药学与药物研究杂志 开放获取

抽象的

使用响应面法和人工智能方法对糖脂肽生产发酵条件进行建模和优化

莫里斯·G·埃克彭永

问题描述：铜绿假单胞菌菌株 IKW1 在废弃煎炸葵花籽油基础培养基中生长时产生生物表面活性剂。活性化合物在临界胶束浓度为 20.80 mg/L 时将发酵液的表面张力降低至 24.62 达因/厘米。通过高效液相色谱和傅里叶变换红外光谱法鉴定为糖脂肽。它表现出相当强的乳化和发泡能力，表明适用于药物和洗涤剂配方。然而，产品产量低，因此无法大规模生产推荐用途。一些研究人员报告了通过战略培养基优化方法提高产量。早些时候，我们采用响应面法 (RSM) 进行主要营养素优化，并记录了可观的产量增长。后来，我们采用 Placket-Burman 设计 (PBD) 和 RSM 来筛选和优化微量营养素，并获得了显着的产量提高。然而，研究报告表明人工神经网络 (ANN) 是一种更好的优化方法。方法论和理论方向：在本研究中，我们使用 RSM 优化了发酵条件，如温度、pH、搅拌和持续时间，并将结果与​​使用与遗传算法 (ANN-GA) 和粒子群优化 (ANN-PSO) 相连的 ANN 获得的结果进行了比较。结果：我们的结果表明，由 RSM 的二次函数预测的生物表面活性剂响应模型是显著的 (P<0.0001；调整后的 R2=0.9911；RMSE=0.034)，设定因子水平为温度-32°C、pH-7.6、搅拌速度-130 rpm 和发酵时间-66 小时。糖脂肽的最大浓度为 107.19 g/L，产量 (Yp/x) 为 4.24。 ANN-GA（R2=0.9997；RMSE=0.055）和 ANN-PSO（R2=0.9914，RMSE=0.047）的比较结果表明，模型和优化因子设置与使用 RSM 获得的结果没有显著差异（P>0.05）。结论和意义：这表明，如果执行得当，RSM 可以成为像神经网络方法一样好的建模和优化工具。