基于机器学习预测通过不同预处理方法从木质纤维素生物质中提取葡萄糖的产量
《Biomass and Bioenergy》:Machine learning prediction of glucose production from lignocellulosic biomass through various pretreatment methods
【字体:
大
中
小
】
时间:2025年12月10日
来源:Biomass and Bioenergy 5.8
编辑推荐:
张耀|赵涛|肖琳|严金龙|李静|姚志良中国北京100048,北京工商大学轻工科学与工程学院摘要随着全球对减少碳排放的重视程度不断提升,作为可再生资源的生物能源越来越受到关注。由于木质纤维素生物质储量丰富且成本低廉,已成为研究重点。本研究旨在利用机器学习技术预测和理解从木质纤维素生
张耀|赵涛|肖琳|严金龙|李静|姚志良
中国北京100048,北京工商大学轻工科学与工程学院
摘要
随着全球对减少碳排放的重视程度不断提升,作为可再生资源的生物能源越来越受到关注。由于木质纤维素生物质储量丰富且成本低廉,已成为研究重点。本研究旨在利用机器学习技术预测和理解从木质纤维素生物质中生产葡萄糖的流程,为未来提高葡萄糖产量的研究和实践提供帮助。研究采用了五种机器学习模型——多层感知器、支持向量回归、随机森林、梯度提升决策树以及卷积神经网络——来预测经过常见预处理方法的各类原料的葡萄糖产量。其中卷积神经网络表现最佳,R2值为0.95,显示出其出色的泛化能力和预测精度。紧随其后的是梯度提升决策树和随机森林,它们的R2值分别为0.86和0.85。特征提取和主成分分析显著提升了预测精度,使卷积神经网络的R2值从0.76上升至0.95。通过Shapley加性解释方法分析,木质素去除率以及葡聚糖与木质素的比值被确定为影响葡萄糖产量的最重要因素。本研究为优化木质纤维素生物质葡萄糖生产流程提供了新方法和新见解,为推动生物能源技术发展提供了实证支持。
引言
温室气体排放导致的气候变化使得全球更加致力于实现碳中和目标。化石燃料的广泛使用大幅增加了碳排放,而大多数商业化学品仍源自石油、煤炭等化石资源[1]。因此,开发可持续的替代化石燃料的资源对于实现低碳发展和循环型生物经济目标至关重要[2]。木质纤维素生物质是地球上最丰富的可再生有机材料之一,主要由纤维素、半纤维素和木质素组成。由于其易获取且成本较低,被视为生产生物燃料和生物基化学品的理想原料[3]。不过,木质纤维素生物质的组成和结构会因其来源(软木、硬木、农业废弃物或能源作物)、年龄以及环境条件而存在很大差异,这些因素又会影响其生物化学转化效率[4]。
酶解是木质纤维素生物质生物转化过程中的关键步骤,在此过程中多糖会被水解为葡萄糖等可发酵的单糖,为后续微生物发酵提供重要底物。高效的糖化处理对于提高生物质利用率以及增强生物精炼厂的经济效益具有重要意义。然而,由于木质纤维素结构紧密,且木质素与碳水化合物之间的结合力很强,导致其难以被酶分解,这一固有特性大大降低了酶解的效率[5]。为克服这一难题,人们研发出了多种预处理技术,包括物理法、化学法以及物理化学法,这些方法旨在改变生物质结构、降低木质素含量并提高酶的降解能力[6]。这类技术包括机械研磨、超声处理、微波处理、稀酸处理、碱处理、无机盐处理(如NaBO3、FeCl3)、深共晶溶剂处理以及离子液体处理等[7,8]。尽管已有大量关于预处理优化的研究,但酶解效率仍然在很大程度上取决于生物质类型及所采用的预处理技术。由于工艺条件多样且缺乏标准化评估标准,很难定量分析不同预处理方法对葡萄糖产量的综合影响。因此,为不同原料找到最佳的预处理和酶解条件仍是一项重大挑战。
