基于人工神經網絡的發酵工程深度算法策略
如需獲取原文獻/補充資料 請關注公眾號
編者按
跟蹤智慧實驗室的理論研究發展狀況、產業發展動態、主要設備供應商產品研發動態、國內外智慧實驗室建設成果現狀等信息內容。本文由中科院上海生命科學信息中心與曼森生物合作供稿。
本期推文部分編譯了Yang Cheng 等發表在 Bioresource Technology期刊上的綜述論文《生物過程中的人工智能技術：機遇與挑戰》
生物過程中的人工智能技術：機遇與挑戰
隨著全球從化石經濟向生物經濟的持續過渡，用于生產生物燃料、材料和醫 療保健產品的工業生物工藝的數量正在穩步增長。生物過程是利用活細胞或其成 分生產增值產品的任何過程。然而，低生物轉化率和生產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境條件的限制。例如， 在從實驗室規模向工業規模轉移的過程中，存在一個被稱為“放大效應”的巨大 挑戰，這可能伴隨著生物過程的糟糕性能，導致經濟效益降低。因此，生物過程通常需要進一步優化，以實現更好的性能和控制，從而消除環境條件的負面影響。
在過去的幾十年里，在生物過程控制和優化方面取得了重大進展。例如，正交實驗設計（OED）和響應面方法（RSM）被廣泛應用于確定最佳參數，以獲得令人滿意的生物工藝性能。此外，機器學習（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系。例如，將人工神經網絡（ANN）應用于發酵生產 聚（3-羥基丁酸酯-3-羥基戊酸酯）的建模和優化；將徑向基函數神經網絡（RBFANN）和粒子群優化（PSO）用于透明質酸生產的優化。此外，實時監控技術也在迅速發展。例如，通過使用探針產生的交變電場實現了完善的在線生物質濃度檢測技術。用熒光團標記的蛋白質 人工智能是一門試圖模仿人類思維來解決問題的計算機科學。
人工智能程序可以通過預先確定的規則或數據模式識別做出獨立決策。最近，越來越多的人工智能技術被應用于生物過程的優化和控制，以提高生物過程的性能。例如，使用混合多目標策略來同時優化工業生產中微生物的生物量和產量。此外，根據厭氧消化（AD）中的在線傳感器數據，應用深度學習方法預測關鍵工藝參數（CPPs）；圖像識別技術也被應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化和控制前景。這篇綜述首先討論了人工智能引導建模和優化技術的最新貢獻。然后介紹和分析了人工智能輔助快速檢測與監測技術的應用。對基于上述技術的先進控制技術進行了總結。最后，總結了存在的問題，并對未來的發展方向進行了展望。
在過去的幾十年里，在生物過程控制和優化方面取得了重大進展。例如，正交實驗設計（OED）和響應面方法（RSM）被廣泛應用于確定最佳參數，以獲得令人滿意的生物工藝性能。此外，機器學習（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系。例如，將人工神經網絡（ANN）應用于發酵生產 聚（3-羥基丁酸酯-3-羥基戊酸酯）的建模和優化；將徑向基函數神經網絡（RBFANN）和粒子群優化（PSO）用于透明質酸生產的優化。此外，實時監控技術也在迅速發展。例如，通過使用探針產生的交變電場實現了完善的在線生物質濃度檢測技術。用熒光團標記的蛋白質 人工智能是一門試圖模仿人類思維來解決問題的計算機科學。
