基于机器学习的发酵设计和过程优化策略

科学领域:

• 生物技术和生物化学工程 生物技术和生物化学工程
• 工业微生物学 工业微生物学
• 计算生物学是一种计算生物学.

背景情况:

• 发酵对于医药,食品和生物能源行业的工业生物生产至关重要,提供了显著的经济优势.
• 菌株开发是发酵成功的关键,但优化发酵过程本身对于最大限度地提高工程菌株潜力至关重要.
• 复杂的因素影响发酵,需要先进的计算工具来进行有效的设计和优化.

研究的目的:

• 审查机器学习在发酵设计和流程优化中的应用.
• 要突出工作流程,整合实验设计和生物生产的机器学习.
• 讨论用于高级发酵控制和分析的新兴机器学习策略.

主要方法:

• 使用实验设计策略来描述发酵系统的性能.
• 使用机器学习模型模拟发酵操作并预测最佳条件 (介质组成,过程参数).
• 探索先进的机器学习技术,如自动化过程控制,数据挖掘,转移学习,混合建模和软传感器构建.

主要成果:

• 机器学习有效模拟发酵系统并确定最佳操作条件.
• 实验设计和机器学习的整合加速了发酵过程的优化.
• 先进的机器学习策略扩展了自动控制,应变分析和预测建模中的应用.

结论:

• 机器学习是优化工业生物生产中复杂发酵系统的强大工具.
• 描述的工作流程可以有效地探索遗传潜力,并提高生物生产产量.
• 新兴的机器学习应用程序有望在生物制造的发酵设计,控制和数据分析方面取得进一步的进展.