基于遗传算法进化的人工神经...酵生产普鲁兰多糖的条件优化_陈世伟.pdf

食品与发酵工业 （）：引用格式：陈世伟，罗嘉伟，王舸楠，等 基于遗传算法进化的人工神经网络（）对葡萄糖发酵生产普鲁兰多糖的条件优化 食品与发酵工业，（）：，（）：基于遗传算法进化的人工神经网络（）对葡萄糖发酵生产普鲁兰多糖的条件优化陈世伟，罗嘉伟，王舸楠，赵廷彬，殷海松，郑志强，郑国保，乔长晟，（天津科技大学 生物工程学院，天津，）（天津慧智百川生物工程有限公司，天津，）（天津现代职业技术学院生物工程学院，天津，）（军事科学院系统工程研究所军需工程技术研究所，北京，）（宁夏农林科学院农业生物技术研究中心，宁夏 银川，）（工业发酵微生物教育部重点实验室暨天津市工业微生物重点实验室，天津，）（天津市微生物代谢与发酵过程控制技术工程中心，天津，）摘 要 基于遗传算法进化的人工神经网络，以葡萄糖为原料，对出芽短梗霉产普鲁兰多糖的发酵培养条件进行优化。首先通过单因素试验和 实验筛选显著因素，再进行 实验建立数据样本，最后利用 建立神经网络模型寻找最优解。结果表明，葡萄糖和酵母抽提物对普鲁兰多糖的合成具有显著的正效应，对普鲁兰多糖的合成具有显著的负效应。遗传算法人工神经网络的决定系数与相对误差分别为 与。最终优化获得普鲁兰多糖发酵的最佳培养基组分为葡萄糖 ，酵母抽提物 ，自然。在此条件下，普鲁兰多糖的产量为 ，较优化前提高了 。经济分析表示优化后的培养基成本较优化前降低了约 。该研究结果为普鲁兰多糖的工业化生产提供了数据支撑，有助于提升普鲁兰多糖在行业中的竞争力。关键词 普鲁兰多糖；遗传算法；人工神经网络；非线性关系；模型第一作者：硕士研究生（乔长晟教授为通信作者，：）基金项目：天津市科委基金项目（）；宁夏回族自治区重点研发计划（）；工业发酵微生物教育部重点实验室暨天津市工业微生物重点实验室开放课题项目（）收稿日期：，改回日期：普鲁兰多糖是出芽短梗霉发酵生成的由，糖苷键连接的麦芽三糖重复单位，经，糖苷键聚合而成的直链状多糖。普鲁兰多糖是可食用、可生物降解的，还具有高保湿性能，可以限制水分迁移等，通常在食品中用作低热量食品添加剂、黏合剂、增稠剂和延伸剂。同时，普鲁兰多糖还广泛应用于医药、环保等相关领域。这些独特的性质使它成为一种极具开发价值且应用前景广阔的新型功能性生物大分子材料。然而，生产成本高昂等问题一直都是限制普鲁兰多糖大规模工业化生产的重要因素。因此，探究以廉价的营养成分来发酵生产高产的普鲁兰多糖显得尤为重要。在普鲁兰多糖的工业化生产进程中，培养基材料的价格是生产总成本的重要组成部分。许多研究已经证明芽短梗霉对蔗糖具有良好的偏好性。然而，有机蔗糖的成本高，用于发酵生产普鲁兰多糖的产量低，限制了其在普鲁兰多糖生产中的应用。此外，也有研究者们将一些农业废弃物和食品加工废料，如甜菜糖蜜、玉米浸泡液、水解马铃薯淀粉废料用于普鲁兰多糖的生产以试图降低生产成本。但是，在实际的工业化生产进程中，由于原料批次等问题，很少使用到这些基质。人工神经网络（，）被认为可模仿大脑神经元的内部工作和学习过程。近些年来，在非线性统计数据建模中表现出了卓越的性能。作为一种统计建模手段，具有以下特点：（）对复杂的非线性关系，具有较好的表现能力；（）不需要预先规范拟合函数，具有学习和高度适应的识别模式。其中，反向传播（，）神经网络被广泛应用在发酵条件的优化当中，如迟雷等利用 神经网络将重组大肠杆菌表达普鲁兰多糖酶的产量提高至 ；等利用响应面 神经网络将黑曲霉产苹果酸的产量提高至 ；王云龙等利用 将 天冬研究报告 年第 卷第 期（总第 期）酰胺酶的产量提高至 。遗传算法（，）是基于达尔文的进化论和“适者生存”的概念，可以应用于不同领域的全局优化随机技术。通过同时计算参数搜索空间中的多个点来求得全局最优解。同时，与 相结合可以获得更好的优化结果。等利用 优化小麦胚芽的发酵条件，获得了甲氧基苯醌和，二甲氧基苯醌的最大产量。在普鲁兰多糖发酵条件的优化过程中，采用 进行发酵培养基成分的优化有助于提高普鲁兰多糖的产量。