使用深度学习卷积神经网络进行Lactiplantibacillus plantarum的预测性发酵控制

科学领域:

• 生物技术是生物技术.
• 微生物发酵 微生物发酵
• 人工智能在生物处理中的应用

背景情况:

• 微生物发酵,特别是在Lactiplantibacillus plantarum中,由于非线性生长动态,是复杂的.
• 传统的监测方法缺乏对发酵过程的早期干预的前性.
• 预测发酵结果需要超越传统监测的先进分析方法.

研究的目的:

• 开发基于深度学习的系统,用于分类发酵轨迹和预测最终细胞数量.
• 用早期发酵数据 (前24小时) 来进行预测建模.
• 提高工业益生菌生产的实时控制和效率.

主要方法:

• 卷积神经网络 (CNN) 用于分类发酵结果.
• 实时发酵参数 (pH,温度,溶解氧) 被记录并转化为时间序列特征.
• 52个发酵运行的数据集被用于训练和验证预测模型.

主要成果:

• 在CNN模型实现了97.87%的高分类准确度来预测发酵成功,半成功或失败.
• 深度学习模型在预测准确性方面超过了LSTM和XGBoost等基准模型.
• 该模型的早期预测促进了手动干预,防止批次失败和改善次优发酵.

结论:

• 深度学习为实时发酵控制提供了一个强大而可扩展的框架.
• 拟议的基于CNN的系统显示了提高工业益生菌生产效率和降低成本的巨大潜力.
• 使用早期发酵数据进行预测建模对于优化生物过程结果至关重要.