综述:面向可持续水产饲料的藻类工业5.0:整合数字技术与生物加工

《Aquaculture International》:Algal Industry 5.0 for sustainable aquafeeds: integrating digital technologies and bioprocessing

【字体: 大 中 小 】 时间:2026年07月10日 来源:Aquaculture International 3.5

编辑推荐:

  摘要:微藻因其广泛的可获得性和丰富的营养特性,被认为是一种战略性和可持续的水产饲料成分替代品。然而,在藻类工业4.0(Algal Industry 4.0)框架下,以数据驱动和自动化导向的藻类生物制造为特征,微藻的大规模生产仍面临显著挑战,包括高能耗、工艺变异

  
摘要:微藻因其广泛的可获得性和丰富的营养特性,被认为是一种战略性和可持续的水产饲料成分替代品。然而,在藻类工业4.0(Algal Industry 4.0)框架下,以数据驱动和自动化导向的藻类生物制造为特征,微藻的大规模生产仍面临显著挑战,包括高能耗、工艺变异性、污染风险、低生物质生产力以及智能管理系统的整合不足。这些局限性可通过引入藻类工业5.0(Algal Industry 5.0)来解决,该概念侧重于以人为本的设计、弹性生产和可持续性。研究人员遵循基于PRISMA的方案,对从Scopus、ScienceDirect和Web of Science检索到的210项研究(2020–2025年)进行了文献计量学分析,本综述批判性地评估了在开放、封闭和混合培养配置下基于微藻的水产饲料的最新进展。研究人员建立了一个五层藻类工业5.0(Algal Industry 5.0)模型,整合了物理培养、数字、智能和以人为本的决策层。研究人员评估了七项关键使能技术,以支持数字转型、人在回路的协作决策支持系统、用于实时模拟的数字孪生(digital twin, DT)模型以及人工智能(AI)驱动的培养参数预测和控制。这些技术辅以信息物理培养系统、智能光生物反应器(photobioreactor, PBR)设计和用于自适应过程控制的异常检测框架。基于区块链的溯源解决方案和循环生物经济模型进一步将藻类工业5.0(Algal Industry 5.0)扩展到整个价值链。随后,研究人员考察了高级生物过程工程,包括高通量菌株筛选、遗传和代谢工程、纳米技术、生物信息学和先进的光生物反应器(PBR)材料,作为促进粮食安全的弹性生产和可靠供应链的关键推动力。通过整合技术、生物学和运营视角,本综述系统地考察了实施藻类工业5.0(Algal Industry 5.0)的运营、劳动力、数据整合和实际挑战,并与联合国可持续发展目标中的零饥饿(SDG 2)、产业与创新(SDG 9)以及气候行动(SDG 13)保持一致。
**引言**
前所未有的区域冲突、极端天气事件和大流行病已经扰乱了鱼类饲料供应链和水产养殖产品的可及性。此外,包括核废水排放在内的海洋污染事件影响了营养物可用性,并导致温室气体排放增加。这些挑战威胁着海鲜安全,并进一步破坏了全球海鲜供应链的稳定,导致水产养殖和渔业行业原材料价格波动。为应对这些问题,微藻因其富含omega-3脂肪酸、抗氧化剂和其他支持鱼类生长与健康的关键营养素,而成为一种有前景的可持续替代品。微藻还可以部分替代水产饲料配方中的传统鱼粉和鱼油。此外,微藻能够在非耕地上利用废水进行培养,使其成为生物燃料生产和可持续水产饲料开发的可再生资源。关于微藻作为可持续水产饲料成分的研究已被广泛开展。不断扩大的文献集中于微藻培养策略、营养保健品生产和生长优化,尽管这些研究通常局限于特定学科领域。为促进微藻研究从实验室向工业规模的转化,生物过程放大和系统级工程(涉及生物燃料、生物产品和培养系统)也受到了大量关注。光自养、异养和混养是主要的培养方法,每种方法都能显著影响生产力和生化组成。在现有农业实践中,这些方法在封闭或开放养殖配置中实施。过去十年,培养方法的创新,如光生物反应器(photobioreactor, PBR)和生物膜配置,提高了生物质产量和过程可扩展性。随着藻类工业4.0(Algal Industry 4.0)的提出,物联网(Internet-of-Things, IoT)和人工智能(artificial intelligence, AI)在农业技术中的整合改进了实时监测和过程管理。这些新兴技术还解决了异常问题,检测了污染物和营养条件,并在不同环境条件下提高了能源效率。