一种微生物培养过程中多种物质实时检测的方法技术

本发明专利技术提供了一种微生物培养过程中物质实时检测的方法，包括以下步骤

【技术实现步骤摘要】
一种微生物培养过程中多种物质实时检测的方法


[0001]本专利技术涉及光谱检测分析
，尤其涉及一种微生物培养过程中多种物质实时检测的方法
。

技术介绍

[0002]生物制药领域，过程分析技术
(PAT)
利用先进的分析手段实时监测和控制生物制药生产过程中的多个参数和指标
。
以确保产品的质量
、
一致性和生产效率，减少产品失败率并降低生产成本
。
拉曼检测技术作为一种典型的过程分析技术，以非侵入性
、
高灵敏度等特点在药物生产过程和质量分析具有广泛的应用
。
[0003]2010
年，众多学者利用拉曼技术结合化学计量学方法来实现大肠杆菌微生物的快速检测
、
分离和识别，同时也尝试采用更先进的拉曼成像技术来对微生物内的化学成分进行可视化分析，推动了该技术在微生物研究领域的应用
。2011
年
NR Abu
‑
Absi,BM Kenty
等首次实现了对生物反应器中多项参数葡萄糖
、
乳酸
、
铵
、
谷氨酰胺和存活细胞密度的同时监测
。
到目前为止，培养过程中如滴定度
、16
种蛋白氨基酸浓度等更多关键指标被证明可以通过拉曼技术结合化学计量学的方式实时监测
。
[0004]2018
年
Shuai He
，
Yi Mon Ei Kyaw
研究团队提出了一种新的无标记定量测量细胞外蛋白激酶
A(PKA)
活性的方法
。
通过对
SERS
谱进行主成分分析
(PCA)
，研究团队成功识别到了
725
和
1395cm
‑1处的两个拉曼峰，它们的比例强度变化反映了
PKA
对
Kem
的磷酸化程度，从而实现了对
PKA
活性的定量测量
。
这证明了拉曼光谱技术在蛋白质检测方面的可行性，为实时定量研究奠定了基础
。
[0005]偏最小二乘回归
(PLSR)
是目前使用最为普遍的一种化学计量学算法，常用与多元统计分析，处理多变量数据之间的相关性和预测
。PLSR
能够降低数据维度，在保留原始数据的信息的同时，把多个自变量
X
和因变量
Y
之间的线性关系提取出来，并用少量的“潜在变量”来映射回归关系
。PLSR
在满足朗伯
‑
比尔定律的线性回归模型中效果表现优异，但最近研究表明在处理非线性问题以及多批次数据适用情况下导致的模型泛化能力表现不佳
。
由于训练的模型过于依赖于当前输入数据，使得模型鲁棒性没有取得令人的满意结果
。
[0006]随着机器学习的发展，将其他回归算法如支持向量回归
(SVR)、
随机森林回归
(RFR)
与神经网络回归
(ANNR)
等非线性算法结合拉曼光谱能够较好的克服上述线性模型的缺点
。
[0007]生物多批次培养具有明显的特异性，提高模型的鲁棒性需要使用到不同批次的过程数据进行模型的训练
。
一定程度上数据集的丰富性扩大，模型的鲁棒性也会随之增长，但过多的数据会使得模型的准确性趋于低饱和
。
且由于间断采样导致数据灾难，数据集存在分布不均的偏差
。
部分的样本数量过多，使得模型拟合不准确而出现错误的预测结果
。
[0008]深度网络中神经元之间的复杂联系，以及多层深度能够容纳海量的数据，使之成为更为理想的高参数回归模型
。2012
年卷积神经网络
(CNN)
结构
AlexNet
，在
ImageNet
图像分类大赛上获得第一名
。CNN
的局部连接和权值共享特性，减小了网络的参数数量和计算复
杂度，同时增加模型的稳定性
。CNN
在分类和回归任务上都取得良好结果
。
[0009]细菌培养过程中某一时刻的所有信息都分布在同一条拉曼谱图不同波数的峰位上
。
由于生物大分子之间的耦合效应以及生物荧光干扰，很难通过常规的谱图识别定位特征峰
。

