《Bioresource Technology》:Raman spectroscopic quantification of phycocyanin and process metadata-based data fusion for dry cell weight in
Spirulina platensis cultivation
编辑推荐:
•建立了一种基于拉曼的快速藻蓝蛋白 (PC) 定量方法。•原始光谱结合 RC-PLSR 获得了较高的 PC 预测精度。•拉曼光谱与过程数据的数据融合提高了干细胞重量的预测。引言工业活动和化石燃料燃烧导致的二氧化碳 (CO2) 排放增加引发了全球变暖和频繁的极端天气事件 (Di
- •
建立了一种基于拉曼的快速藻蓝蛋白 (PC) 定量方法。
- •
原始光谱结合 RC-PLSR 获得了较高的 PC 预测精度。
- •
拉曼光谱与过程数据的数据融合提高了干细胞重量的预测。
引言
工业活动和化石燃料燃烧导致的二氧化碳 (CO2) 排放增加引发了全球变暖和频繁的极端天气事件 (Diankristanti et al., 2024),地球上大约 60% 的 CO2 被藻类固定。在应对气候变化方面,蓝绿藻作为地球进化史上最早的光合生物,已将地球环境从无氧转变为有氧 (Hou et al., 2025, Li et al., 2024b)。微藻生物精炼技术作为一种生产高价值天然产品的绿色路线,近年来引起了广泛关注 (Zhang et al., 2026)。其中,扁球螺旋藻 (Spirulina platensis) 是主要贡献者,占全球年微藻生物质产量 10,000 吨 (干重) 的约 30%,这与其中所含高价值化合物藻蓝蛋白 (PC) 的存在密切相关 (Thevarajah et al., 2022)。PC 在食品添加剂、天然色素和药品/医疗保健产品领域展现出巨大的市场需求 (Yu et al., 2024, Zhou et al., 2026)。然而,在工业微藻生产中,传统的 PC 含量监测主要包括细胞破碎、缓冲液提取和分光光度法 (Athiyappan et al., 2024, Mao et al., 2024)。这些方法繁琐、耗时且具有破坏性,无法满足现代生物精炼厂对过程控制的需求 (Chong et al., 2024)。因此,开发一种快速旁线和非破坏性的细胞内 PC 定量技术具有重要意义。
为了实现快速的生物表征,各种光谱和光学技术,包括傅里叶变换红外 (FTIR) 光谱、近红外 (NIR) 光谱、拉曼光谱和高光谱成像,已在生物过程监测中得到广泛探索 (Thiviyanathan et al., 2024)。虽然包括近红外和荧光光谱在内的光学光谱技术已被广泛用于微藻生物质和功能色素的定量,但它们在动态液体培养中的实际应用仍存在根本性限制。具体而言,近红外光谱受到活体微藻悬浮液高水分基质的严重阻碍,水的强羟基 (O-

H) 吸收带与细胞内组分的特征振动信号广泛重叠,从而升高背景噪声并大幅降低低丰度目标的检测限 (Bleisch et al., 2025, Zheng and Kamruzzaman, 2025)。同时,荧光方法受限于光漂白、信号饱和以及在高采密下的严重内滤效应,导致线性浓度估计不可靠 (Liu et al., 2020)。作为一种无创分子指纹技术,拉曼光谱凭借其高特异性、无标记特性以及对水信号的不敏感性,已成为微藻组分定量的有力工具 (Ishihara and Takahashi, 2023, Sunil et al., 2025)。然而,源自复杂生物基质的原始光谱数据经常遇到严重的峰重叠和高维多重共线性 (Jehli?ka et al., 2022)。先进的化学计量学和机器学习算法提供了稳健的数学框架来解码复杂的光谱特征并确保预测稳定性 (Chen et al., 2024)。这类数据驱动模型已被广泛应用于微藻中脂质、碳水化合物、蛋白质和高价值色素的快速定量 (Chiu et al., 2017, Li et al., 2019, Long et al., 2026)。具体而言,偏最小二乘回归 (PLSR) 非常适合线性光谱特征建模,而支持向量回归 (SVR) 则擅长解决复杂的非线性映射。尽管如此,直接利用拉曼光谱定量 PC 浓度的研究仍然相对稀疏。同时,虽然对干细胞重量 (DCW) 等宏观生长指标的同时监测具有巨大的实际价值,但纯微观拉曼信号在跨菌株生理变异和环境扰动下极易发生多变量非线性漂移 (Thiviyanathan et al., 2024)。水平集成机器学习与过程元数据提供了关键的先验约束,这显著稳定了模型训练并无缝连接了微观光谱状态与宏观群体动力学 (Chong et al., 2024, Xu et al., 2020)。
本研究旨在建立一种基于拉曼光谱的高效小样本预测框架,以实现扁球螺旋藻 (Spirulina platensis) 的有效质量监测。最初,原始拉曼光谱特征耦合 PLSR 被用于实现可靠的线性定量并识别 PC 含量的核心振动带。随后,为了减轻预测宏观 DCW 时遇到的非线性基质干扰,构建了一种使用 SVR 将过程元数据 (菌株、光照和培养时间) 与优化光谱特征水平拼接的多源信息融合策略。最后,应用沙普利加和解释 (SHAP) 算法阐明了 DCW 预测模型中微观光谱和宏观过程特征的相对贡献权重。
章节片段
微藻培养与样品采集
在本研究中,两株扁球螺旋藻 (FACHB-314 和 FACHB-439) 取自国家水生生物种质资源中心 (中国武汉)。培养物在改良 SP 培养基中维持,其成分 (g/L) 为:13.61 NaHCO3、4.03 Na2CO3、0.50 K2HPO4、2.50 NaNO3、1.00 K2SO4、1.00 NaCl、0.20 MgSO4·7H2O、0.04 CaCl2·2H2O、0.01 FeSO4·7H2O 以及 1 mL 1000?×?微量元素溶液 (Manirafasha et al., 2018)。1000?×?微量元素溶液的成分 (g/L) 为:2.86 H3BO3、1.86
样品统计与拉曼光谱特征
与随机采样不同,该算法同时结合了光谱自变量 (X 矩阵) 和测得的理化值 (Y 向量) 的联合欧氏距离,以实现样本空间的均匀划分 (Zeng et al., 2024)。如表 1 所示,校正集中 PCD 范围为 6.64% 至 26.00%,平均值为 15.97%,标准差 (SD) 为 3.45%。在预测集中,PCD 范围为 8.38% 至 23.98%,平均值为 13.20%
结论
本研究建立了一种基于共聚焦拉曼光谱的差异定量监测框架,用于在小样本约束 (N?=?50) 下对活体扁球螺旋藻进行监测。通过 Raw-RC-PLSR 模型使用纯拉曼光谱准确量化了细胞内 PCD,实现了强劲的预测性能 (R2cv?=?0.924, R2?=?0.944, RPD?=?4.22)。对于 DCW,整合降维光谱特征与过程元数据 (菌株、光照质量,
CRediT 作者贡献声明
周晓宣: 撰写 – 初稿,可视化,验证,方法论,调查,数据整理。王璇: 形式分析,数据整理。魏硕: 调查。孙忠亮: 监督。胡立伟: 资源。赵丹丹: 撰写 – 审查与编辑,监督。郝建雄: 监督。郑雪超: 撰写 – 审查与编辑,监督,概念化。
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影响本文报告的工作。
致谢
本研究得到了河北省自然科学基金 (C2025208027) 和中央财政引导地方科技发展专项资金项目 (236Z7101G) 的资助。
周晓宣|王璇|魏硕|孙忠亮|胡立伟|赵丹丹|郝建雄|郑雪超