机器学习驱动的动态控制策略提高大肠杆菌 D-泛酸产量

《Biochemical Engineering Journal》:Machine learning-driven dynamic control strategy enhances D-pantothenic acid production by Escherichia coli

【字体: 大 中 小 】 时间:2026年08月27日 来源:Biochemical Engineering Journal 3.6

编辑推荐:

   •一种新颖的级联架构:开发了一个两阶段混合建模框架,集成了前向 ANN 软传感器和 SVM-RBF 模型,在验证集上实现了 D-泛酸滴度的实时和高精度预测,RMSE = 5.03 且 R2 = 0.982。•动态优化:提出了一种三阶段动态温度和 pH 控制策略,与大肠杆菌的生

  
  • •
    一种新颖的级联架构:开发了一个两阶段混合建模框架,集成了前向 ANN 软传感器和 SVM-RBF 模型,在验证集上实现了 D-泛酸滴度的实时和高精度预测,RMSE = 5.03 且 R2 = 0.982。
  • •
    动态优化:提出了一种三阶段动态温度和 pH 控制策略,与大肠杆菌的生理阶段相一致,将 D-泛酸滴度提高至 125.98 g/L,比初始滴度提高了 17.4%。
  • •
    机器学习模型的可解释性:通过 SHAP 分析量化了每个发酵参数对 D-泛酸生产的贡献,揭示了进料体积和发酵时间是最关键的影响因素。

引言

D-泛酸(DPA),又称维生素 B5,是一种水溶性维生素,在动植物生长和代谢中起着关键作用。它广泛应用于食品、制药和饲料行业 [1]。D-泛酸可以通过多种制造路线生产。化学合成作为第一代生产技术,在大规模生产和原材料获取方面仍具有优势,但它需要有机溶剂和手性分离,具有环境污染和生产成本高的固有缺陷。微生物发酵作为第二代技术,通过微生物代谢葡萄糖生产 D-泛酸,具有显著的环境和经济优势,尽管通常需要外源补充前体β-丙氨酸。近年来,基于基因编辑和合成生物学,开发了不补充外源β-丙氨酸的从头 D-泛酸发酵的第三代生产技术 [2]。因此,微生物发酵已成为 D-泛酸生产中替代化学合成的有前景的可持续选择 [3]。
发酵过程性能直接决定最终的 D-泛酸滴度,使得实时监测和精确的过程调节对于高效生产至关重要。然而,传统的发酵控制通常依赖经验启发和离线分析,导致固有的时间滞后,阻碍了准确、实时的调节。随着人工智能的快速发展,机器学习已被越来越多地应用于生物工程。作为人工智能的一个子领域,机器学习擅长从复杂数据集中学习底层非线性模式。它可以利用大数据集进行训练,构建内在的数学模型,揭示变量之间的隐藏关系 [4],并已被广泛应用于涵盖基因组学、蛋白质组学和发酵过程优化的生物系统设计 [5]。机器学习模型开发的标准工作流程包括六个阶段:问题定义、数据收集、数据预处理、模型构建、模型评估和模型部署。例如,Wang 等人开发了一种改进的压缩因子 - 粒子群优化 - 分段仿射(ICF-PSO-PWA)多模型方法,与 PSO 优化的加权最小二乘向量回归相比,将毕赤酵母发酵的预测准确性提高了 4.4884% [6]。Ma 等人使用 XGBoost 结合 AVPSO 优化,将己酸产量提高到 8.64 g/L,在训练集上的R2为 0.998 [7]。多项研究也比较了机器学习建模与传统统计方法:在生物乙醇发酵过程建模中,系统地评估了响应面法(RSM)、人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS),这些研究表明 ANN 实现了更优越的预测性能(R2=0.90),突出了其在工业乙醇生产放大中的应用价值 [8]。
然而,尽管机器学习在生物过程滴度预测中显示出巨大前景,但大多数现有研究集中在静态优化上,即在整個发酵运行期间过程参数保持不变。微生物发酵是一个高度动态的过程:快速生物量生长的最佳环境条件通常与高效产物合成的条件显著不同。因此,静态控制策略无法充分利用生产菌株的生物合成潜力。因此,迫切需要一种数据驱动的框架,能够对关键环境因素进行多阶段、动态调节,以平衡不同发酵阶段的细胞生长和产物生物合成 [9]。
本研究专注于通过大肠杆菌发酵生产 D-泛酸,并探索了机器学习在发酵过程预测和动态调节中的应用。利用 5 L 发酵罐的实验发酵数据,并借鉴先前研究中建立的建模框架 [10],[11],评估了五种机器学习算法以构建高精度的 D-泛酸滴度预测模型。同时,设计了一种前向 ANN 软传感器架构,并将其与优化的机器学习模型集成,以实现整个 D-泛酸发酵过程的数据驱动实时预测和动态调节。这项工作为 D-泛酸的高效工业生产提供了新颖的技术框架和理论支持。

章节片段

数据库数据的收集与预处理

所有发酵实验均使用大肠杆菌 DPAT6 菌株 [12] 在 5 L 搅拌罐发酵罐中进行,基于我们之前工作中构建的母株。所有实验产生的数据都编译成一个专用的发酵数据库。发酵过程参数,包括温度和 pH 值,在每次运行中手动设置,作为过程调节的核心变量(表 S1)。对于 DPAT6 发酵,采用葡萄糖进料策略结合 pH 统计控制 [13]

相关性分析与特征重要性排序

首先,评估了 D-泛酸滴度的分布及其对关键发酵条件的依赖性(图 3A、B、C)。初步分析表明,D-泛酸滴度峰值出现在发酵 60 h 后,最佳温度和 pH 范围分别为 30~32℃和 6.7~6.8。
计算了所有特征变量的皮尔逊相关系数,并生成了具有显著性检验的相关矩阵(图 4A)。结果显示所有

结论

在本研究中,我们开发了一种机器学习驱动的动态控制框架,用于通过大肠杆菌 DPAT6 发酵生产 D-泛酸。首先,利用在不同温度和 pH 条件下进行的多批 5 L 补料分批发酵数据,构建了一个综合的发酵数据库。
评估了五种机器学习算法用于 D-泛酸滴度预测,并通过网格搜索、贝叶斯优化和进行了超参数调整

伦理审查

本文不包含任何作者进行的人类参与者或动物研究。

未引用参考文献

[16], [17], [18], [19]

CRediT 作者贡献声明

Chunyue Weng: 可视化,软件。Liu Zhi-Qiang: 写作 – 审查与编辑,监督,项目管理。Zhang Shuqi: 数据整理。Yi Zhu: 写作 – 审查与编辑,写作 – 初稿,调查。Bo Zhang: 写作 – 审查与编辑,写作 – 初稿,方法论。Yuguo Zheng: 监督,资源。Wenyi Shan: 形式分析,数据整理。Binhao Gao: 构思。Chaoze Liu: 写作 – 初稿,调查,构思。

竞争利益声明

作者声明,他们没有已知的竞争财务利益或个人关系,可能会影响本文报告的工作。

致谢

该工作由中国浙江省自然科学基金华东医药联合基金资助,批准号 LHDMZ25C050001。

利益冲突

作者声明没有商业或财务利益冲突。
张博 | 刘超泽 | 单文义 | 高宾浩 | 朱毅 | 翁春月 | 刘志强 | 郑宇国
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