利用神经网络预测头孢菌素C的生物合成

1、利用神经网络预测头孢菌素C的生物合成冀志霞储炬庄英萍张嗣良【关键词】头孢菌素；,反向传播；,神经网络；,预测摘要：利用头孢菌素发酵过程积累的数据，建立BP神经网络预估模型，实现以发酵前期的菌浓和pH对效价的预测，将此模型应用于消费实际，分别通过倒种和改变培养基中碳源组成的方法，使头孢菌素的合成程度分别进步了118%和157%，说明模型具有较好的预测功能。关键词：头孢菌素；反向传播；神经网络；预测PreditinftheephalsprinbisynthesisbyabakprpagatinneuralnetrkdelABSTRATThebakprpagatin(BP)neuralnetrkde

2、lassetupbyephalsprinferentatindata,andtheprdutivityasfreastedbyPVandpHhangingtendenyfearlyferentatinphase.Thedelasprvedtbeeffetiveandithgdpreditinapaity.Byinreasinginuluandhangingediuarbnsure,theprdutivityfephalsprinferentatinasfurtherinreasedby118%and157%,respetively,hihasellpreditedbytheestablishe

3、ddel.KEYRDSephalsprin;Bakprpagatin;Neuralnetrkdel;Preditin实现发酵消费过程的优化操作和控制，单凭经历或经典的试验数据是无法满足要求的，因此有必要建立模型指导发酵过程的优化，一些难于在线检测的重要变量、如菌体浓度，底物浓度和产物浓度等可借助于已建立的数学模型，通过测量与其相关的其它可在线测量的变量，如尾气中的氧和二氧化碳的含量、发酵液的温度、pH和溶氧浓度的变化等，得到在线的最优化估计。产黄头孢霉(Areniuhrysgenu)生长与头孢菌素合成的数学模型最早是由atsuura提出来的，建立了头孢菌素合成与形态分化，内源甲硫氨酸诱导头孢菌

4、素合成与葡萄糖代谢物阻遏效应的构造离散型(segregated)模型1。鉴于抗生素发酵难以建立准确的数学模型，无需准确模型的智能控制策略在抗生素发酵过程控制中得到了应用。基于误差反向传播(bakprpagatin，BP)算法的多层前向神经网络(BP网络)已广泛用于发酵工业的培养基优化，连续搅拌反响器神经网络估计，分批发酵及补料分批发酵过程建模与控制优化25。ruz等建立模型描绘葡萄糖与蔗糖的利用速率与头孢菌素的合成的关系，利用神经网络以早期的菌浓预测整个发酵过程的菌量6。Sliva等运用杂交神经网络，根据在线检测尾气中二氧化碳和氧的浓度，预测ephalspriuareniu发酵过程的菌体浓度，

5、估计细胞的生长速率、底物的消耗速率和产物的生成速率7。李运锋等利用基于神经网络的滚动学习预报技术，实现了头孢菌素产量、产物质量浓度和效益函数的超前预报，为发酵过程的动态控制和调度优化提供了支持7，8。有关头孢菌素的合成已建立了很多模型，而且用发酵早期的菌浓进展预测也已有研究，但只用发酵早期的菌浓预测后期的菌量，并没有与产物合成关联起来。在头孢菌素发酵过程放大的研究中，发现菌体早期的生长与产素的关系亲密，因此本文采用BP神经网络技术利用发酵前期的大量数据建立效价的预估模型，实现了对头孢菌素效价的预测，同时将该模型应用于消费实际。1材料与方法1.1试验材料1.1.1菌种产黄头孢霉(Areniuhr

6、ysgenu)A0508由山西威奇达药业集团提供。1.1.2培养基(%)糊精50，玉米浆70，豆油10，DL蛋氨酸06，KH2P404，(NH4)2S408，FeS47H20005，a310，消前pH62。1.1.3发酵罐50L发酵罐的搅拌桨为六直叶(直径12)，三层，d/D=036，层间距12，搅拌桨叶尖线速度为12564082/s；1603发酵罐的搅拌桨四层，六直叶涡轮式搅拌桨，d/D=0375，搅拌桨叶尖线速度为518848/s。1.2试验方法1.2.1总糖和复原糖的测定斐林试剂法9。1.2.3尾气分析尾气分析使用VGPriadB型质谱仪，最后的数据处理、通讯和相关分析通过华东理工大学国

