摘要[背景]阿维菌素是一种高效的生物杀虫剂和抗寄生虫药物,其中B1a组分活性最好,是评估阿维链霉菌(Streptomyces avermitilis)发酵水平的主要指标,培养基成分对其发酵产量具有显著影响.传统优化方法如响应面法(response surface methodology,RSM)在处理复杂非线性系统时,仍存在一定的局限性,因此亟需更高效的优化策略.[目的]优化阿维菌素B1a的发酵培养基成分,以提高其产量,并比较RSM与深度神经网络(deep neural network,DNN)模型的预测性能和优化效果.[方法]首先采用Plackett-Burman设计筛选出关键因子酵母粉、黄豆饼粉及碳酸钙,并通过最陡爬坡试验进一步确定优化范围.随后,基于Box-Behnken响应面法构建数学模型,同时,使用Python编程语言和PyTorch深度学习框架构建DNN模型,并将遗传算法引入DNN建模过程,对培养基关键成分的配比组合进行优化,旨在最大化阿维菌素B1a的产量.[结果]RSM与DNN这2种方法均可用于阿维菌素B1 a发酵培养基的建模与优化,但DNN模型的预测准确度及拟合能力显著优于RSM模型,其决定系数、平均绝对误差、平均绝对百分比误差、均方根误差分别为0.999 9、0.048 8、0.105 1％、0.114 9,均显示出较低的预测误差.通过DNN优化得到的发酵培养基中,关键成分酵母粉、黄豆饼粉和碳酸钙的最优浓度分别为5.44、5.52、6.69 g/L,其余成分[玉米淀粉60.00 g/L、玉米粉10.00 g/L、CoCl2·6H2O 0.02 g/L、(NH4)2SO4 0.25 g/L]保持初始培养基的原有浓度,对应的B1a产量预测值为62.47 mg/L,实验值为(62.23±1.38)mg/L,较初始培养基产量(16.21±0.63)mg/L提高2.84倍.采用沙普利可加性解释方法进行特征重要性分析,结果表明,碳酸钙对模型预测结果的影响最为显著.[结论]构建的DNN与RSM的协同优化体系,实现了对阿维菌素B1a发酵培养基关键成分(酵母粉、黄豆饼粉、碳酸钙)浓度的精准优化.这种"智能算法与经典试验设计融合"的研究范式,为发酵培养基优化提供了一种具有推广价值的方法学框架.