人工智能程序可以通過預先確定的規則或數據模式識別做出獨立決策。最近，越來越多的人工智能技術被應用于生物過程的優化和控制，以提高生物過程的性能。例如，使用混合多目標策略來同時優化工業生產中微生物的生物量和產量。此外，根據厭氧消化（AD）中的在線傳感器數據，應用深度學習方法預測關鍵工藝參數（CPPs）；圖像識別技術也被應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化和控制前景。這篇綜述首先討論了人工智能引導建模和優化技術的最新貢獻。然后介紹和分析了人工智能輔助快速檢測與監測技術的應用。對基于上述技術的先進控制技術進行了總結。最后，總結了存在的問題，并對未來的發展方向進行了展望。
人工神經網絡
人工神經網絡具有適應性強、容錯性強的典型特點，擅長處理復雜的非線性問題。人工神經網絡由輸入層、隱藏層和輸出層組成，從信息處理的角度來看， 它們與人腦的神經網絡非常接近。如圖 1 所示，每一層中的神經元根據懲罰函數連接到下一層。人工神經網絡的性能主要受結構和學習算法的影響。神經網絡模型根據其結構可分為前饋神經網絡（FFNN）、卷積神經網絡（CNN）和遞歸神經網絡（RNN）。此外，可以根據神經元的學習算法和模式對每個結構的神經網絡進行進一步分類。例如，反向傳播神經網絡（BP-ANN）是由名為反向傳播的監督學習算法訓練的 FFNN。同樣，多層感知器神經網絡（MLP-ANN）和 RBF-ANN 也屬于 FFNN。
神經網絡作為應用最廣泛的最大似然方法，經常被用來優化預處理過程。由于預處理中的變化通常涉及多個尺度，因此關鍵工藝參數（CPPs）總是具有和關鍵質量屬性（CQA）的非線性。最近，采用人工神經網絡和 RSM 建立了總還原糖預測模型，以測試這兩個模型在預處理中的性能。RSM 和 ANN 均具有較高的相關系數。然而，RSM模型的均方根誤差（RMSE）（5.564）和標準預測誤差（SEP）（2.294%）大于 ANN 模型的 3.630%和 1.908%，表明 ANN 對預處理過程提供了 更好的近似。
此外，還使用人工神經網絡對各種預處理策略進行了對比。例如，構建了基于微波和基于蒸汽的神經網絡模型來探索最佳 CQA。盡管在他們的研究中，這些模型尚未被優化以確定最佳 CPPs，但通過比較不同的計算機模型來確定最佳實驗方法仍然是一個有吸引力的想法。此外，人工神經網絡也被廣泛應用于發酵過程的優化。例如，碳和氮源已經根據 FFNN 范式進行了優化。此外， 另一項研究側重于實現與時間相關的發酵控制策略，以提高產量。為了實現這一目標，時間被視為神經網絡模型的輸入節點。
此外，采用遺傳算法確定發酵參數的最優控制軌跡。時序數據的精確模擬可能對智能控制技術的進一步發展至關重要。DNN 還用于模擬在不同時間控制多物種群落（共培養）系統中具有特定功能的微生物的富集。與以往的研究不同，強化學習被直接應用于學習控制行為與后果之間的關系。此外，應用傳統動力學模型生成 DNN 的訓練和測試數據集， 表明動力學模型和 DNN 相結合的混合模型能夠準確模擬共培養系統中微生物群落的長期動態富集。除此之外，人工神經網絡還可以進一步利用動力學模型。在最近的一項研究中，熱解動力學是由化學知情神經網絡（CINN）生成的，其中包含熱重分析測量值的數據庫被視為訓練數據。
人工神經網絡也已應用于下游工藝，通過優化 CPPs 來最大限度地提高生物柴油的提取效率。人工神經網絡在生物加工中有許多成功的應用，但也有很大的局限性。人工神經網絡是一個“黑盒”模型，不能為建模提供依據。人工神經網絡使用實驗數據通過反復迭代來調整模型參數，而不是了解變化背后的本質。這種限制肯定對研究人員不友好，盡管人工神經網絡模型總是比傳統方法更適合。另一個問題是為隱藏層選擇正確數量的神經元。通常，神經網絡中神經元數量的增加通常會導致更好的學習性能。然而，過多的神經元可能會導致過度擬合現象。因此，人工神經網絡的學習能力和泛化能力之間存在權衡。