Esposito等(2017)报道了将IoT传感器监测系统与微藻生长模拟模型结合作为决策支持系统(decision support system, DSS)的应用。DSS提供了调整操作参数的实时建议以减轻培养风险,模拟中总生产力提高了9%。物理对象、生物过程和系统的虚拟表示(通过IoT传感器数据、机器学习和模拟技术持续更新)构成了藻类工业5.0(Algal Industry 5.0)中数字孪生(digital twin, DT)模型的基础。藻类DT框架被认为能为氮、磷、温度、浊度、溶解氧、二氧化碳(CO2)、pH和叶绿素a提供可持续的藻类管理系统,使藻类生物质生产更加节能和具有成本效益。然而,DT技术在微藻培养中的应用仍处于早期阶段。在循环生物经济背景下,IoT传感、AI和机器学习(machine learning, ML)被用作DDS,以最大化资源效率、最小化废物,并将废物流中的微藻转化为高价值产品,如虾青素(Astaxanthin)。在废水生物修复应用中,利用微藻分解和同化营养物时,模型如响应面法(response surface methodology, RSM)、多层感知器-人工神经网络(multilayer perceptron-ANN, MLP-ANN)和支持向量回归(support vector regression, SVR)模型被用于精确调节废水系统中的氮磷比(N:P ratio)。此外,遗传算法与SVR结合显示了预测最佳营养比的能力,从而从废水中实现93%的营养物去除效率,同时优化生物质产量。ML算法的其他应用包括将聚类算法整合到流式细胞术中,以自动分离活细胞、死细胞和碎片。该技术将细胞活力研究的速度提高了15倍,同时提供培养物健康状况的实时反馈。通过部署实时传感器、预测分析和自动控制,这些数字工具优化了微藻将农业径流、废水和工业CO2转化为可持续鱼类饲料成分的过程。在藻类工业4.0(Algal Industry 4.0)中实施循环生物经济的主要挑战包括高昂的技术经济障碍、加工所需的巨大能源、与废物利用相关的监管不确定性,以及AI和IoT主要局限于实验室和中试规模的应用。尽管已努力将数字技术整合到商业化的微藻基水产饲料生产中,但这些工具的实施并未完全整合,并遇到了若干运营挑战。藻类工业4.0(Algal Industry 4.0)框架通常提供监测和建议行动,但缺乏关闭过程回路的物理操作。例如,藻类工业4.0中的数字传感器平台检测到营养物耗尽并提醒操作员,但无法建议具体的营养物施用量或时间。因此,操作员必须基于自身推理使用执行器管理营养物的受控释放。这可以通过协作机器人(collaborative robot, Cobot)得到支持,该机器人整合了人类协作行动和执行器,以扩展DSS概念,同时关闭信息物理控制回路。在Cobot框架中,信息物理控制回路可以包括调节CO2注入、调整光谱、并启动自动生物质收获方法。脱水、絮凝和干燥是繁琐的收获过程,未包含在藻类工业4.0中,可通过Cobot减轻人工操作员的劳动负担。这种人机协同引导了向工业5.0(Industry 5.0)中以人为中心范式的转变。在生物技术领域,特别是结合生物信息学,基因编辑对于开发有弹性的微藻菌株和修改代谢途径以提高生产力并生产高价值产品变得越来越重要。然而,基因编辑微藻的开发及其相应生理反应数据的收集通常是作为独立研究领域进行的,导致系统级整合有限。此外,藻类工业4.0(Algal Industry 4.0)主要强调生产效率和经济绩效,而对微藻培养系统特有的可持续性权衡关注较少。当前藻类工业4.0技术的实施,如微藻生物加工中的机器学习,也主要局限于单个工艺阶段,而非整体应用于优化整个生产管线。目前仍缺乏明确将微藻生物过程工程与新兴工业5.0(Industry 5.0)原则(包括以人为本的设计、弹性和可持续性)整合的文献。这一差距促使本综述开发了一个五层藻类工业5.0(Algal Industry 5.0)模型,该模型将微藻水产饲料生产过程与下一代数字和社会技术创新相连接。此外,本综述不仅区分了藻类工业4.0和藻类工业5.0,还提供了一个新颖的多维框架,整合了数字化、AI驱动的生物过程优化、用于微藻培养过程的DT、循环生物经济策略、生物过程技术、先进遗传优化、面向水产饲料的区块链用于溯源和水产饲料供应链,以及专门针对微藻基水产饲料生产的以人为本的可持续性原则。因此,该统一框架建立在本综述中强调的七个关键使能因素基础上,这些因素共同推动向弹性、可持续和智能的藻类工业5.0系统转型。

