高夢(mèng)祥，夏 帆

(長(zhǎng)江大學(xué)生命科學(xué)學(xué)院,湖北 荊州 434025)

基于人工神經(jīng)網(wǎng)絡(luò)的側(cè)孢芽孢桿菌培養(yǎng)基的優(yōu)化研究

高夢(mèng)祥，夏 帆

(長(zhǎng)江大學(xué)生命科學(xué)學(xué)院,湖北 荊州 434025)

將人工神經(jīng)網(wǎng)絡(luò)和正交試驗(yàn)相結(jié)合，提出了一種新的數(shù)據(jù)處理和分析方法，利用神經(jīng)網(wǎng)絡(luò)特有的自學(xué)能力，通過(guò)仿真、評(píng)估和優(yōu)化，獲得了側(cè)孢芽孢桿菌(Bacilluslateraporus)的發(fā)酵培養(yǎng)基配方。即側(cè)孢芽孢桿菌的最佳發(fā)酵培養(yǎng)基為蔗糖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。

側(cè)孢芽孢桿菌(Bacilluslateraporus)；培養(yǎng)基配方；神經(jīng)網(wǎng)絡(luò)；正交試驗(yàn)

人工神經(jīng)網(wǎng)絡(luò)[1](Artificial Neural Network ANN)是近年發(fā)展起來(lái)的前沿科學(xué)之一，是智能控制的一個(gè)分支。它具有很強(qiáng)的非線(xiàn)性映射能力，能反映十分復(fù)雜的非線(xiàn)性關(guān)系，而且網(wǎng)絡(luò)的輸出端點(diǎn)個(gè)數(shù)不受限制，因而很適合于多變量非線(xiàn)性建模、估計(jì)、預(yù)測(cè)診斷和自適應(yīng)控制等。

利用微生物發(fā)酵生產(chǎn)各種有用代謝產(chǎn)物，其培養(yǎng)基成分種類(lèi)繁多，各成分間的相互作用也錯(cuò)綜復(fù)雜。因而，微生物培養(yǎng)基的優(yōu)化工作就顯得尤為重要，多種優(yōu)化方法已開(kāi)始廣泛地應(yīng)用于微生物發(fā)酵培養(yǎng)基的優(yōu)化工作中。采用單因素設(shè)計(jì)、正交設(shè)計(jì)、均勻設(shè)計(jì)等方法，可能會(huì)獲得大量的實(shí)驗(yàn)數(shù)據(jù)，但這些實(shí)驗(yàn)數(shù)據(jù)往往不能被進(jìn)一步利用。如果使用一些不同的方法對(duì)歷史數(shù)據(jù)進(jìn)一步挖掘就可能得出額外的規(guī)律。人工神經(jīng)網(wǎng)絡(luò)在這方面顯示出其巨大的優(yōu)越性。國(guó)內(nèi)外已經(jīng)有不少學(xué)者通過(guò)神經(jīng)網(wǎng)絡(luò)和遺傳算法來(lái)優(yōu)化發(fā)酵培養(yǎng)基[2～9]。

側(cè)孢芽孢桿菌(Bacilluslateraporus)屬于芽孢桿菌屬(Bacillus)，可促進(jìn)植物根部有益菌大量生長(zhǎng)，抑制病原菌繁殖，促進(jìn)植物根系生長(zhǎng)，增強(qiáng)根系吸收能力，并能活化土壤養(yǎng)分，從而提高作物產(chǎn)量，改善品質(zhì)，是一種極為有效的微生物肥料[10，11]。本研究在正交試驗(yàn)基礎(chǔ)上，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)[12]，建立神經(jīng)網(wǎng)絡(luò)模型，變離散數(shù)據(jù)為連續(xù)數(shù)據(jù)，充分挖掘試驗(yàn)信息，并進(jìn)行仿真和優(yōu)化，從而獲取側(cè)胞芽孢桿菌發(fā)酵培養(yǎng)基配方的最優(yōu)配比。

1 材料與方法

1.1 供試菌種

側(cè)孢芽孢桿菌WY9701由廣東宏遠(yuǎn)生物公司提供。

1.2 培養(yǎng)基

(1)斜面培養(yǎng)基：牛肉膏蛋白胨瓊脂培養(yǎng)基。

(2)發(fā)酵培養(yǎng)基基本成分：蔗糖(A)、酵母膏(B)、蛋白胨(C)和無(wú)機(jī)鹽(D)。無(wú)機(jī)鹽成分為MgSO40.03 g/100 g、KH2PO40.1 g/100 g、MnSO40.004 g/100 g、CaCO30.8 g/100 g。

1.3 優(yōu)化設(shè)計(jì)

采用L9(34) 正交設(shè)計(jì)，以菌液濃度為指標(biāo)，考察蔗糖、酵母膏和蛋白胨對(duì)菌液濃度的影響，確定較優(yōu)培養(yǎng)基配方[13～15]，考察因素和水平如表1 所示。在正交試驗(yàn)所得較優(yōu)配方的基礎(chǔ)上，利用試驗(yàn)數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)，應(yīng)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模擬和仿真，得到側(cè)孢芽孢桿菌最佳培養(yǎng)基配方。其中涂片用石炭酸復(fù)紅染色后，在油鏡下觀(guān)察。

