基于机器学习的植物乳杆菌LP1Z高密度发酵培养基优化
吴家琳1
李滢2
王涓3
陈玲2
黄士轩1
周润1
黄惠书1
张菊梅1
高鹤4
吴磊2
赵辉2
陈谋通2
吴清平2
1.华南农业大学食品学院,广东 广州 510642;广东省科学院微生物研究所,华南应用微生物国家重点实验室,广东省微生物安全与健康重点实验室,国家卫健委微生物食品营养与安全科技创新平台,广东 广州 5100702.广东省科学院微生物研究所,华南应用微生物国家重点实验室,广东省微生物安全与健康重点实验室,国家卫健委微生物食品营养与安全科技创新平台,广东 广州 5100703.华南农业大学食品学院,广东 广州 5106424.广东省科学院微生物研究所,华南应用微生物国家重点实验室,广东省微生物安全与健康重点实验室,国家卫健委微生物食品营养与安全科技创新平台,广东 广州 510070;广东科环生物科技有限公司,广东 广州 510663
摘要：目前常用的培养基优化方法是单因素分析结合响应面法的配方设计,但该方法预测变量有限且较难反映菌株复杂的代谢网络,导致配方优化效能有限.该研究以高效拮抗幽门螺杆菌的专利菌株LP1Z作为研究对象,对菌株发酵培养基各组分在单因素优化基础上,利用三种算法(随机森林、深度神经网络和梯度提升决策树LightGBM)分别构建高密度发酵培养基成分优化预测模型,对比不同算法所获得预测模型的准确性及其与响应面法的差异.结果显示,LP1Z-LightGBM预测模型的Pearson相关系数、R2最接近1,且均方根误差(RMSE)低至0.02,具有最优的预测效能.通过LP1Z-LightGBM预测获得的最优方案:葡萄糖30.00 g/L,硫酸镁0.30 g/L,硫酸锰0.03 g/L,乙酸钠7.00 g/L,酵母粉12.00 g/L,柠檬酸三铵2.00 g/L,磷酸氢二钾1.00 g/L,吐温-80 2.00 mL/L,使LP1Z的菌体发酵密度(OD600)达1.61,明显优于响应面法所获得的菌体密度(P＜0.05).综上所述,与传统的响应面法相比,LP1Z-LightGBM能更好地完成菌株密度的预测.
关键词：植物乳杆菌高密度培养培养基优化机器学习响应面法
资助基金：国家重点研发计划(2022YFD2100703)国家自然科学基金(32222068)国家自然科学基金(32072326)广州市科技计划项目(2024A04J6592)
论文发表日期：2025-04-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 131-140 )
英文信息