Журнал фармации и фармацевтических исследований Открытый доступ

Абстрактный

Моделирование и оптимизация условий ферментации для производства гликолипопептидов с использованием методологии поверхности отклика и подходов искусственного интеллекта

Морис Г. Экпеньонг

Постановка проблемы: штамм Pseudomonas aeruginosa IKW1 продуцировал биосурфактант при выращивании в отходах жарки подсолнечного масла-базале. Активное соединение снижало поверхностное натяжение ферментационного бульона до 24,62 дин/см при критической концентрации мицелл 20,80 мг/л. Он был идентифицирован с помощью высокоэффективной жидкостной хроматографии и инфракрасной Фурье-спектрометрии как гликолипопептид. Он продемонстрировал значительные эмульгирующие и пенообразующие способности, что предполагает пригодность для применения в фармацевтических и моющих составах. Однако выход продукта был низким, что делало крупномасштабное производство для рекомендуемых применений нецелесообразным. Несколько исследователей сообщили об улучшении выхода за счет стратегических подходов оптимизации среды. Ранее мы приняли методологию поверхности отклика (RSM) для оптимизации основных питательных веществ и зафиксировали похвальное увеличение выхода. Позже мы использовали дизайн Плакета-Бермана (PBD) и RSM для скрининга и оптимизации следовых питательных веществ и получили значительное улучшение выхода. Однако отчеты об исследованиях показывают, что искусственная нейронная сеть (ANN) является лучшим подходом к оптимизации. Методология и теоретическая ориентация: в этом исследовании мы оптимизировали условия ферментации, такие как температура, pH, перемешивание и продолжительность, с помощью RSM, и сравнили результаты с результатами, полученными с помощью ANN, связанной с генетическим алгоритмом (ANN-GA) и оптимизацией роя частиц (ANN-PSO). Результаты: наши результаты показали, что модель реакции биосурфактанта, предсказанная квадратичной функцией RSM, была значимой (P < 0,0001; скорректированный R2 = 0,9911; RMSE = 0,034), устанавливая уровни факторов при температуре - 32 °C, pH - 7,6, скорости перемешивания - 130 об/мин и времени ферментации - 66 ч. Максимальная концентрация гликолипопептида составила 107,19 г/л с выходом (Yp/x) 4,24. Сравнительные результаты ANN-GA (R2=0,9997; RMSE=0,055) и ANN-PSO (R2=0,9914, RMSE=0,047) показали, что модель и оптимизированные настройки факторов не сильно (P>0,05) отличались от полученных с помощью RSM. Вывод и значимость: Это говорит о том, что RSM при тщательном выполнении может быть таким же хорошим инструментом моделирования и оптимизации, как и методы нейронных сетей.