基于人工神經(jīng)網(wǎng)絡(luò)的發(fā)酵工程深度算法策略
如需獲取原文獻(xiàn)/補(bǔ)充資料 請(qǐng)關(guān)注公眾號(hào)
編者按
跟蹤智慧實(shí)驗(yàn)室的理論研究發(fā)展?fàn)顩r、產(chǎn)業(yè)發(fā)展動(dòng)態(tài)、主要設(shè)備供應(yīng)商產(chǎn)品研發(fā)動(dòng)態(tài)、國內(nèi)外智慧實(shí)驗(yàn)室建設(shè)成果現(xiàn)狀等信息內(nèi)容。本文由中科院上海生命科學(xué)信息中心與曼森生物合作供稿。
本期推文部分編譯了Yang Cheng 等發(fā)表在 Bioresource Technology期刊上的綜述論文《生物過程中的人工智能技術(shù)：機(jī)遇與挑戰(zhàn)》
生物過程中的人工智能技術(shù)：機(jī)遇與挑戰(zhàn)
隨著全球從化石經(jīng)濟(jì)向生物經(jīng)濟(jì)的持續(xù)過渡，用于生產(chǎn)生物燃料、材料和醫(yī) 療保健產(chǎn)品的工業(yè)生物工藝的數(shù)量正在穩(wěn)步增長。生物過程是利用活細(xì)胞或其成 分生產(chǎn)增值產(chǎn)品的任何過程。然而，低生物轉(zhuǎn)化率和生產(chǎn)率通常是生物工藝的局限性。此外，菌株的生物過程性能受到其代謝特性和外部環(huán)境條件的限制。例如， 在從實(shí)驗(yàn)室規(guī)模向工業(yè)規(guī)模轉(zhuǎn)移的過程中，存在一個(gè)被稱為“放大效應(yīng)”的巨大 挑戰(zhàn)，這可能伴隨著生物過程的糟糕性能，導(dǎo)致經(jīng)濟(jì)效益降低。因此，生物過程通常需要進(jìn)一步優(yōu)化，以實(shí)現(xiàn)更好的性能和控制，從而消除環(huán)境條件的負(fù)面影響。
在過去的幾十年里，在生物過程控制和優(yōu)化方面取得了重大進(jìn)展。例如，正交實(shí)驗(yàn)設(shè)計(jì)（OED）和響應(yīng)面方法（RSM）被廣泛應(yīng)用于確定最佳參數(shù)，以獲得令人滿意的生物工藝性能。此外，機(jī)器學(xué)習(xí)（ML）算法已逐漸被用于研究生物過程中變量之間的非線性關(guān)系。例如，將人工神經(jīng)網(wǎng)絡(luò)（ANN）應(yīng)用于發(fā)酵生產(chǎn) 聚（3-羥基丁酸酯-3-羥基戊酸酯）的建模和優(yōu)化；將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFANN）和粒子群優(yōu)化（PSO）用于透明質(zhì)酸生產(chǎn)的優(yōu)化。此外，實(shí)時(shí)監(jiān)控技術(shù)也在迅速發(fā)展。例如，通過使用探針產(chǎn)生的交變電場實(shí)現(xiàn)了完善的在線生物質(zhì)濃度檢測技術(shù)。用熒光團(tuán)標(biāo)記的蛋白質(zhì) 人工智能是一門試圖模仿人類思維來解決問題的計(jì)算機(jī)科學(xué)。
人工智能程序可以通過預(yù)先確定的規(guī)則或數(shù)據(jù)模式識(shí)別做出獨(dú)立決策。最近，越來越多的人工智能技術(shù)被應(yīng)用于生物過程的優(yōu)化和控制，以提高生物過程的性能。例如，使用混合多目標(biāo)策略來同時(shí)優(yōu)化工業(yè)生產(chǎn)中微生物的生物量和產(chǎn)量。此外，根據(jù)厭氧消化（AD）中的在線傳感器數(shù)據(jù)，應(yīng)用深度學(xué)習(xí)方法預(yù)測關(guān)鍵工藝參數(shù)（CPPs）；圖像識(shí)別技術(shù)也被應(yīng)用于堆肥成熟度的快速檢測。這些研究表明，人工智能具有良好的生物過程優(yōu)化和控制前景。這篇綜述首先討論了人工智能引導(dǎo)建模和優(yōu)化技術(shù)的最新貢獻(xiàn)。然后介紹和分析了人工智能輔助快速檢測與監(jiān)測技術(shù)的應(yīng)用。對(duì)基于上述技術(shù)的先進(jìn)控制技術(shù)進(jìn)行了總結(jié)。最后，總結(jié)了存在的問題，并對(duì)未來的發(fā)展方向進(jìn)行了展望。