表1 試驗(yàn)因素和水平Table 1 The experimental factors and level

表2 正交試驗(yàn)方案設(shè)計(jì)及計(jì)算Table 2 The layout and results of orthogonal test

2 結(jié)果與分析

2.1 極差分析

極差Rj反映了第j列上的因素對(duì)指標(biāo)的影響大小，Rj越大則第j個(gè)因素影響越大。因此，根據(jù)極差大小(表2)可排列出對(duì)菌液濃度的影響因素從大到小依次為：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次試驗(yàn)對(duì)應(yīng)的菌液濃度最高(32.0)，它是9次試驗(yàn)中的最佳方案，但并不一定是所有試驗(yàn)中的最佳方案。M1j、M2j、M3j大致分別反映了第j個(gè)因素(j= 1，2，3)的3個(gè)取值水平對(duì)指標(biāo)的影響。在本研究中，希望得率越高越好，因此要從M1j、M2j、M3j(j= 1，2，3)中找到最高的值，據(jù)此可獲得所有試驗(yàn)中的最佳方案為: 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。這個(gè)搭配在L9(34) 正交表中并未出現(xiàn)，為了獲得該配伍的菌液濃度，尚須以此搭配進(jìn)行1次驗(yàn)證試驗(yàn)。試驗(yàn)結(jié)果菌液濃度32.2。事實(shí)上，采用一些數(shù)學(xué)手段，利用已完成的這9次試驗(yàn)而不進(jìn)行新的試驗(yàn)，不僅可以推出上述配伍的菌液濃度，還可推出任意配伍的菌液濃度。實(shí)現(xiàn)這種功能的有效工具是人工神經(jīng)網(wǎng)絡(luò)。

2.3 人工神經(jīng)網(wǎng)絡(luò)模型的建立及應(yīng)用

圖1 BP神經(jīng)網(wǎng)絡(luò)模型Figure 1 The model of BP artificial neural network

取正交試驗(yàn)中蔗糖、酵母膏和蛋白胨及菌液濃度的9 次試驗(yàn)值作為9 個(gè)樣本輸入，數(shù)據(jù)見(jiàn)表2。即x1k、x2k、x3k為第k個(gè)輸入樣本，用菌液濃度y作為第k個(gè)輸入樣本對(duì)應(yīng)的輸出值。即將(x11，x21，x31)作為第1個(gè)樣本，(x12，x22，x32)作為第2個(gè)樣本，…，(x19，x29，x39)作為第9個(gè)樣本，對(duì)應(yīng)的輸出值為t1，t2，…，t9。取精度E=0.000 01，輸入層節(jié)點(diǎn)數(shù)為3，隱含層取6個(gè)節(jié)點(diǎn)，輸出層1個(gè)節(jié)點(diǎn)，建立BP神經(jīng)網(wǎng)絡(luò)模型[12](圖1)，用MATLAB 編制程序迭代59次，得到輸出值。網(wǎng)絡(luò)訓(xùn)練完畢后，其權(quán)值及偏置值需存儲(chǔ)下來(lái)。使用時(shí)將這些值加載到MATLAB 的工作空間，用工具函數(shù)simuff 即可進(jìn)行任意配伍時(shí)的菌液濃度計(jì)算。數(shù)據(jù)仿真計(jì)算值與實(shí)際值相比，誤差均小于0.05% (表3)，表明模型具有較高的精度。利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，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時(shí)的菌液濃度為32.2102，與試驗(yàn)結(jié)果相比，誤差為0.031 8%，可見(jiàn)神經(jīng)網(wǎng)絡(luò)可獲得相當(dāng)準(zhǔn)確的結(jié)果。

表3 培養(yǎng)基樣本指標(biāo)及仿真結(jié)果Table 3 Medium samples index and simulation results

3 討論

(1)本研究將人工神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的正交試驗(yàn)相結(jié)合，提出了一種新的數(shù)據(jù)分析和處理方法。該方法能充分挖掘和利用正交試驗(yàn)數(shù)據(jù)的信息，通過(guò)建立神經(jīng)網(wǎng)絡(luò)模型來(lái)仿真和優(yōu)化。從模型的仿真結(jié)果看，相對(duì)誤差均小于0.04%，模型精度高。應(yīng)用該分析優(yōu)化模型，并結(jié)合生產(chǎn)實(shí)際，綜合考慮成品品質(zhì)和工藝成本等因素，最終獲得了實(shí)際可行的培養(yǎng)基最佳配方為：蔗糖1.5 g/100 g、酵母膏0.4 g/100 g、蛋白胨0.6 g/100 g。并經(jīng)試驗(yàn)驗(yàn)證和應(yīng)用表明，優(yōu)化工藝獲得的菌液濃度優(yōu)于正交試驗(yàn)的較優(yōu)組合。表明將人工神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)正交試驗(yàn)方法相結(jié)合提出的新的試驗(yàn)設(shè)計(jì)和數(shù)據(jù)處理方法是可行的，為影響因素的定量分析和優(yōu)化提供了一種新的途徑。