技术实现思路

[0010]针对现有技术中所存在的不足，本专利技术提供了一种微生物培养过程中多种物质实时检测的方法
。
其解决了现有技术中存在的微生物培养中物质实时检测不准确的问题
。
[0011]本专利技术第一方面，提供一种微生物培养过程中多种物质实时检测的方法，包括以下步骤：
[0012]S0
将微生物进行发酵培养，得到发酵样品；
[0013]S1
建立数据集：在培养过程中连续采集发酵样品的拉曼光谱数据得到过程数据集；同时间断取样并检测发酵样品中物质浓度得到离线数据集；
[0014]S2
标记数据集：根据离线数据集，将过程数据集划分为有标签的过程数据集和无标签的过程数据集，并对无标签的过程数据集进行标记，得到无标签的过程标记数据集；
[0015]S3
建立回归模型：有标签的过程数据集与无标签的过程标记数据集共同组成半监督数据集，用来训练遗传算法
‑
半监督卷积神经网络模型，建立拉曼光谱与物质浓度之间的回归模型
。
[0016]本专利技术一实施例中，步骤
S1
中，连续采集发酵样品的拉曼光谱数据的方法包括：将拉曼光谱仪与发酵样品连接，实时检测发酵样品的拉曼光谱数据；
[0017]间断取样并检测发酵样品中物质浓度的方法包括：每间隔一定时间，采集发酵样品并检测吸光值和物质浓度；
[0018]优选间隔时间为
1h
；
[0019]优选物质包括葡萄糖
、
乳酸
、
铵离子
、OD600
和目标蛋白
。
[0020]本专利技术一实施例中，步骤
S2
中，根据离线数据集，将过程数据集划分为有标签的过程数据集和无标签的过程数据集的方法包括：将过程数据集中与取样时间对应的拉曼光谱数据划分为有标签的过程数据集，其余拉曼光谱数据划分为无标签的过程数据集；
[0021]优选地，对无标签的过程数据集进行标记的方法包括模型计算法和插值法；
[0022]更优选地，所述模型计算法为利用有标签的过程数据集训练完成的模型对无标签的过程数据集进行标记；
[0023]更优选地，所述插值法为利用三样条插值法对无标签的过程数据集进行标记
。
[0024]本专利技术一具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种微生物培养过程中多种物质实时检测的方法，其特征在于，包括以下步骤：
S0
将微生物进行发酵培养，得到发酵样品；
S1
建立数据集：在培养过程中连续采集发酵样品的拉曼光谱数据得到过程数据集；同时间断取样并检测发酵样品中物质浓度得到离线数据集；
S2
标记数据集：根据离线数据集，将过程数据集划分为有标签的过程数据集和无标签的过程数据集，并对无标签的过程数据集进行标记，得到无标签的过程标记数据集；
S3
建立回归模型：有标签的过程数据集与无标签的过程标记数据集共同组成半监督数据集，用来训练遗传算法
‑
半监督卷积神经网络模型，建立拉曼光谱与物质浓度之间的回归模型
。2.
如权利要求1所述的一种微生物培养过程中多种物质实时检测的方法，其特征在于，步骤
S1
中，连续采集发酵样品的拉曼光谱数据的方法包括：将拉曼光谱仪与发酵样品连接，实时检测发酵样品的拉曼光谱数据；间断取样并检测发酵样品中物质浓度的方法包括：每间隔一定时间，采集发酵样品并检测吸光值和物质浓度；优选间隔时间为
1h
；优选物质包括葡萄糖
、
乳酸
、
铵离子
、OD600
和目标蛋白
。3.
如权利要求1所述的一种微生物培养过程中多种物质实时检测的方法，其特征在于，步骤
S2
中，根据离线数据集，将过程数据集划分为有标签的过程数据集和无标签的过程数据集的方法包括：将过程数据集中与取样时间对应的拉曼光谱数据划分为有标签的过程数据集，其余拉曼光谱数据划分为无标签的过程数据集；优选地，对无标签的过程数据集进行标记的方法包括模型计算法和插值法；更优选地，所述模型计算法为利用有标签的过程数据集训练完成的模型对无标签的过程数据集进行标记；更优选地，所述插值法为利用三样条插值法对无标签的过程数据集进行标记
。4.
如权利要求3所述的一种微生物培养过程中多种物质实时检测的方法，其特征在于，利用有标签的过程数据集训练完成模型的方法包括：对有标签的过程数据集进行扩充和预处理，用于训练
PLSR
和
SVR
模型；通过模型集成方式计算
PLSR
和
SVR
模型的回归参数，通过
boosting
模型的迭代方法得到
1_Gen
模型；优选地，所述扩充的方法包括：添加基线斜率
、
引入高斯噪声和比例数法；优选地，所述预处理的方法包括利用基线校正法
、Savitzky
‑
Golay
滤波法
、
标准正态变量变换法
、
归一化对拉曼光谱数据进行处理；优选地，所述三样条插值法包括利用插值函数对过程数据进行标记，所述插值函数如式
(1)
所示：其中，
S
...

【专利技术属性】
技术研发人员：温振国，刘远，周小天，王腾，贾兆君，罗安，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：