在過去的幾十年里，在生物過程控制和優(yōu)化方面取得了重大進(jìn)展。例如，正交實(shí)驗(yàn)設(shè)計(jì)（OED）和響應(yīng)面方法（RSM）被廣泛應(yīng)用于確定最佳參數(shù)，以獲得令人滿意的生物工藝性能。此外，機(jī)器學(xué)習(xí)（ML）算法已逐漸被用于研究生物過程中變量之間的非線性關(guān)系。例如，將人工神經(jīng)網(wǎng)絡(luò)（ANN）應(yīng)用于發(fā)酵生產(chǎn) 聚（3-羥基丁酸酯-3-羥基戊酸酯）的建模和優(yōu)化；將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFANN）和粒子群優(yōu)化（PSO）用于透明質(zhì)酸生產(chǎn)的優(yōu)化。此外，實(shí)時(shí)監(jiān)控技術(shù)也在迅速發(fā)展。例如，通過使用探針產(chǎn)生的交變電場實(shí)現(xiàn)了完善的在線生物質(zhì)濃度檢測技術(shù)。用熒光團(tuán)標(biāo)記的蛋白質(zhì) 人工智能是一門試圖模仿人類思維來解決問題的計(jì)算機(jī)科學(xué)。
人工智能程序可以通過預(yù)先確定的規(guī)則或數(shù)據(jù)模式識(shí)別做出獨(dú)立決策。最近，越來越多的人工智能技術(shù)被應(yīng)用于生物過程的優(yōu)化和控制，以提高生物過程的性能。例如，使用混合多目標(biāo)策略來同時(shí)優(yōu)化工業(yè)生產(chǎn)中微生物的生物量和產(chǎn)量。此外，根據(jù)厭氧消化（AD）中的在線傳感器數(shù)據(jù)，應(yīng)用深度學(xué)習(xí)方法預(yù)測關(guān)鍵工藝參數(shù)（CPPs）；圖像識(shí)別技術(shù)也被應(yīng)用于堆肥成熟度的快速檢測。這些研究表明，人工智能具有良好的生物過程優(yōu)化和控制前景。這篇綜述首先討論了人工智能引導(dǎo)建模和優(yōu)化技術(shù)的最新貢獻(xiàn)。然后介紹和分析了人工智能輔助快速檢測與監(jiān)測技術(shù)的應(yīng)用。對(duì)基于上述技術(shù)的先進(jìn)控制技術(shù)進(jìn)行了總結(jié)。最后，總結(jié)了存在的問題，并對(duì)未來的發(fā)展方向進(jìn)行了展望。
人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)具有適應(yīng)性強(qiáng)、容錯(cuò)性強(qiáng)的典型特點(diǎn)，擅長處理復(fù)雜的非線性問題。人工神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成，從信息處理的角度來看， 它們與人腦的神經(jīng)網(wǎng)絡(luò)非常接近。如圖 1 所示，每一層中的神經(jīng)元根據(jù)懲罰函數(shù)連接到下一層。人工神經(jīng)網(wǎng)絡(luò)的性能主要受結(jié)構(gòu)和學(xué)習(xí)算法的影響。神經(jīng)網(wǎng)絡(luò)模型根據(jù)其結(jié)構(gòu)可分為前饋神經(jīng)網(wǎng)絡(luò)（FFNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）。此外，可以根據(jù)神經(jīng)元的學(xué)習(xí)算法和模式對(duì)每個(gè)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)一步分類。例如，反向傳播神經(jīng)網(wǎng)絡(luò)（BP-ANN）是由名為反向傳播的監(jiān)督學(xué)習(xí)算法訓(xùn)練的 FFNN。同樣，多層感知器神經(jīng)網(wǎng)絡(luò)（MLP-ANN）和 RBF-ANN 也屬于 FFNN。
