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

引言

華東理工大學生物工程學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），成功實現(xiàn)慶大霉素發(fā)酵過程的實時監(jiān)測與精準控制，使目標產(chǎn)物濃度提升33%！

 華東理工大學生物工程學院田錫煒老師的研究團隊，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)酵的實時監(jiān)測和精確控制。通過機器學習算法篩選特征波長，使光譜模型R2提高了9.2%-100.4%。團隊還開發(fā)了一個AI驅(qū)動的全自動發(fā)酵平臺，結(jié)合雙傳感器和機器學習，動態(tài)調(diào)整補料速率來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%。該平臺展示了光譜技術(shù)與機器學習在實時監(jiān)測中的潛力，為提升工業(yè)發(fā)酵效率和產(chǎn)品效價提供了可擴展方案。

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)測慶大霉素C1a發(fā)酵過程中的關(guān)鍵參數(shù)。將蒙特卡羅交叉驗證（MCCV）與13種機器學習（ML）算法相結(jié)合，對近紅外光譜、拉曼光譜及其融合數(shù)據(jù)進行建模和分析。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值從單獨使用的0.6874和0.8578提高到整合后的0.9031。

使用機器學習算法對光譜數(shù)據(jù)進行模型性能評估

(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各種分析物進行最優(yōu)預(yù)測

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

2 構(gòu)建基于特征波長的回歸模型

   不同來源的光譜數(shù)據(jù)通常包含噪聲、冗余和無關(guān)信息，因此選擇特征波長對于提高模型精度至關(guān)重要。為此，將13種機器學習算法與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)測結(jié)果來看，特征選擇和機器學習算法的結(jié)合，識別出關(guān)鍵的特征波段，從而提高了光譜模型對多個生物過程參數(shù)的預(yù)測性能。

組合光譜模型的在線光譜圖及不同特征選擇方法評估

(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 回歸模型的外部驗證

通過外部驗證，在實際發(fā)酵條件下對預(yù)測模型進行了評估。對于葡萄糖，近NIR模型表現(xiàn)出較高的準確性（R2=0.9077），RMSE比訓(xùn)練時使用的測試集低2.9%。同樣，拉曼光譜模型在外部驗證集上對葡萄糖的預(yù)測R2為0.8666。與單光譜模型相比，組合光譜模型的預(yù)測性能（R2=0.9969）提高了9.8%-15.0%，RMSE降低了81.5%-83.3%?？傊?，外部驗證結(jié)果證明了集成近紅外-拉曼光譜模型在準確預(yù)測關(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行葡萄糖預(yù)測；(b)使用拉曼光譜法進行葡萄糖預(yù)測；(c)使用組合光譜法進行葡萄糖預(yù)測；(d)使用近紅外光譜法進行銨離子預(yù)測；(e)使用拉曼光譜法進行銨離子預(yù)測；(f)使用組合光譜法進行銨離子預(yù)測；(g)使用近紅外光譜法進行生物量預(yù)測；(h)使用拉曼光譜法進行生物量預(yù)測；(i)使用組合光譜法進行生物量預(yù)測；(j) 使用近紅外光譜法進行慶大霉素C1a預(yù)測；(k)使用拉曼光譜法進行慶大霉素C1a預(yù)測；(l)使用組合光譜法進行慶大霉素C1a預(yù)測

4 慶大霉素C1a發(fā)酵過程的實時監(jiān)測與智能控制

鑒于在發(fā)酵后期通過有效控制葡萄糖濃度可顯著提高慶大霉素C1a效價，因此采用所開發(fā)的組合光譜模型對發(fā)酵過程中的葡萄糖補料進行智能控制。對于目標葡萄糖濃度為1 g/L的情況，組合光譜模型的R2達到0.9946，RMSE為0.86 g/L，預(yù)測準確性很高。對于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，集成光譜模型的R2達到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)酵過程中的葡萄糖變化曲線，補料基于組合光譜測量自動控制

(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葡萄糖過程截取放大曲線的控制；(f)5 g/L葡萄糖過程截取放大曲線的控制；(g)10 g/L葡萄糖過程截取放大曲線的控制

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

使用組合光譜技術(shù)對三次補料分批發(fā)酵實驗進行性能評估

總結(jié)概括

本研究開發(fā)了一種機器學習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。結(jié)合自動化控制系統(tǒng)，平臺能動態(tài)調(diào)整補料速率，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)生物制造自動化的巨大潛力。

文章致謝

本工作得到了國家重點研發(fā)計劃（2024YFA0917900）、山東省泰山學者計劃（tsqn202312316）等的資助，感謝益海嘉里慈善基金會的資金支持。感謝瑞普分析儀器（天津）有限公司、梅特勒-托利多儀器（中國）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本號的支持，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

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