**综述方法与研究趋势**
进行了系统文献综述,以确定关于微藻培养和数字转型技术的同行评审出版物。采用系统综述方法和结构化协议以确保可重复性并减少选择偏差。相关文献从多个科学数据库(包括Scopus、ScienceDirect和Web of Science)中检索,这些数据库提供了涵盖工程学、数字系统和生物技术跨学科研究的广泛覆盖。使用布尔运算符进行结构化关键词搜索,以优化和组合术语。主要搜索字符串为:“机器学习 (machine learning)” AND “微藻培养 (microalgae culture)”,“人工智能 (artificial intelligence)” AND “微藻培养 (microalgae cultivation)”,“物联网 (Internet of Things)” OR “IoT” AND “微藻 (microalgae)”,“数字孪生 (digital twin)” AND “微藻培养 (microalgae culture)”,以及“工业革命 (industrial revolution)” OR “工业5.0 (Industry 5.0)” AND “微藻培养 (microalgae culture)”。搜索限于文章标题、关键词和摘要,以确保相关性同时维持聚焦的数据集。所选搜索术语基于:(i) 先前关于微藻系统和数字微藻培养的综述文章中常用的术语;(ii) 研究文章中陈述的关键词;(iii) 微藻生物技术、过程工程和数字智能系统领域的专家判断。通过初步搜索迭代优化搜索字符串,以确保充分的灵敏度和覆盖率。为确保一致性和相关性,应用了明确定义的纳入和排除标准。研究若符合以下条件则视为合格:(i) 为同行评审期刊文章;(ii) 涉及整合数字或计算技术(AI、IoT、DT)的微藻培养系统;(iii) 以英文发表。若文章(i) 为会议摘要、社论或非同行评审报告;(ii) 仅关注生化、遗传或分子方面,未与培养系统或过程优化相关联;(iii) 缺乏足够的方法透明度,则排除。为考察研究活动的演变,基于使用预定义关键词组合检索到的文章频率分析了出版趋势。图1a展示了来自Scopus(最大出版数据库)的与微藻研究关键数字化主题相关出版物的时间分布。分析表明,过去六年中关于微藻行业数字化的研究成果显著增加。对“工业 (Industry)” AND “微藻培养 (microalgae culture)”的一般搜索产生了持续占主导的出版趋势。与搜索词“数字化 (digitalization)” AND “微藻培养 (microalgae culture)”相关的出版物显示稳定增长,每年约226–273篇,确立了该领域为主流研究领域。值得注意的是,“人工智能 (artificial intelligence)” AND “微藻 (microalgae)”的增长最为显著,出版物数量从2020年的约20篇大幅增加到2025年的208篇。这一趋势突显了AI驱动方法(包括机器学习、计算机视觉和预测建模)作为优化微藻培养系统的关键使能因素的快速应用。如图1a所示,这一趋势反映了从传统微藻培养研究向更加工业化和数据驱动方法的明显转变。AI相关出版物的增长可归因于几个因素:(i) 培养系统高分辨率传感器和IoT数据的日益可用性;(ii) 能够处理非线性和动态生物过程的机器学习算法的进步;(iii) 对预测和自主控制的需求,以优化生产力并降低运营成本。这些驱动因素加速了从通用数字工具向专门智能系统(包括用于实时监测和控制的AI赋能DT框架)的过渡。此外,观察到的出版趋势表明该领域正在进入技术成熟阶段,AI不再仅仅是探索性的,而是越来越多地应用于实际环境。然而,尽管快速增长,AI在更广泛的工业5.0(Industry 5.0)范式(特别是强调以人为本原则、可持续性和弹性)中的整合仍然有限。与制造业和建筑环境等更成熟的行业相比,DT技术在微藻系统中的采用仍待深入探索。这一差距可能源于生物复杂性、数据稀缺和系统整合相关的挑战,指示了未来研究的重要方向。为编制2020–2025年的出版物数据集,使用以下搜索字符串进行了基于PRISMA的分析:(“微藻 (microalgae)”) AND (“AI” OR “机器学习 (machine learning)” OR “IoT” OR “数字孪生 (digital twin)” OR “数字化 (digitalization)” OR “生物过程 (bioprocess)” OR “工业5.0 (Industry 5.0)”)。筛选过程分几个阶段进行(图1b)。首先,从Scopus、Web of Science和ScienceDirect数据库导出所有检索记录,并移除重复条目。其次,筛选标题、关键词和摘要,以排除不符合纳入标准的研究。最后,评估全文文章的合格性。该过程遵循PRISMA指南的结构化工作流程,包括识别、筛选、合格性和纳入阶段。在选定数据库中最初识别了1043条记录。移除305条重复记录后,剩余738篇文章进行标题和摘要筛选。其中,408条记录因相关性被排除,留下330篇全文文章进行合格性评估。经过全文评估,排除了120篇文章,最终纳入本综述的共210项研究。检索到的出版物列表经审阅以识别相关文章,收集的信息用于准备文献计量分析,如图1c所示。基于数据库中选定参考文献的文献计量网络分析表明,出版物与智能数字技术和微藻相关,包括微藻生产中的IoT、自动化和机器人技术、ML/AI以及区块链应用。微藻的传统研究兴趣,如光生物反应器(PBR)、接种物优化和接种技术,是成熟的研究领域。最近关于微藻的大多数研究都与术语“遗传 (genetic)” AND “微藻 (microalgae)”相关,侧重于通过基因修饰和营养调节增加生物质产量的先进生物加工。如图1c中小黄色和浅绿色球体所示,代表新兴研究领域,这些尚未深入探索的领域旨在推进数字转型、基于AI的决策、可持续性、共培养以及微藻菌株的基因工程。

