華理田錫煒老師團隊突破 ！AI+光譜技術助力慶大霉素發酵效價提升33%，沃美生物鼎力支持！
引言
華東理工大學生物工程學院田錫煒老師近日在《Bioresource Technology》發表重磅研究成果！他們創新性地將近紅外（NIR）與拉曼光譜技術結合人工智能（AI），成功實現慶大霉素發酵過程的實時監測與精準控制，使目標產物濃度提升33%！
華東理工大學生物工程學院田錫煒老師的研究團隊，近日在《Bioresource Technology》期刊上發表了一篇題為《Harnessing near-infrared and Raman spectral sensing and artificial intelligence for real-time monitoring and precision control of bioprocess》的文章。
該文主要研究了將近紅外光譜和拉曼光譜技術整合，并用于慶大霉素發酵的實時監測和精確控制。通過機器學習算法篩選特征波長，使光譜模型R2提高了9.2%-100.4%。團隊還開發了一個AI驅動的全自動發酵平臺，結合雙傳感器和機器學習，動態調整補料速率來精確維持低葡萄糖濃度。與傳統方法相比，慶大霉素C1a濃度提高33%。該平臺展示了光譜技術與機器學習在實時監測中的潛力，為提升工業發酵效率和產品效價提供了可擴展方案。
主要內容
1 構建全近紅外光譜和全拉曼光譜的回歸模型
采用近紅外（NIR）和拉曼光譜技術監測慶大霉素C1a發酵過程中的關鍵參數。將蒙特卡羅交叉驗證（MCCV）與13種機器學習（ML）算法相結合，對近紅外光譜、拉曼光譜及其融合數據進行建模和分析。將NIR和拉曼光譜數據整合后，模型性能顯著提升，平均R2值從單獨使用的0.6874和0.8578提高到整合后的0.9031。
使用機器學習算法對光譜數據進行模型性能評估
(a)近紅外光譜模型的R2值；(b)拉曼光譜模型的R2值；(c)組合光譜模型的R2值；(d)近紅外光譜模型的均方根誤差；(e)拉曼光譜模型的均方根誤差；(f)組合光譜模型的均方根誤差
使用近紅外光譜、拉曼光譜和組合光譜對各種分析物進行最優預測
注：RPD — residual predictive deviation (殘差預測偏差)
2 構建基于特征波長的回歸模型
不同來源的光譜數據通常包含噪聲、冗余和無關信息，因此選擇特征波長對于提高模型精度至關重要。為此，將13種機器學習算法與6種特征選擇方法相結合，得到了78種組合，并利用這些特征開發了最優回歸模型。從預測結果來看，特征選擇和機器學習算法的結合，識別出關鍵的特征波段，從而提高了光譜模型對多個生物過程參數的預測性能。
組合光譜模型的在線光譜圖及不同特征選擇方法評估
(a)原始近紅外光譜圖；(b)采用一階導數處理后的近紅外光譜圖；(c)原始拉曼光譜圖；(d)采用一階導數處理后的拉曼光譜圖。(e)葡萄糖模型的R2 值；(f)銨離子模型的R2 值；(g)生物量模型的R2值；(h)慶大霉素C1a模型的 R2值；(i)葡萄糖模型的均方根誤差；(j)銨離子模型的均方根誤差；(k)生物量模型的均方根誤差；(l)慶大霉素C1a模型的均方根誤差
3 回歸模型的外部驗證
通過外部驗證，在實際發酵條件下對預測模型進行了評估。對于葡萄糖，近NIR模型表現出較高的準確性（R2=0.9077），RMSE比訓練時使用的測試集低2.9%。同樣，拉曼光譜模型在外部驗證集上對葡萄糖的預測R2為0.8666。與單光譜模型相比，組合光譜模型的預測性能（R2=0.9969）提高了9.8%-15.0%，RMSE降低了81.5%-83.3%。總之，外部驗證結果證明了集成近紅外-拉曼光譜模型在準確預測關鍵工藝參數方面的有效性。
使用未見光譜數據集的回歸模型性能
(a)使用近紅外光譜法進行葡萄糖預測；(b)使用拉曼光譜法進行葡萄糖預測；(c)使用組合光譜法進行葡萄糖預測；(d)使用近紅外光譜法進行銨離子預測；(e)使用拉曼光譜法進行銨離子預測；(f)使用組合光譜法進行銨離子預測；(g)使用近紅外光譜法進行生物量預測；(h)使用拉曼光譜法進行生物量預測；(i)使用組合光譜法進行生物量預測；(j) 使用近紅外光譜法進行慶大霉素C1a預測；(k)使用拉曼光譜法進行慶大霉素C1a預測；(l)使用組合光譜法進行慶大霉素C1a預測
4 慶大霉素C1a發酵過程的實時監測與智能控制
鑒于在發酵后期通過有效控制葡萄糖濃度可顯著提高慶大霉素C1a效價，因此采用所開發的組合光譜模型對發酵過程中的葡萄糖補料進行智能控制。對于目標葡萄糖濃度為1 g/L的情況，組合光譜模型的R2達到0.9946，RMSE為0.86 g/L，預測準確性很高。對于5 g/L，集成光譜模型得出的R2為0.9957，RMSE為0.79 g/L。在葡萄糖濃度為10 g/L時，集成光譜模型的R2達到0.9935，RMSE為1.74 g/L，表明該模型即使在高濃度下也具有良好的魯棒性。
慶大霉素C1a發酵過程中的葡萄糖變化曲線，補料基于組合光譜測量自動控制
(a)基于人工智能的控制操作圖；(b)1 g/L葡萄糖的控制；(c)5 g/L葡萄糖的控制；(d)10 g/L葡萄糖的控制；(e)1 g/L葡萄糖過程截取放大曲線的控制；(f)5 g/L葡萄糖過程截取放大曲線的控制；(g)10 g/L葡萄糖過程截取放大曲線的控制
注：圖中的計算機展示了在控制葡萄糖濃度為1 g/L時，使用集成光譜方法進行自動化控制的快速分析和執行情況。
使用組合光譜技術對三次補料分批發酵實驗進行性能評估
總結概括
本研究開發了一種機器學習輔助的組合光譜模型，用于慶大霉素C1a發酵。模型可在1分鐘內精確預測葡萄糖、銨離子、生物量和慶大霉素C1a濃度，而傳統方法需2小時。結合自動化控制系統，平臺能動態調整補料速率，維持低葡萄糖濃度（5 g/L），使慶大霉素C1a濃度提升33%，達到346.5 mg/L。該方法顯著提高了發酵效率，展現了工業生物制造自動化的巨大潛力。
文章致謝
本工作得到了國家重點研發計劃（2024YFA0917900）、山東省泰山學者計劃（tsqn202312316）等的資助，感謝益海嘉里慈善基金會的資金支持。感謝瑞普分析儀器（天津）有限公司、梅特勒-托利多儀器（中國）有限公司和蘇州沃美生物有限公司工程師們的技術支持。
感謝田錫煒老師課題組對本號的支持，感謝文章作者徐峰提供本文稿件支持！
原文鏈接https://doi.org/10.1016/j.biortech.2025.132204
Xu F, Su L, Gao H, et al. Harnessing near-infrared and Raman spectral sensing and artificial intelligence for real-time monitoring and precision control of bioprocess. Bioresour Technol. 2025 Feb 7;421:132204.
結語
期待沃美生物與更多高校的持續合作，為中國生物制造注入更多創新動能！
