華理田錫煒老師團(tuán)隊(duì)突破  ！AI+光譜技術(shù)助力慶大霉素發(fā)酵效價(jià)提升33%，沃美生物鼎力支持！

引言

華東理工大學(xué)生物工程學(xué)院田錫煒老師近日在《Bioresource Technology》發(fā)表重磅研究成果！他們創(chuàng)新性地將近紅外（NIR）與拉曼光譜技術(shù)結(jié)合人工智能（AI），成功實(shí)現(xiàn)慶大霉素發(fā)酵過(guò)程的實(shí)時(shí)監(jiān)測(cè)與精準(zhǔn)控制，使目標(biāo)產(chǎn)物濃度提升33%！

 華東理工大學(xué)生物工程學(xué)院田錫煒老師的研究團(tuán)隊(duì)，近日在《Bioresource  Technology》期刊上發(fā)表了一篇題為《Harnessing near-infrared and Raman spectral sensing and artificial intelligence for real-time monitoring and precision control of bioprocess》的文章。

該文主要研究了將近紅外光譜和拉曼光譜技術(shù)整合，并用于慶大霉素發(fā)酵的實(shí)時(shí)監(jiān)測(cè)和精確控制。通過(guò)機(jī)器學(xué)習(xí)算法篩選特征波長(zhǎng)，使光譜模型R2提高了9.2%-100.4%。團(tuán)隊(duì)還開發(fā)了一個(gè)AI驅(qū)動(dòng)的全自動(dòng)發(fā)酵平臺(tái)，結(jié)合雙傳感器和機(jī)器學(xué)習(xí)，動(dòng)態(tài)調(diào)整補(bǔ)料速率來(lái)精確維持低葡萄糖濃度。與傳統(tǒng)方法相比，慶大霉素C1a濃度提高33%。該平臺(tái)展示了光譜技術(shù)與機(jī)器學(xué)習(xí)在實(shí)時(shí)監(jiān)測(cè)中的潛力，為提升工業(yè)發(fā)酵效率和產(chǎn)品效價(jià)提供了可擴(kuò)展方案。

主要內(nèi)容

1 構(gòu)建全近紅外光譜和全拉曼光譜的回歸模型

采用近紅外（NIR）和拉曼光譜技術(shù)監(jiān)測(cè)慶大霉素C1a發(fā)酵過(guò)程中的關(guān)鍵參數(shù)。將蒙特卡羅交叉驗(yàn)證（MCCV）與13種機(jī)器學(xué)習(xí)（ML）算法相結(jié)合，對(duì)近紅外光譜、拉曼光譜及其融合數(shù)據(jù)進(jìn)行建模和分析。將NIR和拉曼光譜數(shù)據(jù)整合后，模型性能顯著提升，平均R²值從單獨(dú)使用的0.6874和0.8578提高到整合后的0.9031。

使用機(jī)器學(xué)習(xí)算法對(duì)光譜數(shù)據(jù)進(jìn)行模型性能評(píng)估

(a)近紅外光譜模型的R2值；(b)拉曼光譜模型的R2值；(c)組合光譜模型的R2值；(d)近紅外光譜模型的均方根誤差；(e)拉曼光譜模型的均方根誤差；(f)組合光譜模型的均方根誤差

使用近紅外光譜、拉曼光譜和組合光譜對(duì)各種分析物進(jìn)行最優(yōu)預(yù)測(cè)

注：RPD — residual predictive deviation (殘差預(yù)測(cè)偏差)

2 構(gòu)建基于特征波長(zhǎng)的回歸模型

   不同來(lái)源的光譜數(shù)據(jù)通常包含噪聲、冗余和無(wú)關(guān)信息，因此選擇特征波長(zhǎng)對(duì)于提高模型精度至關(guān)重要。為此，將13種機(jī)器學(xué)習(xí)算法與6種特征選擇方法相結(jié)合，得到了78種組合，并利用這些特征開發(fā)了最優(yōu)回歸模型。從預(yù)測(cè)結(jié)果來(lái)看，特征選擇和機(jī)器學(xué)習(xí)算法的結(jié)合，識(shí)別出關(guān)鍵的特征波段，從而提高了光譜模型對(duì)多個(gè)生物過(guò)程參數(shù)的預(yù)測(cè)性能。

組合光譜模型的在線光譜圖及不同特征選擇方法評(píng)估

(a)原始近紅外光譜圖；(b)采用一階導(dǎo)數(shù)處理后的近紅外光譜圖；(c)原始拉曼光譜圖；(d)采用一階導(dǎo)數(shù)處理后的拉曼光譜圖。(e)葡萄糖模型的R² 值；(f)銨離子模型的R² 值；(g)生物量模型的R²值；(h)慶大霉素C1a模型的 R²值；(i)葡萄糖模型的均方根誤差；(j)銨離子模型的均方根誤差；(k)生物量模型的均方根誤差；(l)慶大霉素C1a模型的均方根誤差