**微藻培养作为可持续水产饲料**
水产养殖是全球食品生产中增长最快的行业之一,占全球鱼类消费的一半以上。然而,该行业高度依赖来自野生渔业的鱼粉和鱼油,引发了关于过度捕捞及其环境影响的重大可持续性问题。因此,对提供类似营养益处的替代可持续饲料成分的需求日益增长。微藻因其富含蛋白质、必需氨基酸、omega-3、多不饱和脂肪酸(polyunsaturated fatty acids, PUFAs)、色素和各种生物活性化合物而成为一种有价值的替代品。本节概述了水产饲料中微藻的营养益处和关键营养组分。微藻多样化的营养概况对于为有效整合工业5.0(Industry 5.0)原则到水产养殖系统中奠定坚实基211基础至关重要。藻类工业5.0(Algal Industry 5.0)依赖于对微藻蛋白质、脂质和生物活性化合物的深入理解,以启用先进数字技术的应用。

**微藻在水产养殖中的营养益处**
微藻是水生营养网络的基础,自然被鱼类和其他水生生物摄取。将其纳入配方水产饲料中提供了多重营养和功能优势,包括支持均衡营养、增强肠道健康、促进生长以及改善水生物种的免疫力。微藻补充已与生产指标的显著、可量化改善相关联。例如,用微藻生物质替代5–15%的常规鱼饲料可将饲料转化率从约1.5降低至1.2–1.3,并使几种鱼类的特定生长率提高10–20%。此外,在鲷鱼日粮中添加微拟球藻(Nannochloropsis)改善了生长性能和免疫反应,与标准未补充日粮相比,存活率提高了高达15–25%。这些功能益处使微藻既可作为饲料成分,也可作为营养保健品添加剂。

**微藻中的蛋白质和氨基酸**
微藻干生物质中的蛋白质含量范围为30–60%。小球藻(Chlorella vulgaris)、螺旋藻(Spirulina platensis)和微拟球藻(Nannochloropsis)特别富含高质量蛋白质,具有平衡的氨基酸谱,满足鱼类生长的必需氨基酸需求。先前研究表明,在水产饲料中部分替代富含氨基酸的小球藻和螺旋藻生物质是可行的,而不会损害鱼类生长性能。微藻因其易于消化和蛋白质组成(与高质量鱼粉高度相似)而非常适合作为饲料成分。它们含有可比水平的必需氨基酸,包括赖氨酸(占总蛋白的5–8%,而鱼粉中约7.5%)、蛋氨酸(1.5–3%,而鱼粉中约2.8%)和苏氨酸(4–5%,而鱼粉中约4.2%),这些营养物在常规陆基植物替代品中通常有限。在藻类工业5.0(Algal Industry 5.0)背景下,通过增强藻类蛋白质生产,蛋白质替代变得更加活跃和高效优化。一项研究(Kumar等,2024)应用前馈多层人工神经网络(artificial neural network, ANN)优化操作变量,包括碳氮比(C/N ratio)、光照强度、CO2百分比和空气流速。ML优化使索罗金小球藻(Chlorella sorokiniana)的生物质产量提高了三倍,脂质产量提高了七倍。在旨在优化糖小球藻(Chlorella saccharophila)共培养中叶黄素生产的ML辅助研究中,AI驱动的代谢组学分析揭示支链氨基酸是关键的代谢驱动因素。算法识别出这些氨基酸增强了微藻的中心代谢和碳骨架可用性,进而显著促进了叶黄素的合成。这种技术驱动的精确生物加工方法利用循环生物经济并消除了水产养殖的碳足迹,创造了低成本的、可靠的海洋鱼粉替代品,并推进了循环经济。