此外，還使用人工神經網絡對各種預處理策略進行了對比。例如，構建了基于微波和基于蒸汽的神經網絡模型來探索最佳 CQA。盡管在他們的研究中，這些模型尚未被優化以確定最佳 CPPs，但通過比較不同的計算機模型來確定最佳實驗方法仍然是一個有吸引力的想法。此外，人工神經網絡也被廣泛應用于發酵過程的優化。例如，碳和氮源已經根據 FFNN 范式進行了優化。此外， 另一項研究側重于實現與時間相關的發酵控制策略，以提高產量。為了實現這一目標，時間被視為神經網絡模型的輸入節點。
此外，采用遺傳算法確定發酵參數的最優控制軌跡。時序數據的精確模擬可能對智能控制技術的進一步發展至關重要。DNN 還用于模擬在不同時間控制多物種群落（共培養）系統中具有特定功能的微生物的富集。與以往的研究不同，強化學習被直接應用于學習控制行為與后果之間的關系。此外，應用傳統動力學模型生成 DNN 的訓練和測試數據集， 表明動力學模型和 DNN 相結合的混合模型能夠準確模擬共培養系統中微生物群落的長期動態富集。除此之外，人工神經網絡還可以進一步利用動力學模型。在最近的一項研究中，熱解動力學是由化學知情神經網絡（CINN）生成的，其中包含熱重分析測量值的數據庫被視為訓練數據。
人工神經網絡也已應用于下游工藝，通過優化 CPPs 來最大限度地提高生物柴油的提取效率。人工神經網絡在生物加工中有許多成功的應用，但也有很大的局限性。人工神經網絡是一個“黑盒”模型，不能為建模提供依據。人工神經網絡使用實驗數據通過反復迭代來調整模型參數，而不是了解變化背后的本質。這種限制肯定對研究人員不友好，盡管人工神經網絡模型總是比傳統方法更適合。另一個問題是為隱藏層選擇正確數量的神經元。通常，神經網絡中神經元數量的增加通常會導致更好的學習性能。然而，過多的神經元可能會導致過度擬合現象。因此，人工神經網絡的學習能力和泛化能力之間存在權衡。
曼森“智之”智能分析軟件
基于神經網絡在發酵領域的運用,結合曼森自己的算法體系，自主研發了一款簡單易學易用的智能分析軟件。主打傻瓜式、自動化，最大限度減少人工成本，不懂技術的用戶也可以無障礙使用 。
產品特點
·高通量發酵工藝開發的控制平臺，統籌調度，極大提升效率
·高度平行性控制能力，對所控發酵罐進行一鍵標定、一鍵賦值、一鍵啟停
·強大的過程參數檢測和精準反饋調節能力
·過程參數可全程回溯跟蹤，數據可在云端共享，進行大數據相關分析
·可對罐與罐、批次與批次之間發酵參數進行實時和最終的多尺度分析
·可對接上下游檢測設備，做到全流程自動化和數據對接分析
·有專業的DOE實驗設計和工藝設計功能，完成多尺度開發和生產要求
·高通量發酵工藝開發的控制平臺，統籌調度，極大提升效率
·高度平行性控制能力，對所控發酵罐進行一鍵標定、一鍵賦值、一鍵啟停
·強大的過程參數檢測和精準反饋調節能力
·過程參數可全程回溯跟蹤，數據可在云端共享，進行大數據相關分析
·可對罐與罐、批次與批次之間發酵參數進行實時和最終的多尺度分析
·可對接上下游檢測設備，做到全流程自動化和數據對接分析
·有專業的DOE實驗設計和工藝設計功能，完成多尺度開發和生產要求
文章部分來源：https://www.sciencedirect.com/science/article/pii/S0960852422017849
由于篇幅受限，關于上述文章原文獻詳見公眾號右下角底部菜單欄→補充資料，自動跳轉獲取。
END
Copyright(C) 1998-2025 生物器材網 電話：021-64166852;13621656896 E-mail：info@bio-equip.com