3 回歸模型的外部驗(yàn)證

通過(guò)外部驗(yàn)證，在實(shí)際發(fā)酵條件下對(duì)預(yù)測(cè)模型進(jìn)行了評(píng)估。對(duì)于葡萄糖，近NIR模型表現(xiàn)出較高的準(zhǔn)確性（R2=0.9077），RMSE比訓(xùn)練時(shí)使用的測(cè)試集低2.9%。同樣，拉曼光譜模型在外部驗(yàn)證集上對(duì)葡萄糖的預(yù)測(cè)R2為0.8666。與單光譜模型相比，組合光譜模型的預(yù)測(cè)性能（R2=0.9969）提高了9.8%-15.0%，RMSE降低了81.5%-83.3%。總之，外部驗(yàn)證結(jié)果證明了集成近紅外-拉曼光譜模型在準(zhǔn)確預(yù)測(cè)關(guān)鍵工藝參數(shù)方面的有效性。

使用未見光譜數(shù)據(jù)集的回歸模型性能

(a)使用近紅外光譜法進(jìn)行葡萄糖預(yù)測(cè)；(b)使用拉曼光譜法進(jìn)行葡萄糖預(yù)測(cè)；(c)使用組合光譜法進(jìn)行葡萄糖預(yù)測(cè)；(d)使用近紅外光譜法進(jìn)行銨離子預(yù)測(cè)；(e)使用拉曼光譜法進(jìn)行銨離子預(yù)測(cè)；(f)使用組合光譜法進(jìn)行銨離子預(yù)測(cè)；(g)使用近紅外光譜法進(jìn)行生物量預(yù)測(cè)；(h)使用拉曼光譜法進(jìn)行生物量預(yù)測(cè)；(i)使用組合光譜法進(jìn)行生物量預(yù)測(cè)；(j) 使用近紅外光譜法進(jìn)行慶大霉素C1a預(yù)測(cè)；(k)使用拉曼光譜法進(jìn)行慶大霉素C1a預(yù)測(cè)；(l)使用組合光譜法進(jìn)行慶大霉素C1a預(yù)測(cè)

4 慶大霉素C1a發(fā)酵過(guò)程的實(shí)時(shí)監(jiān)測(cè)與智能控制

鑒于在發(fā)酵后期通過(guò)有效控制葡萄糖濃度可顯著提高慶大霉素C1a效價(jià)，因此采用所開發(fā)的組合光譜模型對(duì)發(fā)酵過(guò)程中的葡萄糖補(bǔ)料進(jìn)行智能控制。對(duì)于目標(biāo)葡萄糖濃度為1 g/L的情況，組合光譜模型的R2達(dá)到0.9946，RMSE為0.86 g/L，預(yù)測(cè)準(zhǔn)確性很高。對(duì)于5 g/L，集成光譜模型得出的R2為0.9957，RMSE為0.79 g/L。在葡萄糖濃度為10 g/L時(shí)，集成光譜模型的R2達(dá)到0.9935，RMSE為1.74 g/L，表明該模型即使在高濃度下也具有良好的魯棒性。

慶大霉素C1a發(fā)酵過(guò)程中的葡萄糖變化曲線，補(bǔ)料基于組合光譜測(cè)量自動(dòng)控制

(a)基于人工智能的控制操作圖；(b)1 g/L葡萄糖的控制；(c)5 g/L葡萄糖的控制；(d)10 g/L葡萄糖的控制；(e)1 g/L葡萄糖過(guò)程截取放大曲線的控制；(f)5 g/L葡萄糖過(guò)程截取放大曲線的控制；(g)10 g/L葡萄糖過(guò)程截取放大曲線的控制

注：圖中的計(jì)算機(jī)展示了在控制葡萄糖濃度為1 g/L時(shí)，使用集成光譜方法進(jìn)行自動(dòng)化控制的快速分析和執(zhí)行情況。

使用組合光譜技術(shù)對(duì)三次補(bǔ)料分批發(fā)酵實(shí)驗(yàn)進(jìn)行性能評(píng)估

總結(jié)概括

本研究開發(fā)了一種機(jī)器學(xué)習(xí)輔助的組合光譜模型，用于慶大霉素C1a發(fā)酵。模型可在1分鐘內(nèi)精確預(yù)測(cè)葡萄糖、銨離子、生物量和慶大霉素C1a濃度，而傳統(tǒng)方法需2小時(shí)。結(jié)合自動(dòng)化控制系統(tǒng)，平臺(tái)能動(dòng)態(tài)調(diào)整補(bǔ)料速率，維持低葡萄糖濃度（5 g/L），使慶大霉素C1a濃度提升33%，達(dá)到346.5 mg/L。該方法顯著提高了發(fā)酵效率，展現(xiàn)了工業(yè)生物制造自動(dòng)化的巨大潛力。

文章致謝

本工作得到了國(guó)家重點(diǎn)研發(fā)計(jì)劃（2024YFA0917900）、山東省泰山學(xué)者計(jì)劃（tsqn202312316）等的資助，感謝益海嘉里慈善基金會(huì)的資金支持。感謝瑞普分析儀器（天津）有限公司、梅特勒-托利多儀器（中國(guó)）有限公司和蘇州沃美生物有限公司工程師們的技術(shù)支持。

感謝田錫煒老師課題組對(duì)本號(hào)的支持，感謝文章作者徐峰提供本文稿件支持！

原文鏈接https://doi.org/10.1016/j.biortech.2025.132204

Xu F, Su L, Gao H, et al. Harnessing near-infrared and Raman spectral sensing and artificial intelligence for real-time monitoring and precision control of bioprocess. Bioresour Technol. 2025 Feb 7;421:132204. 

結(jié)語(yǔ)

期待沃美生物與更多高校的持續(xù)合作，為中國(guó)生物制造注入更多創(chuàng)新動(dòng)能！