基于人工神经网络的发酵工程深度算法策略

曼森生物

2023/08/07 09:01

阅读：50

如需获取原文献/补充资料请关注公众号

编者按

跟踪智慧实验室的理论研究发展状况、产业发展动态、主要设备供应商产品研发动态、国内外智慧实验室建设成果现状等信息内容。本文由中科院上海生命科学信息中心与曼森生物合作供稿。

本期推文部分编译了Yang Cheng 等发表在 Bioresource Technology期刊上的综述论文《生物过程中的人工智能技术：机遇与挑战》

生物过程中的人工智能技术：机遇与挑战

随着全球从化石经济向生物经济的持续过渡，用于生产生物燃料、材料和医疗保健产品的工业生物工艺的数量正在稳步增长。生物过程是利用活细胞或其成分生产增值产品的任何过程。然而，低生物转化率和生产率通常是生物工艺的局限性。此外，菌株的生物过程性能受到其代谢特性和外部环境条件的限制。例如，在从实验室规模向工业规模转移的过程中，存在一个被称为“放大效应”的巨大挑战，这可能伴随着生物过程的糟糕性能，导致经济效益降低。因此，生物过程通常需要进一步优化，以实现更好的性能和控制，从而消除环境条件的负面影响。

在过去的几十年里，在生物过程控制和优化方面取得了重大进展。例如，正交实验设计（OED）和响应面方法（RSM）被广泛应用于确定最佳参数，以获得令人满意的生物工艺性能。此外，机器学习（ML）算法已逐渐被用于研究生物过程中变量之间的非线性关系。例如，将人工神经网络（ANN）应用于发酵生产聚（3-羟基丁酸酯-3-羟基戊酸酯）的建模和优化；将径向基函数神经网络（RBFANN）和粒子群优化（PSO）用于透明质酸生产的优化。此外，实时监控技术也在迅速发展。例如，通过使用探针产生的交变电场实现了完善的在线生物质浓度检测技术。用荧光团标记的蛋白质人工智能是一门试图模仿人类思维来解决问题的计算机科学。

人工智能程序可以通过预先确定的规则或数据模式识别做出独立决策。最近，越来越多的人工智能技术被应用于生物过程的优化和控制，以提高生物过程的性能。例如，使用混合多目标策略来同时优化工业生产中微生物的生物量和产量。此外，根据厌氧消化（AD）中的在线传感器数据，应用深度学习方法预测关键工艺参数（CPPs）；图像识别技术也被应用于堆肥成熟度的快速检测。这些研究表明，人工智能具有良好的生物过程优化和控制前景。这篇综述首先讨论了人工智能引导建模和优化技术的最新贡献。然后介绍和分析了人工智能辅助快速检测与监测技术的应用。对基于上述技术的先进控制技术进行了总结。最后，总结了存在的问题，并对未来的发展方向进行了展望。

人工神经网络

人工神经网络具有适应性强、容错性强的典型特点，擅长处理复杂的非线性问题。人工神经网络由输入层、隐藏层和输出层组成，从信息处理的角度来看，它们与人脑的神经网络非常接近。如图 1 所示，每一层中的神经元根据惩罚函数连接到下一层。人工神经网络的性能主要受结构和学习算法的影响。神经网络模型根据其结构可分为前馈神经网络（FFNN）、卷积神经网络（CNN）和递归神经网络（RNN）。此外，可以根据神经元的学习算法和模式对每个结构的神经网络进行进一步分类。例如，反向传播神经网络（BP-ANN）是由名为反向传播的监督学习算法训练的 FFNN。同样，多层感知器神经网络（MLP-ANN）和 RBF-ANN 也属于 FFNN。

图 1. 生物过程建模和优化程序以及人工神经网络（ANN）、支持向量机（SVM）、模糊逻辑（FL）、遗传算法（GA）和粒子群优化（PSO）的示意图

神经网络作为应用最广泛的最大似然方法，经常被用来优化预处理过程。由于预处理中的变化通常涉及多个尺度，因此关键工艺参数（CPPs）总是具有和关键质量属性（CQA）的非线性。最近，采用人工神经网络和 RSM 建立了总还原糖预测模型，以测试这两个模型在预处理中的性能。RSM 和 ANN 均具有较高的相关系数。然而，RSM模型的均方根误差（RMSE）（5.564）和标准预测误差（SEP）（2.294%）大于 ANN 模型的 3.630%和 1.908%，表明 ANN 对预处理过程提供了更好的近似。

此外，还使用人工神经网络对各种预处理策略进行了对比。例如，构建了基于微波和基于蒸汽的神经网络模型来探索最佳 CQA。尽管在他们的研究中，这些模型尚未被优化以确定最佳 CPPs，但通过比较不同的计算机模型来确定最佳实验方法仍然是一个有吸引力的想法。此外，人工神经网络也被广泛应用于发酵过程的优化。例如，碳和氮源已经根据 FFNN 范式进行了优化。此外，另一项研究侧重于实现与时间相关的发酵控制策略，以提高产量。为了实现这一目标，时间被视为神经网络模型的输入节点。

此外，采用遗传算法确定发酵参数的最优控制轨迹。时序数据的精确模拟可能对智能控制技术的进一步发展至关重要。DNN 还用于模拟在不同时间控制多物种群落（共培养）系统中具有特定功能的微生物的富集。与以往的研究不同，强化学习被直接应用于学习控制行为与后果之间的关系。此外，应用传统动力学模型生成 DNN 的训练和测试数据集，表明动力学模型和 DNN 相结合的混合模型能够准确模拟共培养系统中微生物群落的长期动态富集。除此之外，人工神经网络还可以进一步利用动力学模型。在最近的一项研究中，热解动力学是由化学知情神经网络（CINN）生成的，其中包含热重分析测量值的数据库被视为训练数据。

人工神经网络也已应用于下游工艺，通过优化 CPPs 来最大限度地提高生物柴油的提取效率。人工神经网络在生物加工中有许多成功的应用，但也有很大的局限性。人工神经网络是一个“黑盒”模型，不能为建模提供依据。人工神经网络使用实验数据通过反复迭代来调整模型参数，而不是了解变化背后的本质。这种限制肯定对研究人员不友好，尽管人工神经网络模型总是比传统方法更适合。另一个问题是为隐藏层选择正确数量的神经元。通常，神经网络中神经元数量的增加通常会导致更好的学习性能。然而，过多的神经元可能会导致过度拟合现象。因此，人工神经网络的学习能力和泛化能力之间存在权衡。