神經(jīng)網(wǎng)絡(luò)作為應(yīng)用最廣泛的最大似然方法，經(jīng)常被用來優(yōu)化預(yù)處理過程。由于預(yù)處理中的變化通常涉及多個(gè)尺度，因此關(guān)鍵工藝參數(shù)（CPPs）總是具有和關(guān)鍵質(zhì)量屬性（CQA）的非線性。最近，采用人工神經(jīng)網(wǎng)絡(luò)和 RSM 建立了總還原糖預(yù)測模型，以測試這兩個(gè)模型在預(yù)處理中的性能。RSM 和 ANN 均具有較高的相關(guān)系數(shù)。然而，RSM模型的均方根誤差（RMSE）（5.564）和標(biāo)準(zhǔn)預(yù)測誤差（SEP）（2.294%）大于 ANN 模型的 3.630%和 1.908%，表明 ANN 對(duì)預(yù)處理過程提供了 更好的近似。
此外，還使用人工神經(jīng)網(wǎng)絡(luò)對(duì)各種預(yù)處理策略進(jìn)行了對(duì)比。例如，構(gòu)建了基于微波和基于蒸汽的神經(jīng)網(wǎng)絡(luò)模型來探索最佳 CQA。盡管在他們的研究中，這些模型尚未被優(yōu)化以確定最佳 CPPs，但通過比較不同的計(jì)算機(jī)模型來確定最佳實(shí)驗(yàn)方法仍然是一個(gè)有吸引力的想法。此外，人工神經(jīng)網(wǎng)絡(luò)也被廣泛應(yīng)用于發(fā)酵過程的優(yōu)化。例如，碳和氮源已經(jīng)根據(jù) FFNN 范式進(jìn)行了優(yōu)化。此外， 另一項(xiàng)研究側(cè)重于實(shí)現(xiàn)與時(shí)間相關(guān)的發(fā)酵控制策略，以提高產(chǎn)量。為了實(shí)現(xiàn)這一目標(biāo)，時(shí)間被視為神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn)。
此外，采用遺傳算法確定發(fā)酵參數(shù)的最優(yōu)控制軌跡。時(shí)序數(shù)據(jù)的精確模擬可能對(duì)智能控制技術(shù)的進(jìn)一步發(fā)展至關(guān)重要。DNN 還用于模擬在不同時(shí)間控制多物種群落（共培養(yǎng)）系統(tǒng)中具有特定功能的微生物的富集。與以往的研究不同，強(qiáng)化學(xué)習(xí)被直接應(yīng)用于學(xué)習(xí)控制行為與后果之間的關(guān)系。此外，應(yīng)用傳統(tǒng)動(dòng)力學(xué)模型生成 DNN 的訓(xùn)練和測試數(shù)據(jù)集， 表明動(dòng)力學(xué)模型和 DNN 相結(jié)合的混合模型能夠準(zhǔn)確模擬共培養(yǎng)系統(tǒng)中微生物群落的長期動(dòng)態(tài)富集。除此之外，人工神經(jīng)網(wǎng)絡(luò)還可以進(jìn)一步利用動(dòng)力學(xué)模型。在最近的一項(xiàng)研究中，熱解動(dòng)力學(xué)是由化學(xué)知情神經(jīng)網(wǎng)絡(luò)（CINN）生成的，其中包含熱重分析測量值的數(shù)據(jù)庫被視為訓(xùn)練數(shù)據(jù)。
