摘  要：合成生物学技术极大提升了菌株改造效率，然而传统发酵优化方法依赖于专家经验且需要反复试错，开发效率低，难以满足大量高产菌种对应发酵工艺优化的需求。基于数据和模型驱动的智能化发酵优化方法可大幅提升发酵工艺优化的效率，然而缺乏成熟可靠的智能化模型严重限制了发酵工艺优化智能化的发展。针对以上问题，本研究提出一种基于卷积神经网络(convolutional neural network，CNN)、双向长短期记忆网络(bidirectional long short-term memory，BiLSTM)、注意力机制(attention mechanism，AM)多模型整合的发酵过程多时间步预测方法(命名为 CNN-BiLSTM-AM)并应用于发酵过程预测。首先，对提出的整合模型进行超参数优化，提高模型的预测精度；其次，通过消融实验和与各分模型的对比，对整合模型进行验证；最后，分别利用青霉素发酵数据集和左旋多巴发酵数据集进行模型应用。结果表明，本文模型在 10 个时间步长下，预测的决定系数大于 0.9，能够利用已获得的发酵过程数据成功预测产物浓度多时间步后的变化。

论文下载：

03.pdf

  浏览次数：