机器学习为解决这一难题提供了一种强大的数据驱动方法。机器学习算法能够处理大规模且非线性的数据集,从而识别出关键关联并做出准确预测[9]。近年来,已有多种机器学习模型被用于预测不同预处理条件下的酶解效率,这些模型包括多层感知器、支持向量回归、随机森林、梯度提升决策树以及卷积神经网络等[10,11,12,13,14,15]。不过,现有研究大多仅聚焦于某一种预处理方法或某一种原料,这限制了模型的泛化能力和预测精度。例如,Dibyajyoti等人结合遗传算法和神经网络优化了酸法预处理工艺[16];Preshanthan等人则利用多层感知器分析了蔗渣经无机盐处理和微波辅助处理后的效果[17];Ganguly等人进一步运用人工神经网络优化了花生壳的连续酸法预处理工艺[18]。这些研究虽然加深了人们对预处理与酶解之间关系的理解,但目前仍缺乏一个能够涵盖多种预处理方法和原料的通用模型。
此外,实验变量的高维性和多重共线性常常会导致模型过拟合,同时降低模型的可解释性[19]。虽然皮尔逊系数和斯皮尔曼系数等相关性分析方法能够识别变量间的线性关系,但却无法捕捉特征之间的非线性及间接相互作用[20]。主成分分析是一种常用的方法,可用于降低高维数据集的维度,它通过去除冗余变量来简化数据结构。通过生成保留大部分数据方差的互不相关的成分,主成分分析能够提升预测模型的准确性和稳定性[21]。目前,将主成分分析应用于预测木质纤维素生物质的酶解葡萄糖产量尚属罕见。
本研究构建了一个包含多种木质纤维素原料、不同预处理方法以及酶解条件的全面多因子数据集。研究系统地比较了五种机器学习模型在预测葡萄糖产量方面的性能,其中包括多层感知器、支持向量回归、随机森林、梯度提升决策树以及卷积神经网络。为解决数据维度过高的问题,研究还将主成分分析纳入工作流程中。同时,借助Shapley加性解释方法,研究分析了各个变量对葡萄糖产量的贡献程度及其重要性,从而为了解影响酶解葡萄糖产量的因素提供了机制层面的见解。本研究不仅填补了多类型预处理数据与预测建模之间的空白,还为高效将木质纤维素生物质转化为可发酵糖类提供了统一的机器学习框架。
章节节选
数据收集
该数据集包含了来自36篇文献的539个样本,涉及木质纤维素、预处理、酶解、葡萄糖产量等相关关键词。数据集被分为输入变量和输出变量两类。其中输入变量包括原料类型和预处理方式、原料及预处理的各项特征,以及酶解过程中的相关条件。至于原料的关键特征,则包括葡聚糖含量、木聚糖含量等等
数据的统计分析
如图3所示,木质纤维素生物质的葡萄糖产量存在较大差异,这说明有许多因素会影响其葡萄糖产量。这些与底物和工艺相关的固有特性有助于构建更具泛化能力的模型,也有助于深入探究其中的机制。图3e显示,葡萄糖产量最高可达99.8%,最低则为1.5%。输入参数的多样性和覆盖范围表明,该数据集具有足够的通用性,能够涵盖
结论
通过将文本信息转化为数值形式并采用标准化处理,本研究实现了对多种原料和预处理技术的葡萄糖产量预测。所提出的方法拓宽了数据收集的范围,同时也提高了模型的适应性。主成分分析对于提升模型预测性能具有重要意义,它使得卷积神经网络和支持向量回归模型的R2值分别从0.89上升至0.95,从0.57上升至0.71。卷积神经网络在
CRediT作者贡献说明
张耀:撰写——初稿撰写、研究实施、正式分析、数据整理。赵涛:撰写——审阅与编辑、软件应用。肖琳:撰写——审阅与编辑。严金龙:撰写——审阅与编辑。李静:撰写——审阅与编辑、项目监督、项目管理、资金筹措、概念构思。姚志良:撰写——审阅与编辑、资源协调。
关于写作过程中生成式人工智能及人工智能辅助技术的声明
在撰写本论文时,作者使用了ChatGPT来提升语言表达的流畅性和可读性。在使用该工具后,作者对内容进行了必要的审阅和修改,并对论文的内容承担全部责任。
利益冲突声明
作者们没有需要披露的任何财务或非财务利益冲突。
致谢
本研究得到了中国国家重点研发计划(编号:2022YFC2104600)以及北京市自然科学基金(编号:6232002)的财政支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号