基于人工神经网络的侧孢芽孢杆菌培养基的优化研究

高梦祥，夏 帆

(长江大学生命科学学院,湖北 荆州 434025)

基于人工神经网络的侧孢芽孢杆菌培养基的优化研究

高梦祥，夏 帆

(长江大学生命科学学院,湖北 荆州 434025)

将人工神经网络和正交试验相结合，提出了一种新的数据处理和分析方法，利用神经网络特有的自学能力，通过仿真、评估和优化，获得了侧孢芽孢杆菌(Bacilluslateraporus)的发酵培养基配方。即侧孢芽孢杆菌的最佳发酵培养基为蔗糖1.5 g/100 g、酵母膏0.4 g/100 g、蛋白胨0.6 g/100 g、MgSO40.075 g/100 g、KH2PO40.25 g/100 g、MnSO40.010 g/100 g、CaCO30.8 g/100 g。

侧孢芽孢杆菌(Bacilluslateraporus)；培养基配方；神经网络；正交试验

人工神经网络[1](Artificial Neural Network ANN)是近年发展起来的前沿科学之一，是智能控制的一个分支。它具有很强的非线性映射能力，能反映十分复杂的非线性关系，而且网络的输出端点个数不受限制，因而很适合于多变量非线性建模、估计、预测诊断和自适应控制等。

利用微生物发酵生产各种有用代谢产物，其培养基成分种类繁多，各成分间的相互作用也错综复杂。因而，微生物培养基的优化工作就显得尤为重要，多种优化方法已开始广泛地应用于微生物发酵培养基的优化工作中。采用单因素设计、正交设计、均匀设计等方法，可能会获得大量的实验数据，但这些实验数据往往不能被进一步利用。如果使用一些不同的方法对历史数据进一步挖掘就可能得出额外的规律。人工神经网络在这方面显示出其巨大的优越性。国内外已经有不少学者通过神经网络和遗传算法来优化发酵培养基[2～9]。

侧孢芽孢杆菌(Bacilluslateraporus)属于芽孢杆菌属(Bacillus)，可促进植物根部有益菌大量生长，抑制病原菌繁殖，促进植物根系生长，增强根系吸收能力，并能活化土壤养分，从而提高作物产量，改善品质，是一种极为有效的微生物肥料[10，11]。本研究在正交试验基础上，应用人工神经网络技术[12]，建立神经网络模型，变离散数据为连续数据，充分挖掘试验信息，并进行仿真和优化，从而获取侧胞芽孢杆菌发酵培养基配方的最优配比。

1 材料与方法

1.1 供试菌种

侧孢芽孢杆菌WY9701由广东宏远生物公司提供。

1.2 培养基

(1)斜面培养基：牛肉膏蛋白胨琼脂培养基。

(2)发酵培养基基本成分：蔗糖(A)、酵母膏(B)、蛋白胨(C)和无机盐(D)。无机盐成分为MgSO40.03 g/100 g、KH2PO40.1 g/100 g、MnSO40.004 g/100 g、CaCO30.8 g/100 g。

1.3 优化设计

采用L9(34) 正交设计，以菌液浓度为指标，考察蔗糖、酵母膏和蛋白胨对菌液浓度的影响，确定较优培养基配方[13～15]，考察因素和水平如表1 所示。在正交试验所得较优配方的基础上，利用试验数据建立人工神经网络，应用神经网络模型进行模拟和仿真，得到侧孢芽孢杆菌最佳培养基配方。其中涂片用石炭酸复红染色后，在油镜下观察。

表1 试验因素和水平Table 1 The experimental factors and level

表2 正交试验方案设计及计算Table 2 The layout and results of orthogonal test

2 结果与分析

2.1 极差分析

极差Rj反映了第j列上的因素对指标的影响大小，Rj越大则第j个因素影响越大。因此，根据极差大小(表2)可排列出对菌液浓度的影响因素从大到小依次为：蛋白胨(Rj= 6.6) 、蔗糖(Rj= 6.4)、酵母膏(Rj= 2.8 )。

2.2 因素水平最佳搭配

由表2可知，第1次试验对应的菌液浓度最高(32.0)，它是9次试验中的最佳方案，但并不一定是所有试验中的最佳方案。M1j、M2j、M3j大致分别反映了第j个因素(j= 1，2，3)的3个取值水平对指标的影响。在本研究中，希望得率越高越好，因此要从M1j、M2j、M3j(j= 1，2，3)中找到最高的值，据此可获得所有试验中的最佳方案为: 蔗糖(水平2，M21= 22.1) 、酵母膏(水平2，M22= 21.2)、蛋白胨(水平1，M13= 24.0)。即蔗糖1.5 g/100 g、酵母膏0.4 g/100 g、蛋白胨0.6 g/100 g。这个搭配在L9(34) 正交表中并未出现，为了获得该配伍的菌液浓度，尚须以此搭配进行1次验证试验。试验结果菌液浓度32.2。事实上，采用一些数学手段，利用已完成的这9次试验而不进行新的试验，不仅可以推出上述配伍的菌液浓度，还可推出任意配伍的菌液浓度。实现这种功能的有效工具是人工神经网络。

