利用神经网络预测头孢菌素C生物合成.docVIP

利用神经网络预测头孢菌素C生物合成 　 作者：冀志霞 储炬 庄英萍 张嗣良【关键词】; 头孢菌素C；,,反向传播；,,神经网络；,,预测　　摘要：; 利用头孢菌素C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，将此模型应用于生产实际，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C的合成水平分别提高了118%和157%，表明模型具有较好的预测功能。　　关键词：; 头孢菌素C；; 反向传播；; 神经网络；; 预测　　Prediction of the cephalosporin C biosynthesis by　a back propagation neural network model　　ABSTRACT; The back propagation (BP) neural network model was set up by cephalosporin C fermentation data, and the productivity was forecasted by PMV and pH changing tendency of early fermentation phase. The model was proved to be effective and with good prediction capacity. By increasing inoculum and changing medium carbon source, the productivity of cephalosporin C fermentation was further increased by 118% and 157%, respectively, which was well predicted by the established model.　　KEY WORDS; Cephalosporin C Back propagation Neural network model Prediction　　实现发酵生产过程的优化操作和控制，单凭经验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(Acremonium chrysogenum)生长与头孢菌素C合成的数学模型最早是由Matsumura提出来的，建立了头孢菌素C合成与形态分化，内源甲硫氨酸诱导头孢菌素C合成与葡萄糖代谢物阻遏效应的结构离散型(segregated)模型［1］。鉴于抗生素发酵难以建立精确的数学模型，无需精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(back propagation，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，连续搅拌反应器神经网络估计，分批发酵及补料分批发酵过程建模与控制优化［2～5］。Cruz等建立模型描述葡萄糖与蔗糖的利用速率与头孢菌素C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Cephalosporium acremonium发酵过程的菌体浓度，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C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C的合成已建立了很多模型，而且用发酵早期的菌浓进行预测也已有研究， 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C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密切，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C效价的预测，同时将该模型应用于生产实际。　　1; 材料与方法　　1.1; 试验材料　　1.1.1; 菌种; 产黄头孢霉(Acremonium chrysogenum)AC0508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，KH2PO4 04，(NH4)2SO4 08，FeSO47H2O 0005，CaCO3 10，消前pH62。　　1.1.3; 发酵罐; 50L发酵罐的搅拌桨为六直叶(直径12cm)，三层，d/D=036，层间距12cm，搅拌桨叶尖线速度为1256～4082m