人工神經(jīng)網(wǎng)絡(luò)也已應(yīng)用于下游工藝，通過優(yōu)化 CPPs 來最大限度地提高生物柴油的提取效率。人工神經(jīng)網(wǎng)絡(luò)在生物加工中有許多成功的應(yīng)用，但也有很大的局限性。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)“黑盒”模型，不能為建模提供依據(jù)。人工神經(jīng)網(wǎng)絡(luò)使用實(shí)驗(yàn)數(shù)據(jù)通過反復(fù)迭代來調(diào)整模型參數(shù)，而不是了解變化背后的本質(zhì)。這種限制肯定對(duì)研究人員不友好，盡管人工神經(jīng)網(wǎng)絡(luò)模型總是比傳統(tǒng)方法更適合。另一個(gè)問題是為隱藏層選擇正確數(shù)量的神經(jīng)元。通常，神經(jīng)網(wǎng)絡(luò)中神經(jīng)元數(shù)量的增加通常會(huì)導(dǎo)致更好的學(xué)習(xí)性能。然而，過多的神經(jīng)元可能會(huì)導(dǎo)致過度擬合現(xiàn)象。因此，人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力之間存在權(quán)衡。
此外，還使用人工神經(jīng)網(wǎng)絡(luò)對(duì)各種預(yù)處理策略進(jìn)行了對(duì)比。例如，構(gòu)建了基于微波和基于蒸汽的神經(jīng)網(wǎng)絡(luò)模型來探索最佳 CQA。盡管在他們的研究中，這些模型尚未被優(yōu)化以確定最佳 CPPs，但通過比較不同的計(jì)算機(jī)模型來確定最佳實(shí)驗(yàn)方法仍然是一個(gè)有吸引力的想法。此外，人工神經(jīng)網(wǎng)絡(luò)也被廣泛應(yīng)用于發(fā)酵過程的優(yōu)化。例如，碳和氮源已經(jīng)根據(jù) FFNN 范式進(jìn)行了優(yōu)化。此外， 另一項(xiàng)研究側(cè)重于實(shí)現(xiàn)與時(shí)間相關(guān)的發(fā)酵控制策略，以提高產(chǎn)量。為了實(shí)現(xiàn)這一目標(biāo)，時(shí)間被視為神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn)。
此外，采用遺傳算法確定發(fā)酵參數(shù)的最優(yōu)控制軌跡。時(shí)序數(shù)據(jù)的精確模擬可能對(duì)智能控制技術(shù)的進(jìn)一步發(fā)展至關(guān)重要。DNN 還用于模擬在不同時(shí)間控制多物種群落（共培養(yǎng)）系統(tǒng)中具有特定功能的微生物的富集。與以往的研究不同，強(qiáng)化學(xué)習(xí)被直接應(yīng)用于學(xué)習(xí)控制行為與后果之間的關(guān)系。此外，應(yīng)用傳統(tǒng)動(dòng)力學(xué)模型生成 DNN 的訓(xùn)練和測試數(shù)據(jù)集， 表明動(dòng)力學(xué)模型和 DNN 相結(jié)合的混合模型能夠準(zhǔn)確模擬共培養(yǎng)系統(tǒng)中微生物群落的長期動(dòng)態(tài)富集。除此之外，人工神經(jīng)網(wǎng)絡(luò)還可以進(jìn)一步利用動(dòng)力學(xué)模型。在最近的一項(xiàng)研究中，熱解動(dòng)力學(xué)是由化學(xué)知情神經(jīng)網(wǎng)絡(luò)（CINN）生成的，其中包含熱重分析測量值的數(shù)據(jù)庫被視為訓(xùn)練數(shù)據(jù)。
人工神經(jīng)網(wǎng)絡(luò)也已應(yīng)用于下游工藝，通過優(yōu)化 CPPs 來最大限度地提高生物柴油的提取效率。人工神經(jīng)網(wǎng)絡(luò)在生物加工中有許多成功的應(yīng)用，但也有很大的局限性。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)“黑盒”模型，不能為建模提供依據(jù)。人工神經(jīng)網(wǎng)絡(luò)使用實(shí)驗(yàn)數(shù)據(jù)通過反復(fù)迭代來調(diào)整模型參數(shù)，而不是了解變化背后的本質(zhì)。這種限制肯定對(duì)研究人員不友好，盡管人工神經(jīng)網(wǎng)絡(luò)模型總是比傳統(tǒng)方法更適合。另一個(gè)問題是為隱藏層選擇正確數(shù)量的神經(jīng)元。通常，神經(jīng)網(wǎng)絡(luò)中神經(jīng)元數(shù)量的增加通常會(huì)導(dǎo)致更好的學(xué)習(xí)性能。然而，過多的神經(jīng)元可能會(huì)導(dǎo)致過度擬合現(xiàn)象。因此，人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力之間存在權(quán)衡。