**微藻中的长链omega-3脂肪酸**
微藻可以合成长链多不饱和脂肪酸(PUFAs),占其总脂质的20%以上。这些PUFAs与甘油酯化形成三酰甘油(triacylglycerols, TAGs)或极性脂质,如磷脂和糖脂。富含PUFAs的生物活性脂质以其在预防和管理水生生物各种健康状况方面的潜在治疗益处而闻名。在这些必需营养素中,二十二碳六烯酸(docosahexaenoic acid, DHA, 22:6,?3)和二十碳五烯酸(eicosapentaenoic acid, EPA, 20:5,?3)是对人类和动物健康至关重要的关键PUFA组分。海洋微藻是DHA和EPA的主要生产者,这些脂肪酸对于维持鱼类健康以及增强供人类食用的鱼片营养价值至关重要。诸如裂殖壶菌(Schizochytrium)和隐甲藻(Crypthecodinium cohnii)等物种已商业化培养用于DHA生产,并已纳入水产饲料。补充微藻来源的油脂可改善鱼片中的omega-3含量,同时减少对有限鱼油资源的依赖。富含DHA的商业微藻,如裂殖壶菌(藻油),正被用作水产饲料中鱼油的替代品,以提供具有相同或更高omega-3脂肪酸含量的鱼片,并最大限度地减少对捕捞渔业的依赖。表1总结了使用藻油替代传统鱼油后鱼片中可测量的EPA和DHA含量。如表1所示,用藻油或基于微藻的成分(如富含DHA的菌株裂殖壶菌)替代鱼油可改善鱼类和虾的营养脂质质量。先前的研究共同表明,部分和完全替代都可以维持甚至增加鱼片中的EPA和DHA水平,同时积极影响生长性能。在尼罗罗非鱼和大西洋鲑等物种中,藻类补充通常能增强DHA含量和总omega-3水平,而在海水鱼(鲷鱼、裸盖鱼)和虾中,它有效维持了脂肪酸谱。因此,微藻成为水产饲料中鱼油的可靠且可持续的替代品,支持跨物种的强大omega-3沉积。藻类工业5.0(Algal Industry 5.0)作为即将到来的行业模型,其开发原则将通过扩展数字技术(包括DT和预测建模)的使用,改变高价值脂质的生产方式。DHA和EPA的生物合成响应于生态因素而发生。使用先进生物加工可以精确修改环境条件,以创造适合脂肪酸合成的条件。这通过控制无机营养物短缺(氮)和靶向光谱光来刺激PUFA和TAG积累,同时维持培养生物质,从而产生更大、经济上可用的微藻油脂,并替代源自海洋资源的鱼油。

**微藻中的色素和抗氧化剂**
微藻产生天然色素(叶绿素、类胡萝卜素、藻胆蛋白)和抗氧化剂(生育酚、多酚)。类胡萝卜素(虾青素、叶黄素和β-胡萝卜素)在水产养殖中作为抗氧化剂和天然颜色增强剂发挥作用。虾青素是微藻产生的红色类胡萝卜素色素,在鲑科鱼类养殖中通过增强肉质颜色(影响消费者接受度的关键因素)发挥关键作用。虾青素来源于微藻雨生红球藻(Haematococcus pluvialis),是赋予鲑鱼肉典型红色并提升整体产品质量的主要色素。先前研究一致认为,膳食虾青素可改善许多水产养殖物种的生长、存活率、应激韧性、抗病性和免疫参数,同时也作为强效抗氧化剂。在鲍鱼和其他物种中,虾青素在减轻氧化应激、增强抗氧化酶活性和免疫反应、提高存活率方面发挥关键作用,尽管这些益处的程度在不同研究中有所差异。关键色素如叶黄素和β-胡萝卜素也能增强鱼类的免疫功能和应激耐受性。此外,微藻已被证明是叶黄素的良好来源,叶黄素是一种具有显著健康益处的类胡萝卜素;然而,大多数关于叶黄素的研究都集中在生产上,关于鱼类喂养试验的研究非常少。一篇关于水产饲料中不同类型微藻的综述指出,β-胡萝卜素是一种重要的微藻类胡萝卜素,通常用作水产饲料中的维生素A原来源。Tambat等(2026)的研究进一步报告称,基于类胡萝卜素的抗氧化剂显著改善了鱼类的幼虫存活率和生长,以及免疫力和抗病性。在大西洋鲑中,摄食微藻日粮增加了肌肉中的叶黄素水平,改变了与免疫功能相关的基因表达,并改变了一些氧化应激标志物(超氧化物歧化酶)。此外,基于微藻的日粮或补充含类胡萝卜素的微藻提取物显著减少了鱼类物种(包括鲶鱼)的脂质过氧化并改变了抗氧化酶活性。藻类工业5.0(Algal Industry 5.0)的原则对于改变这些高价值色素的商业化生产方式至关重要。由于类胡萝卜素是作为对环境胁迫的防御机制而产生的,基于AI的预测模型和DT的先进生物加工能够实现对这些胁迫因子的最佳诱导。一项先前研究(Condor等,2022)利用ANN优化了小球藻(Chlorella vulgaris)中碳水化合物积累的条件。机器学习算法有效确定了特定的环境胁迫组合,如氮饥饿(低硝酸盐)与高光强搭配,产生了最佳的碳水化合物含量和乙醇产量。实施这种智能、精确引导的策略将为水产养殖业提供可持续、可扩展且经济高效的天然着色剂和抗氧化剂来源,同时显著减少对合成替代品的依赖。