7、家生化工程技术研究中心自行开发的上位机软件包?发酵过程检测系统B10RADAR2.0?完成10。1.2.4头孢菌素效价测定方法HPL法。色谱柱为TSKgelDS100S(46250，10)；流动相20l/L乙酸铵缓冲液(pH56)乙腈(946)，流速10l/in，紫外检测波长254n，室温，进样量20l。1.2.5菌丝浓度测定湿菌体(PV)采用离心法计算，取10l发酵液，3000r/in离心15in，计算固形物体积占发酵液的比例。1.2.6发酵培养方法三级发酵。一级种子(种龄76h)二级种子(种龄40h)发酵，一级种子接入二级种子的接种量为10%，二级种子接入发酵的接种量为17%；通过压差法接

8、入，发酵过程培养130150h左右，培养温度40h之前28，40h后控制为25。发酵过程控制根据实验情况调整。补料用硫酸铵、豆油等各自分消，根据需要独立补入。2结果与分析2.1网络构建与模型检验在BP网络预估模型的建立中共选取23批发酵161组数据作为样本，其中18批发酵的126组数据作为学习样本，5批发酵的35组数据作为检验样本(Tab.1,Tab.2)。建立三层神经网络，三层网络的构造由输入层、隐层和输出层组成。由于固定了输入节点和输出节点的个数及各层数据处理函数，所以隐层节点数目将决定网络性能。在训练网络的过程中，为了获得最好的训练精度，依次选取1至20个隐层节点数。经过20000次训练

9、后，得到其相应的误差平方和(SuSquaredErrr，SSE)选取SSE最小的节点进一步训练，得到最优隐层节点的个数是2。然后对此BP网络再进展60万次训练，最终使其SSE到达00542，相对误差为419%。由此建立的BP网络构造(Fig.1)由6个输入节点、2个隐层节点、1个输出节点构成。6个输入节点(x1x6)依次代表20、36、44、52h的菌浓(%)，发酵前期pH最高点与最低点的数值；输出节点y为60h效价(u/l)。为检测上述建立的神经网络的预测才能，BP网络训练完成后，用剩余的五组数据(冗余数据)进展验证，所得验证结果如Tab.2所示，SSE为00077，相对误差分别为-0732

10、3%、15599%、-71026%、-55068%和-20026%。Tab.1略Tab.2略2.2模型应用通过神经网络模型预测，说明发酵前期菌浓与pH值的变化是决定效价的关键因素，前期菌浓较高，pH值变化幅度较大效价那么较高。通过建立神经网络模型，可以利用发酵前期菌浓定量地预测效价，为进一步优化产素程度提供根据。任何可以引起前期菌浓与pH变化的因素都将影响到效价的上下，比方种子的质量、培养基的配比及其消毒温度、剪切环境、培养温度等。Fig.1TplgyfBPneuralnetrk略发酵前期pH的变化反映了菌体的代谢活性，未加调控，因此实际操作上考虑从进步菌浓的角度来进步产素程度。2.2.1通过

11、倒种增加接种量增大接种量是进步菌浓的有效、快捷的方法，但由于种子罐的体积已定，无法通过加大种子培养液的体积来增大接种量，因此选择通过倒种增大接种量，在消费理论中检验模型的预测才能。将对照与倒种的罐批发酵前期的菌浓与pH的最高值和最低值输入模型，预测60h的效价，结果见Tab.3，相对误差为25687%和-93267%，通过倒种法60h效价比对照进步了353%，放罐时效价为33773u/l，比对照进步了118%。2.2.2改变培养基碳源葡萄糖代替糊精50L罐上发酵消费头孢菌素倒种法虽然是进步菌量的有效方法，但在实际操作中增大了染菌的风险，因此根据摇瓶实验的结果(数据未列出)，在50L罐上考察葡萄

12、糖局部替代糊精后头孢菌素的合成，以2%葡萄糖3%糊精代替原配方的5%的糊精，结果见Fig.2，在发酵前期pH迅速下降，下降后有两次反弹，最高值620，最低值56，62h后pH通过流加氨水控制在550。RQ值的变化反映了底物利用的转换，25h之前以葡萄糖和玉米浆中的复原糖为碳源，RQ值在09左右，之后以糖和豆油为混合碳源，表如今RQ值较之前降低，80h后完成糖与油利用的转换，完全以油为碳源，RQ值稳定在0607之间直到放罐。整个发酵过程D都控制在30%以上，不存在氧限制问题。将对照与葡萄糖代替糊精的罐批早期的菌浓和pH数据输入模型进展预测和验证，结果见Tab.4，相对误差分别是26876%和52