(2)人工神經(jīng)網(wǎng)絡(luò)用于系統(tǒng)的非線(xiàn)性建模，具有無(wú)可比擬的優(yōu)勢(shì)，在發(fā)酵過(guò)程中的培養(yǎng)基優(yōu)化和系統(tǒng)建模與控制方面應(yīng)用特別廣泛。當(dāng)然，由于人工神經(jīng)網(wǎng)絡(luò)是通過(guò)對(duì)大量數(shù)據(jù)的“學(xué)習(xí)”過(guò)程來(lái)積累“經(jīng)驗(yàn)”，從而對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)，因此，要求樣本取樣要有一定的廣度和均勻性。但隨著數(shù)據(jù)數(shù)量的增加，易出現(xiàn)訓(xùn)練時(shí)間過(guò)長(zhǎng)、過(guò)度擬合、不穩(wěn)定等問(wèn)題?，F(xiàn)在神經(jīng)網(wǎng)絡(luò)正不斷地與傳統(tǒng)的分析方法如回歸分析、遺傳算法、模糊數(shù)學(xué)、灰色系統(tǒng)、專(zhuān)家系統(tǒng)等結(jié)合起來(lái)，能夠?qū)Πl(fā)酵過(guò)程中的重要生化變量進(jìn)行預(yù)測(cè)，克服時(shí)滯的影響，加快系統(tǒng)響應(yīng)速度，準(zhǔn)確預(yù)測(cè)發(fā)酵趨勢(shì)，實(shí)時(shí)地獲取生化變量的預(yù)測(cè)值，有效的監(jiān)控發(fā)酵過(guò)程和進(jìn)行優(yōu)化操作，并使系統(tǒng)具有較好的魯棒性。

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

[2]方柏山,陳宏文,謝曉蘭,等. 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的木糖醇發(fā)酵培養(yǎng)基優(yōu)化研究[J].生物工程學(xué)報(bào),2000,16(5):648～650.

[3]蔡宇杰,諸葛斌,張錫紅,等. 遺傳算法與神經(jīng)網(wǎng)絡(luò)耦聯(lián)法優(yōu)化生淀粉酶發(fā)酵培養(yǎng)基[J].無(wú)錫輕工大學(xué)學(xué)報(bào),2001,20(4):421～423.

[4]王軍峰,杜吉泉,儲(chǔ) 炬,等. 應(yīng)用神經(jīng)網(wǎng)絡(luò)和遺傳算法優(yōu)化利福霉素B發(fā)酵培養(yǎng)基[J].中國(guó)抗生素雜志,2006,31(5):278～280.

[5]周景文,徐 建,陳守文,等. 基于徑向基神經(jīng)網(wǎng)絡(luò)和遺傳算法的聚-γ-谷氨酸發(fā)酵培養(yǎng)基優(yōu)化[J].食品科學(xué),2006,27(10):288～292.

[6]張 慧,王 健,陳 寧. L-纈氨酸發(fā)酵培養(yǎng)基的神經(jīng)網(wǎng)絡(luò)建模與遺傳算法優(yōu)化[J].生物技術(shù)通訊,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 崗.微生物肥料與生態(tài)農(nóng)業(yè)[J].農(nóng)業(yè)環(huán)境與發(fā)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]飛思科技產(chǎn)品研發(fā)中心.MATLAB6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)[M].北京：電子工業(yè)出版社，2003.

[13]竇霧虹，孫 裙，李博海．蘇云金芽孢桿菌發(fā)酵實(shí)驗(yàn)參數(shù)的分析[J]．生物數(shù)學(xué)學(xué)報(bào)，2002，17(4)：471～475．

[14]吳俊罡，張秉勝，劉吉華．枯草芽孢桿菌發(fā)酵培養(yǎng)基優(yōu)化培養(yǎng)實(shí)驗(yàn)[J]．國(guó)外畜牧學(xué)，2003， 23(3)：31～33．

[15]谷春濤，彭愛(ài)銘，薩仁娜，等．地衣芽孢桿菌TS-01發(fā)酵培養(yǎng)基的優(yōu)化[J]．飼料工業(yè)，2003，24(8)：19～20．

2009-11-19

湖北省教育廳重點(diǎn)項(xiàng)目(B200512002)；長(zhǎng)江大學(xué)博士啟動(dòng)基金項(xiàng)目(03000282)

高夢(mèng)祥(1971-)，男，陜西武功人，工學(xué)博士，副教授，主要從事生物磁效應(yīng)和農(nóng)產(chǎn)品加工保鮮方法的研究.

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

Q813.1+2

A

1673-1409(2010)01-S071-03