACNN模型实现了高的确定系数 (R2 = 0.9548),超过了PLSR和SVR模型.
• 该模型显示了减少的根平均平方误差 (RMSE = 0.0052),表明脂质检测的精度更高.

结论:

• 多频超声波是一种有效的非化学方法,用于增强微藻脂质合成.
• 深度学习与多模式拉曼映射的整合为单细胞脂质调节提供了精确,绿色和动态的方法.
• 这项研究建立了一个闭环"压力检测反"系统,用于智能,实时调整超声波参数,为工业规模的生物燃料和高价值脂质生产铺平了道路.