为适应工业化生产需求，本文选择碳源葡萄糖作为优化发酵条件的出发点，通过单因素试验、（）实验、最陡爬坡与（）实验确定数据样本，最后利用 对出芽短梗霉产普鲁兰多糖的发酵培养基进行建模寻优，以寻找普鲁兰多糖高产的最佳生产条件，为普鲁兰多糖的大规模工业化生产提供数据支持。材料与方法 材料与试剂菌株：出芽短梗霉（，），由天津北洋百川生物技术有限公司筛选并保藏。试剂：蔗糖、葡萄糖、蛋白胨、酵母抽提物、磷酸氢二钾均为国产试剂，其中蔗糖、葡萄糖为食品纯，其余均为分析纯。种子培养基（）：酵母浸粉，（），葡萄糖，将初始 调节至。初始发酵培养基（）：蔗糖，蛋白胨，将初始 调节至。优化发酵培养基（）：葡萄糖，酵母抽提物，自然。所有培养基于 下灭菌 。仪器与设备 型恒温摇床，上海苏坤实业有限公司；型电子分析天平，梅特勒托利多仪器（上海）有限公司；生物传感仪，山东省科学院生物研究所；型高速离心机，上海安亭科学仪器厂。实验方法 斜面培养取出 冰箱中的斜面，于 培养箱中活化。种子液制备将培养好的斜面挑取 环接种至装有 种子液的 三角瓶中，摇床温度，转速 ，培养 。测定值在，完成种子培养。摇床发酵培养按照（体积分数）的接种量，将种子液接种于装有 发酵培养基的 三角瓶中，于 的摇床上培养，采用两阶段控温法，其中前 的培养温度设定为 ，后 的培养温度设置为。实验设计 实验设计在单因素试验的基础上，使用 设计了 实验，将实验的次数设定为 次，对单因素中 个因素进行筛选，找出主要的影响因素。每个因素设定为高低 个水平，以普鲁兰多糖的产量为响应值。实验设计如表 所示。表 实验设计 因素编码低水平（）（）高水平（）（）葡萄糖酵母抽提物初始 最陡爬坡实验结合 实验结果，筛选出主要因素，考虑因素的正负效应与成本来确定各因素水平。实验取最陡爬坡实验的最优条件为中心点，根据 的实验原理，使用 进行三因素三水平的 实验设计（表）。表 实验中的变量和水平单位：因素低水平（）中心点（）高水平（）葡萄糖酵母抽提物 遗传算法人工神经网络本文 选 择 葡 萄 糖（）、酵 母 抽 提 物（）、（）为预测网络模型的输入变量，普鲁兰多糖产量（）为输出变量，建立结构为 的输出网食品与发酵工业 （）络，利用 算法对神经网络进行训练。模型训练由 实现，如图 所示，隐含层的个数（）由实验所确定，选择具有最高相关系数（）和最低误差值的网络来预测响应。最后利用 遗传算法工具箱寻找模型的最优输入值，以训练好的 作为遗传算法的适应度函数求解。图 神经网络拓扑结构 分析方法 菌体干重的测定参照文献试验方法，离心 发酵液，去上清液于 烘箱中，烘至恒重，菌体量的计算如公式（）所示：（）式中：为离心管的质量，；为总质量，；为菌体的干重，。残糖的测定将发酵液稀释 倍体积，离心，取上清液 定容至，用生物传感器测定其含量。普鲁兰多糖的测定参照文献试验方法，取上述离心后的发酵液，加入 无水乙醇沉淀，搅拌均匀静置 后抽滤，放置于 烘箱中烘至恒重，多糖产量的计算如公式（）所示：（）式中：为滤纸的质量，；为总质量，；为普鲁兰多糖的产量，。参照 普鲁兰多糖对样品进行多糖含量分析。数据处理使用 对实验数据进行统计分析，进行建模寻优。所有实验均进行 次重复。结果与分析 单因素试验 葡萄糖浓度对普鲁兰多糖发酵的影响如图 所示，随着葡萄糖浓度的增加，普鲁兰多糖的产量、残糖和菌体量均在增加。葡萄糖质量浓度为 时，转化率（）最高可达，葡萄糖质量浓度为 时，为 ，并未出现增高的趋势。综合分析，将葡萄糖的优化质量浓度选定为 。图 葡萄糖浓度对普鲁兰多糖发酵的影响 氮源对普鲁兰多糖发酵的影响在选定葡萄糖浓度的基础上，以相同含氮量替换原始发酵培养基的蛋白胨，结果如图 所示，酵母抽提物作为氮源时普鲁兰多糖的产量最高，其发酵效果最为理想，普鲁兰多糖产量为（）。而选择无机氮源作为唯一氮源时发酵结果均不理想，其普鲁兰多糖产量和菌体量都很低。而以酵母抽提物作为唯一氮源发酵时，不同的浓度对普鲁兰多糖发酵的影响较大。