**大规模微藻培养系统**
将微藻生产扩大到商业大规模水平需要平衡成本、生产力和质量的系统。广泛使用的三种主要微藻培养系统是开放系统(户外跑道池)、封闭系统(光生物反应器)和混合系统,如图2所示。微藻生产效率受培养方法影响,可分为光自养、异养或混养方法。通常,光自养系统可以在开放或封闭配置中操作,而异养系统仅限于封闭系统。混养系统是结合了两者元素的混合配置。表2总结了已开发的各种智能PBR,每种都具有独特的特性、局限性和优势,用于实施这些大规模培养设置,并附有工业可持续性的建议。光自养培养利用光和CO2进行光合作用,是研究最广泛的培养方法。光自养培养方法效率的提高取决于优化光利用、确保成本效益、易于处理、低维护和耐久性。生长所需的最佳光照强度因物种而异。近期研究(A. F. Esteves等,2024;Maltsev等,2021)表明,在高光照强度(1107μmol/m2/s)下生长的小球藻(Chlorella vulgaris)表现出更高的生长速率和生物质生产力(166 mg/L/天)。此外,Maltsev等(2021)还报告称,不同微藻物种和菌株需要不同的光照量,从60到700μmol/m2/s,以获得最多的脂质,高达290 mg/L/天。在开放培养中运行的光自养方法因其相对简单的操作要求和可扩展性而受到青睐。然而,它们易受污染、环境变异性和蒸发损失的影响,这些都导致低且不一致的干重(dry weight, DW)生物质产量(<0.5 g/L)。这些限制最终增加了下游加工成本(DW生物质约�290至�570/kg),特别是在收获和干燥方面。尽管存在这些挑战,它们仍广泛用于生产高价值化合物(色素和PUFA),改进重点在于更好的设计、基因工程和能源效率。与开放光自养系统相比,封闭光自养系统通过增强对环境参数的控制,显示出更高的生产力和降低的污染风险。然而,这些系统受到大量资本投资(管式PBR约40,000至50,000美元)、人工照明的显著能源需求(约267 kWh/kg DW)以及操作挑战(如结垢和物种特异性限制)的制约。在暗发酵罐中的异养培养依赖于有机碳来生产高价值化合物,如色素、omega-3脂肪酸和治疗性蛋白质。发酵罐通过精确调节环境因子和营养供应以优化微藻生长,与光合系统相比可加速生长并实现更高产量。因此,异养系统能实现高细胞密度生产、增强过程稳定性和全年运行能力。然而,其经济可行性受有机底物成本和下游加工要求的强烈影响。生物质生产成本估计在�1.08至�4.00每千克干重(kgDW)之间。这种配置需要高资本投资,存在污染风险,并排放温室气体。由于光自养和异养培养系统均存在局限性,因此引入了混养培养。混养方法整合了光自养和异养,使微藻能够同时利用无机和有机碳源。它实现了与异养培养系统相当甚至更高的生长速率和生物质产量,同时减少CO2排放。一项关于混养系统的先前研究(Kubar等,2025)报告称,一种结合开放跑道池和嵌套瓶式PBR的混合光生物反应器(图2)在闭环系统中增强了微藻生物质生产和CO2固定。与常规系统相比,这种设计改善了循环、传质、混合、光照和CO2溶解,导致干质量增加38%,传质和混合时间改善,CO2固定提高39.9%,光合效率提高8.7%。然而,该系统涉及昂贵的有机碳底物、复杂的系统整合,并引发了对可扩展性的担忧。

**开放培养系统**
塑料罐、水泥池、泻湖和跑道池是开放培养系统的例子。其中,跑道池因其相对较低的资本投资和运营成本而成为最普遍的大规模培养系统。这些浅水、桨轮混合的池塘依赖自然阳光,并广泛用于螺旋藻(Spirulina)和杜氏藻(Dunaliella)等强健菌株。然而,这种开放光自养培养系统易受污染、低质量浓度(0.5 g/L)、蒸发损失以及因环境波动导致的产量变化。