2.3 人工神经网络模型的建立及应用

图1 BP神经网络模型Figure 1 The model of BP artificial neural network

取正交试验中蔗糖、酵母膏和蛋白胨及菌液浓度的9 次试验值作为9 个样本输入，数据见表2。即x1k、x2k、x3k为第k个输入样本，用菌液浓度y作为第k个输入样本对应的输出值。即将(x11，x21，x31)作为第1个样本，(x12，x22，x32)作为第2个样本，…，(x19，x29，x39)作为第9个样本，对应的输出值为t1，t2，…，t9。取精度E=0.000 01，输入层节点数为3，隐含层取6个节点，输出层1个节点，建立BP神经网络模型[12](图1)，用MATLAB 编制程序迭代59次，得到输出值。网络训练完毕后，其权值及偏置值需存储下来。使用时将这些值加载到MATLAB 的工作空间，用工具函数simuff 即可进行任意配伍时的菌液浓度计算。数据仿真计算值与实际值相比，误差均小于0.05% (表3)，表明模型具有较高的精度。利用训练好的神经网络，算出了蔗糖1.5 g/100 g、酵母膏0.4 g/100 g、蛋白胨0.6 g/100 g时的菌液浓度为32.2102，与试验结果相比，误差为0.031 8%，可见神经网络可获得相当准确的结果。

表3 培养基样本指标及仿真结果Table 3 Medium samples index and simulation results

3 讨论

(1)本研究将人工神经网络和传统的正交试验相结合，提出了一种新的数据分析和处理方法。该方法能充分挖掘和利用正交试验数据的信息，通过建立神经网络模型来仿真和优化。从模型的仿真结果看，相对误差均小于0.04%，模型精度高。应用该分析优化模型，并结合生产实际，综合考虑成品品质和工艺成本等因素，最终获得了实际可行的培养基最佳配方为：蔗糖1.5 g/100 g、酵母膏0.4 g/100 g、蛋白胨0.6 g/100 g。并经试验验证和应用表明，优化工艺获得的菌液浓度优于正交试验的较优组合。表明将人工神经网络与传统正交试验方法相结合提出的新的试验设计和数据处理方法是可行的，为影响因素的定量分析和优化提供了一种新的途径。

(2)人工神经网络用于系统的非线性建模，具有无可比拟的优势，在发酵过程中的培养基优化和系统建模与控制方面应用特别广泛。当然，由于人工神经网络是通过对大量数据的“学习”过程来积累“经验”，从而对新的数据进行预测，因此，要求样本取样要有一定的广度和均匀性。但随着数据数量的增加，易出现训练时间过长、过度拟合、不稳定等问题。现在神经网络正不断地与传统的分析方法如回归分析、遗传算法、模糊数学、灰色系统、专家系统等结合起来，能够对发酵过程中的重要生化变量进行预测，克服时滞的影响，加快系统响应速度，准确预测发酵趋势，实时地获取生化变量的预测值，有效的监控发酵过程和进行优化操作，并使系统具有较好的鲁棒性。

[1]Hagan M T,Demuch H B.Neural Network Design[M].Boston:PWS Publish Company,1996.

[2]方柏山,陈宏文,谢晓兰,等. 基于神经网络和遗传算法的木糖醇发酵培养基优化研究[J].生物工程学报,2000,16(5):648～650.

[3]蔡宇杰,诸葛斌,张锡红,等. 遗传算法与神经网络耦联法优化生淀粉酶发酵培养基[J].无锡轻工大学学报,2001,20(4):421～423.

[4]王军峰,杜吉泉,储 炬,等. 应用神经网络和遗传算法优化利福霉素B发酵培养基[J].中国抗生素杂志,2006,31(5):278～280.

[5]周景文,徐 建,陈守文,等. 基于径向基神经网络和遗传算法的聚-γ-谷氨酸发酵培养基优化[J].食品科学,2006,27(10):288～292.

[6]张 慧,王 健,陈 宁. L-缬氨酸发酵培养基的神经网络建模与遗传算法优化[J].生物技术通讯,2005,16(2):156～158.

[7]Fang B S，Chen H W，Xie X L，etal. Using genetic algorithms coupling neural networks in a study of xylitol production：medium optimization [J]. Process biochemistry，2003，38：979～985.

[8]Moreira G A，Micheloud G A，Beccaria A J，etal. Optimization of theBacillusthuringiensisvar.kurstakiHD-1 δ-endotoxins production by using experimental mixture design and artificial neural networks [J]. Biochemical Engineering Journal，2007，35： 48～55.

[9]Desai K M，Vaidya B K，Singhal R S，etal. Use of an artificial neural network in modeling yeast biomass and yield of β-glucan[J].Process Biochemistry,2005，40:1617～1626.

[10]郜春花，董云中，王 岗.微生物肥料与生态农业[J].农业环境与发展，2003，6(2)：12～13.

[11]Montaldi F A，Roth I L.Parasporal bodies ofBacilluslaterosporussporangia[J]. Journal Bacteriology，1990，172(4): 2168～2171.

[12]飞思科技产品研发中心.MATLAB6.5辅助神经网络分析与设计[M].北京：电子工业出版社，2003.

[13]窦雾虹，孙 裙，李博海．苏云金芽孢杆菌发酵实验参数的分析[J]．生物数学学报，2002，17(4)：471～475．

[14]吴俊罡，张秉胜，刘吉华．枯草芽孢杆菌发酵培养基优化培养实验[J]．国外畜牧学，2003， 23(3)：31～33．

[15]谷春涛，彭爱铭，萨仁娜，等．地衣芽孢杆菌TS-01发酵培养基的优化[J]．饲料工业，2003，24(8)：19～20．

2009-11-19

湖北省教育厅重点项目(B200512002)；长江大学博士启动基金项目(03000282)

高梦祥(1971-)，男，陕西武功人，工学博士，副教授，主要从事生物磁效应和农产品加工保鲜方法的研究.

10.3969/j.issn.1673-1409(S).2010.01.018

Q813.1+2

A

1673-1409(2010)01-S071-03