菌体量随着酵母抽提物浓度的增大而增加，当质量浓度为 时达到最大，为（）。在 时普鲁兰多糖的产量最大，为（）。因此，酵母抽提物的最佳质量浓度选定为 。浓度对普鲁兰多糖发酵的影响中的钾离子不仅为普鲁兰多糖在发酵代谢过程中的相关酶提供了反应的离子环境，同时能作为缓冲液的磷酸盐对发酵过程中的 起到维持作用。如图 所示，探究 浓度对普鲁兰多糖发酵的影响。在 质量浓度为 时，产量达到最大，为（）。在 质量浓度为 时，菌体量达到最大，为（）。这表明普鲁兰多糖的产量与菌体浓度的高低并没有直研究报告 年第 卷第 期（总第 期）接关系。最终将 的最适质量浓度选定为 。氮源种类；酵母抽提物浓度图 氮源对普鲁兰多糖发酵的影响 图 浓度对普鲁兰多糖发酵的影响 实验在单因素试验的基础上，进行 实验，以筛选出对普鲁兰多糖的产量有显著影响的因素。如表 和表 所示，得到各个因素对普鲁兰多糖产量的影响情况。结合试验方案和规则，将葡萄糖、酵母抽提物、这 个极显著的因素作为下一步实验的研究对象。表 实验设计和实验结果 试验顺序产量（）表 实验方差分析表 编号因素系数估计 值 值重要性顺序模型 葡萄糖 酵母抽提物 初始 注：表示差异极显著（）最陡爬坡实验经过 实验，得到了葡萄糖、酵母抽提物、这 个极显著的因素，分别将各因素按照梯度方向递增或递减进行实验，以最终发酵液中普鲁兰多糖的产量确定这 个因素的最适浓度，结果如表 所示。在第 组的条件下发酵培养基中普鲁兰多糖的产量达到最大，因此选择此浓度作为响应面实验的中心点。即葡萄糖、酵母抽提物和 的质量浓度分别为、。表 最陡爬坡试验设计及结果单位：实验顺序葡萄糖酵母抽提物产量 食品与发酵工业 （）实验如表 所示，以选取的 个中心点为基准，设计 实验，为训练 提供数据样本。表 实验及 预测结果 顺序编码普鲁兰多糖（）实际产量预测产量 遗传算法人工神经网络模型的建立将 实验数据进行归一化处理用于训练。采用误差反向传播前馈神经网络对普鲁兰多糖的产量进行建模。结构如图 所示，以葡萄糖（）、酵母抽提物（）、（）作为网络输入层，普鲁兰多糖的产量（）作为输出层，隐含层的个数对神经网络的性能有很大的影响由实验所确定，各层之间分别由权值与阈值相连接。神经网络结构确定后，运用 优化 神经网络的权值与阈值，以提升 神经网络模型的精确性，最后将优化的权值与阈值赋予 神经网络得到。如图 所示，当隐含层的个数为 时，神经网络的误差最小，故建立结构为 的 神经网络。的预测结果与实际值的关系如表 所示，多糖含量为 。可以看到，很好的拟合了优化参数与输出参数的非线性关系。普鲁兰多糖产量模型的相关系数与均方根误差分别为，和。为了验证 的模型性能，随机选取了 组实验样本作为网络的输入值，网络的输出值与实际值相以比较。由表 可以看到验证样本的实际值与预测值相比较相对误差最大为 ，说明 模型具有较高的拟合和预测性能。隐含层的选择；拟合曲线图 隐含层的选择与拟合曲线 表 模型的验证样本设计 样本葡萄糖（）酵母抽提物（）（）普鲁兰多糖产量（）实际值预测值相对误差 遗传算法寻优结果利用 遗传算法工具箱对 模型进行寻优。将成熟的 作为遗传算法的适应度函数，变量维数选择为，变量范围由实验样本确定，随机产生初始种群，采用轮盘赌算法，最大迭代次数为。经过遗传算法优化，寻优轨迹如图 所示，经过 次遗传迭代获取到最优解，此时的普鲁兰多糖产量高达 。验证实验结果显示（表）最优条件下的实际值为 ，相对误差为，多糖含量为。最终确定输入层的最佳条件为葡萄糖 ，酵母抽提物 ，。有研究表明，出芽短梗霉在利用蔗糖时具有更高的关键酶活性和前体物质含量，体现出更好的合成普鲁兰多糖的能力。通过分析得到的最佳条件发现，以高浓度的葡萄糖作为底物发酵生产普鲁兰多糖时，易得到相对高产量的普鲁兰多糖，说明通过优化发酵条件的方式可以适当弥补菌种所固有的偏好性，以更好地适应生产化需求。研究报告 年第 卷第 期（总第 期）图 遗传算法寻优轨迹 表 模型最优结果验证实验 模型