**封闭培养系统**
管式、平板式和柱式反应器以及发酵罐属于封闭PBR和封闭光自养系统。这种系统提供了受控环境,具有更高的生产力和更低的污染风险。该系统能够培养高价值物种,如产生DHA的裂殖壶菌(Schizochytrium),其中产品质量和纯度至关重要。然而,封闭系统的主要缺点是照明、混合和冷却所需的高能源供应,这对于大宗饲料生产在经济上具有挑战性。此外,低生产力和结垢是采用封闭培养系统时的关键考虑因素。

**混合培养系统**
混合或混养培养系统结合了开放池塘的高生产力与PBR的生物安全性。组合的两阶段系统首先使用PBR进行接种物生产,然后将接种物转移到跑道池中进行生物质生长。与单独使用任一系统相比,这导致了显著更高的富含脂质的生物质和增加的叶绿素/藻蓝蛋白产量。此外,其他混合培养配置,如生物膜反应器和嵌套瓶混合系统,是正在测试用于废水处理的新概念。然而,使用混合培养系统生产水产饲料用微藻表现出较慢的生长动力学和较高的水产养殖系统操作不稳定性。此外,用于高密度、富营养或快速生长藻类培养的高成本碳底物(如葡萄糖和乙酸盐)的使用增加了生物质生产成本。因此,开发经济上和实践上可行的培养方法对于推进微藻在水产饲料中的应用至关重要。

**藻类生产系统中工业4.0和工业5.0的概念框架**
表3展示了从藻类工业4.0(Algal Industry 4.0)到藻类工业5.0(Algal Industry 5.0)的不同方面进展,超越了数字技术。在藻类工业4.0中,主要重点是效率、成本效益过程和以利润为导向的微藻生产。操作员的角色是提供对微藻生长的最小监控,由IoT云监控和AI推理支持。藻类工业4.0中的决策是数据驱动的自动化,其中可持续性不是首要考虑,弹性有限。因此,藻类工业4.0向采用工业5.0原则的转变至关重要,即从以技术为重点和以利润为导向的模式转向包含三个核心支柱的模式:可持续、以人为本和弹性方法,确保社会经济负责任的藻类生物质生产行业。藻类工业5.0被定义为一个综合的、可持续的、以人为本的、有弹性的藻类生产生态系统,它结合了数字技术(如IoT、AI和DT)、先进生物过程技术(包括基因工程)和人类专业知识,以在动态培养条件下提高生产力、环境可持续性和自适应决策。例如,在藻类工业4.0中,使用IoT传感器系统对常规微藻系统中的pH、EC、光照和CO2进行连续监测,提供实时水质数据。长期获得的数据使用ML模型离线解释或分类。在藻类工业5.0框架内,训练了异常检测模型,如长短期记忆(long short-term memory, LSTM)自动编码器。它们可以部署在边缘计算设备上,作为AI驱动的专家来解释生物变异和污染事件,为操作员提供可操作的见解,并支持自适应干预策略。从劳动力角度来看,范式转变是从自动化到人机协作,操作员技能增强、信息充分,并得到智能DSS工具的支持。这在微藻生产中至关重要,因为生物变异性使得人类专家知识至关重要。基因修饰和菌株开发以缩短微藻生长时间,是藻类工业4.0中降低微藻生产成本的潜在先进方法。藻类工业5.0中的可持续生物质生产需要推进循环生物经济、区块链整合以及支持基因工程,以开发更具弹性、生产力和高价值的产品。藻类工业5.0引入了伦理考量、劳动力转型和数据治理。在数据治理方面,藻类工业4.0主要关注大规模数据采集和系统效率,而藻类工业5.0强调数据透明度、所有权、安全性以及AI的负责任使用,以支持可信赖和以人为本的决策。藻类工业5.0强调技术的负责任应用,确保AI驱动的优化与环境可持续性保持一致,并瞄准净零碳排放,而非像藻类工业4.0那样仅缓解碳排放。

