换一批基于机器学习的植物乳杆菌LP1Z高密度发酵培养基优化
Machine Learning-Based Optimization of High-density Fermentation Medium for Lactiplantibacillus plantarum LP1Z
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.
更多相关知识
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Lactiplantibacillus plant arumhigh-density culturemedium optimizationmachine learningresponse surface method
栏目名称
DOI
10.13982/j.mfst.1673-9078.2025.4.0312
发布时间
2025-06-03（万方平台首次上网日期，不代表论文的发表时间）
- 浏览6
- 被引3
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