曼森“智之”智能分析軟件
基于神經(jīng)網(wǎng)絡(luò)在發(fā)酵領(lǐng)域的運(yùn)用,結(jié)合曼森自己的算法體系，自主研發(fā)了一款簡單易學(xué)易用的智能分析軟件。主打傻瓜式、自動(dòng)化，最大限度減少人工成本，不懂技術(shù)的用戶也可以無障礙使用 。
產(chǎn)品特點(diǎn)
·高通量發(fā)酵工藝開發(fā)的控制平臺(tái)，統(tǒng)籌調(diào)度，極大提升效率
·高度平行性控制能力，對(duì)所控發(fā)酵罐進(jìn)行一鍵標(biāo)定、一鍵賦值、一鍵啟停
·強(qiáng)大的過程參數(shù)檢測和精準(zhǔn)反饋調(diào)節(jié)能力
·過程參數(shù)可全程回溯跟蹤，數(shù)據(jù)可在云端共享，進(jìn)行大數(shù)據(jù)相關(guān)分析
·可對(duì)罐與罐、批次與批次之間發(fā)酵參數(shù)進(jìn)行實(shí)時(shí)和最終的多尺度分析
·可對(duì)接上下游檢測設(shè)備，做到全流程自動(dòng)化和數(shù)據(jù)對(duì)接分析
·有專業(yè)的DOE實(shí)驗(yàn)設(shè)計(jì)和工藝設(shè)計(jì)功能，完成多尺度開發(fā)和生產(chǎn)要求
·高通量發(fā)酵工藝開發(fā)的控制平臺(tái)，統(tǒng)籌調(diào)度，極大提升效率
·高度平行性控制能力，對(duì)所控發(fā)酵罐進(jìn)行一鍵標(biāo)定、一鍵賦值、一鍵啟停
·強(qiáng)大的過程參數(shù)檢測和精準(zhǔn)反饋調(diào)節(jié)能力
·過程參數(shù)可全程回溯跟蹤，數(shù)據(jù)可在云端共享，進(jìn)行大數(shù)據(jù)相關(guān)分析
·可對(duì)罐與罐、批次與批次之間發(fā)酵參數(shù)進(jìn)行實(shí)時(shí)和最終的多尺度分析
·可對(duì)接上下游檢測設(shè)備，做到全流程自動(dòng)化和數(shù)據(jù)對(duì)接分析
·有專業(yè)的DOE實(shí)驗(yàn)設(shè)計(jì)和工藝設(shè)計(jì)功能，完成多尺度開發(fā)和生產(chǎn)要求
文章部分來源：https://www.sciencedirect.com/science/article/pii/S0960852422017849
由于篇幅受限，關(guān)于上述文章原文獻(xiàn)詳見公眾號(hào)右下角底部菜單欄→補(bǔ)充資料，自動(dòng)跳轉(zhuǎn)獲取。
END
- 霍爾斯攜經(jīng)典發(fā)酵罐及切向流超濾系統(tǒng)亮相BioONE2025
- 霍爾斯正式發(fā)布全新一代智能不銹鋼發(fā)酵罐Su310
- 生物發(fā)酵過程優(yōu)化控制及培養(yǎng)基優(yōu)化技術(shù)交流講座通知
- 生物制造中試平臺(tái)建設(shè)及發(fā)酵關(guān)鍵技術(shù)研討班通知
- 2026第16屆生物發(fā)酵產(chǎn)品與技術(shù)裝備展（濟(jì)南）通知
- 2025發(fā)酵高產(chǎn)菌種選育與高通量篩選技術(shù)培訓(xùn)班通知
- 奧克蘭大學(xué)Brent Young教授一行訪問迪必爾生物
- 艾貝泰亮相2025第十五屆上海國際生物發(fā)酵系列展
Copyright(C) 1998-2026 生物器材網(wǎng) 電話：021-64166852;13621656896 E-mail：info@bio-equip.com