13、653%。Tab.3略Fig.2略Tab.4略在预测过程中会出现误差偏高。网络预测存在偏向是因为微生物的生长和代谢活动严密相联，发酵过程非常复杂，影响因素很多，培养基的配制、消毒过程，以及参数的检测等都有可能产生偏向。此外，神经网络模型的建立是基于已有数据的根底上，通过屡次的训练、学习得到的最优化结果，样本数据的类型决定了模型的预测才能，从如今的结果看，无论是通过倒种还是用葡萄糖局部替代糊精，由于菌浓与效价的增长很大，实际数据与建立模型的样本数据差异较大，这可能是造成模型预测偏向比拟大的主要原因，需要进一步补充新的样本数据，对模型进展继续优化，不断进步效价预测的精度。分别对两种碳源发酵过程的菌

14、浓、效价、前期pH和RQ值进展比拟分析，结果见Fig.3。葡萄糖代替糊精促进了前期菌的生长，菌量增长优于仅以糊精为碳源的罐批，37h时前者菌浓为38%，后者只有30%，培养基中碳源不同，对菌体的形态和代谢造成很大的影响，pH的变化幅度也不同，代谢活泼的罐批，比方葡萄糖代替糊精的罐批产生大量的有机酸，pH值下降的比拟低，开场pH自动控制的时间早，镜检观察到葡萄糖代替糊精后细长菌丝数量增多，为进一步菌丝膨大产生大量的粗短菌丝断片奠定了根底，因此葡萄糖代替糊精后，不管在生长期还是产素期菌浓都比拟高。RQ值的变化表达了头孢菌素发酵过程中不同碳源的利用情况，可分为三个阶段：60h之前以葡萄糖等易于利用的

15、糖为主要碳源阶段；6080h为糖和豆油两种碳源混合利用及其转换的过渡阶段，80h后完全以豆油为碳源阶段。两种培养基RQ值的差异主要表如今60h之前与6080h之间这两个阶段，30h之前RQ值有一峰值，葡萄糖代替糊精的罐批由于培养基中有较多葡萄糖，RQ值的这一峰值出现的时间比仅以糊精为碳源的罐批晚；6080h以葡萄糖代替糊精的罐批先是糖和油被同时利用，之后平稳过渡到完全用油，从用糖到用油期间没有迟滞期；而仅以糊精为碳源的罐批在糖耗尽开场利用油之前有一迟滞期，表如今60h的RQ值比拟高(09)，而且在7090h间有一平台期。构造说明以葡萄糖代替糊精后不仅促进了菌体的生长，还可以实现糖与油利用的平稳

16、过渡。产素程度在60h时效价就已出现差异，葡萄糖代替糊精的效价为9556u/l，糊精为唯一碳源的效价为7571u/l，60h后随着培养时间的延长，效价的增长趋势不变，放罐时前者的效价为39170u/l，后者为33852u/l，以葡萄糖代替糊精后效价进步了157%。即前期的较高菌浓决定了较高的起步效价，并决定了最终的放罐效价。3结论建立了神经网络模型，以发酵前期的菌体浓度和pH对60h的头孢菌素效价进展预测，该模型可以很好地预测效价，说明发酵前期的菌浓和pH变化对头孢菌素的效价起重要作用，模型简单实用，对实际消费有很大的指导意义。应用该模型于实际消费，通过倒种加大接种量的方法进步发酵前期的菌浓，

17、可以进步发酵效价11.8%；另外通过改变培养基的成分，以葡萄糖局部替代糊精也能促进发酵前期的菌浓的增长，到达进步产量的目的(效价进步157%)。将来可进一步考虑改变培养基的消毒方法，如以连消代替实消减少消毒温度过高对培养基营养成分的破坏作用。菌浓增加后发酵液的黏度增大，可能会带来供氧与传质的问题，在实际消费中要加以考虑，进步菌浓应以不造成产素期供氧限制为限。Fig.3略参考文献1atsuura,TadayukiI,TshiiY,etal.delingfephalsprinprdutinanditsappliatintfedbathultureJ.JFerentTehnl,1981,59(2):

18、1152蔡宇杰，诸葛斌，张锡红，等.遗传算法与神经网络耦联法优化生淀粉酶发酵培养基J.无锡轻工大学学报，200l，20(4)：4213王健，陈宁，杨海军，等.基于BP神经网络的L色氨酸发酵过程建模J.天津轻工业学院学报，2022，18(3)：14assiD,ntagueGA,illisJ,etal.TardsiprvedpeniillinferentatinviaartifiialneuralnetrksJ.heEng,1992,16(4):2835ruzAJG,AraujLG,GirdanR,etal.PhenlgialandneuralnetrkdelingfephalsprinprdutinbipressJ.ApplBiheBitehnl,1998,70(2):5796SilvaRG,ruzAJG,Hkka,etal.Ahybridneuralnetrkalgrithfrnlineinfere