**五层藻类工业5.0模型**
通过整合工业5.0的核心关注点(表3),本综述概述了一个五层藻类工业5.0模型(图3)。第1层是物理层,包括微藻培养系统和传感器水质监测。IoT、大数据和AI是数字技术层(第2层)的基础。第1层和第2层是藻类工业4.0的基础。IoT传感器系统可以连续监测水质,利用嵌入边缘设备的ML模型检测培养物中的胁迫,从而实现对培养崩溃的早期缓解和培养参数的调整。藻类工业4.0中AI或自动化控制技术的增强不应被视为替代人类,而是在关键情况下支持人类决策。对培养异常根本原因的解释以及针对特定菌株的培养参数定制应由人类控制。这种设置特别适用于增强实验室规模或中试规模的藻类生产设置,其中生物化学知识至关重要。在藻类工业4.0的基础上,将微藻培养与智能(如DT模型、预测控制和优化算法)整合表征了第3层(智能层)。第4层的应用帮助操作员调整光照以刺激特定色素、营养物、CO2水平和收获时间,可能导致高价值蛋白质生产和生产力提高。在第4层,以人为本的藻类生产涉及使用IoT传感器和执行器、自动化和协作机器人(cobots),将人类从重复性任务中解放出来,减少下游过程(脱水、干燥和提取)的高生产成本,并改善工人的福利、人体工学和安全性。反过来,第4层促进了需要创新和批判性思维的工作。藻类工业5.0中可持续性的第5层与联合国气候变化大会(COP)的任务一致。它是藻类工业5.0的关键支柱,其中藻类生产应平衡环境可持续性与效率驱动目标。微藻通过CO2封存、能源优化、废水处理和生物加工来锚定可持续性,支持循环生物经济。在微藻生产中,藻类工业5.0强调管理照明和通风的重要性,注重节能、可再生能源整合以及面向生命周期的过程优化。因此,未来的微藻培养DT模型能够实现资源节约型培养,超越最大生物质生产。这一视角将微藻系统定位为气候正效益的生物过程,而不仅仅是生物质生产实体。藻类工业5.0导致更智能、更定制化的方法、环境可持续性和生产力提高,此外还部署了智能传感器系统、AI和机器人。微藻培养可能受到各种因素的干扰,包括污染、温度波动、光照变化和营养失衡。为了解决这些问题,藻类工业5.0的第5层通过实时水质异常检测、培养崩溃的预测建模、通过基因修饰选择弹性菌株以及自适应培养策略来支持弹性。在边缘控制器系统中部署机器学习使能早期预警系统和最低人类干预下的快速恢复行动。这对于室外培养池、大规模PBR以及暴露于气候变异性系统中的系统尤其相关。藻类工业5.0对微藻行业的长期影响使其与联合国可持续发展目标(Sustainable Development Goals, SDGs)下的SDG 2(零饥饿)、SDG 9(产业、创新和基础设施)和SDG 13(气候行动)保持一致。

**微藻培养向工业5.0转型的关键使能技术**
朝向藻类工业5.0转型,本综述提出了七项关键使能技术,帮助藻类行业变得更加高效,并对环境和社会更有价值。这些关键使能因素将在以下章节中讨论,包括:(i) 生物过程监测和决策中的人机协作;(ii) 机器学习和AI应用;(iii) 用于实时微藻培养优化和异常检测的DT;(iv) 具有自优化系统的智能PBR;(v) 微藻收获和干燥中的机器人技术和自动化;(vi) 水产饲料供应链中用于溯源和质量保证的区块链;(vii) 可持续藻类农场中的循环生物经济。

**生物过程监测和决策中的人机协作**
工业革命已从传统的动力学和机理模型发展到高级的数据驱动和混合建模方法,应用IoT、信息物理系统(cyber physical system, CPS)、ML和AI技术进行实时过程控制。虽然这些系统提高了监测准确性和操作效率,但它们的部署通常受传感器可靠性、校准要求以及将异构数据流整合到统一控制平台中的挑战所限制。这些系统应用CPS实现物理和计算过程之间的实时交互,而ML和AI通过智能自动化和预测性维护增强生产。几十年来,培养技术的创新越来越多地纳入了用于实时监测和控制的数字工具,从开放池塘到PBR。多项研究报告了将IoT支持的传感器网络用于连续监测微藻培养参数的好处。这些参数包括pH、电导率、温度、溶解氧、浊度、总太阳辐照度和营养物浓度。其他研究表明,集成IoT传感器监测通过提供自动调节和简化的环境数据访问,提高了操作效率和污染控制。然而,大多数报告的系统在中试或实验室规模得到验证,其向工业操作的扩展性尚未得到充分证明。Chai等(2025)描述了一个说明性实施案例,记录了一个小型系统——智能微藻培养箱系统(Smart Microalgae Incubator System, SMIS)用于螺旋藻养殖的开发和部署。该系统与IoT技术集成以监测微藻生长。系统可以自动收集生物质、回收培养基,并通知操作员营养损失和废物积累等状况。在Chai等(2025)报告的框架中,能够提供预测性建议的机器学习模型的集成,例如通过人机协作应对营养损失或生物质产量预测的缓解策略,以及AI辅助的营养预测,仍然有限。

**人工智能和机器学习应用**
在微藻培养中,ML和AI越来越多地用于分类、目标检测、
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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