在发酵过程中开发了一种新型的葡萄糖在线分析方法：结合PLS（偏最小二乘法）和SVR（支持向量回归）技术对拉曼光谱数据进行建模，并进行了广泛的验证

作者：Antoine Borg、Mourad Elhabiri、Stéphane Le Calvé、Vincent Portaluri

机构地址：Euroapi，32 Rue De Verdun，76410 Saint-Aubin-Lès-Elbeuf，法国

摘要

发酵过程在制药和食品生产等行业中至关重要，其中葡萄糖作为微生物的主要碳源发挥着关键作用。准确且实时的葡萄糖监测对于优化发酵条件至关重要，但传统方法往往结果延迟，并且缺乏工业应用所需的稳健性。为了解决这些问题，本研究采用了一种混合建模框架，将偏最小二乘法（PLS）和支持向量机（SVM）回归（PLS-SVR）结合用于葡萄糖的准实时监测，监测范围为5至50克/升（g L⁻¹），并使用了拉曼光谱技术。通过响应面方法优化了拉曼光谱的采集参数。对于高浓度数据缺失的情况，利用氧吸收率（OUR）数据估算葡萄糖浓度，从而开发出一种独特的基于拉曼光谱的发酵建模自举策略。最后，该模型在六个月内进行了十二次独立的发酵实验，实验过程中刻意改变了培养基成分和操作条件。这些因素共同构成了全面的验证，涵盖了多次全规模发酵、长期时间漂移以及不同工艺间的变异性。结果表明，PLS-SVR模型的性能显著优于传统PLS模型，在六个月的验证期内，其均方根预测误差（RMSEP）仅为1.7克/升，体现了其准确性和可靠性。这项工作为发酵过程中的葡萄糖监测提供了一种实用且可靠的解决方案，为生物过程监测树立了新的标杆。

引言

发酵过程在许多行业中都起着核心作用，从制药到食品生产。这些生物技术过程利用微生物的代谢活动来生产高价值产品，如抗生素、酶、生物燃料或发酵食品[1]。鉴于其经济和社会重要性，优化和控制这些过程对生物技术产业至关重要。

发酵监测和控制中的一个关键参数是葡萄糖浓度[2]。在大多数应用中，葡萄糖浓度范围在5至100克/升（g L⁻¹）之间[3]。因此，准确且实时的葡萄糖监测对于维持最佳发酵条件和确保产品质量的一致性至关重要。尽管葡萄糖监测非常重要，但由于复杂的生物基质和过程的动态特性，实现可靠且连续的测量仍然是一个挑战。

传统的发酵系统葡萄糖监测方法，如离线采样后进行酶法分析[4]，通常劳动强度大且结果延迟。为了解决这些限制，近年来基于拉曼光谱的在线光谱方法受到了越来越多的关注[5]。用于分析这些光谱数据的预测模型对葡萄糖浓度预测的准确性和稳健性至关重要[6]。

现有文献的回顾显示，大多数研究依赖于偏最小二乘回归（PLSR）或多线性回归（MLR）模型从光谱数据中预测葡萄糖浓度[7]、[8]、[9]、[10]。虽然这些方法相对容易实现，但它们往往无法处理复杂基质（如发酵培养基）中的非线性和复杂性。迄今为止，尚未有研究探讨将PLS的降维优势与支持向量机回归（SVM）的非线性回归能力相结合，并通过系统参数优化和结构化数据集构建来提高发酵过程中葡萄糖预测的稳健性。此外，许多研究报告仅关注预测结果，而未深入探讨所提出模型的稳健性、可靠性或长期有效性。

本研究通过关注获得稳健预测所需的方法学条件来填补这些空白：构建了PLS-SVR混合框架，对参考数据集进行了结构化扩展，并在现实工艺变异性下进行了严格评估。本研究中使用的菌株是Ensifer adhaerens，这种微生物在多种生物技术过程中具有潜在应用价值[11]、[12]。与之前的研究[9]、[13]不同，本研究对模型在长达六个月的验证期内的性能和稳健性进行了深入分析，强调了其在工业环境中的实际适用性。

为了实现这一目标，首先使用响应面方法优化了拉曼光谱仪参数，确保获得高质量的光谱数据，为模型开发提供了可靠的基础。接下来构建并评估了PLS-SVR模型，重点解决了过拟合问题，并确保了在不同发酵条件下的稳定性。将先进的建模方法与深入的验证相结合，显著提高了发酵过程中的葡萄糖监测效果，促进了更高效和可靠的生物过程管理。

章节摘录

化学试剂

葡萄糖（Roquette，80%）、K₂HPO₄（Fischer）和MgSO₄（Alfa Aesar，99.5%）从商业渠道购买，按原样使用，除非另有说明。葡萄糖氧化酶膜（参考编号2365/098011）和葡萄糖标准溶液（参考编号1531/015053）从YSI购买。渗透水是在Sartorius Arium® 613 L100设备上制备的。

发酵参数

本研究的生物过程是监测Ensifer adhaerens在含有1.5克/升（g L⁻¹）MgSO₄和0.73克/升（g L⁻¹）K₂的培养基中的葡萄糖消耗情况

光谱参数的优化

按照补充信息S1中的描述进行实验后，使用最小二乘法拟合了发酵各阶段的系数。如第II.1.c节所述，通过小波分解提取了每个实验的信噪比（SNR），并将其与相应的（n,t）实验设置关联起来。然后调整SNR模型方程（3）的系数k₁、k₂和k₃，直到最小化最小二乘成本

与以往工作的比较

本研究在基于拉曼光谱的葡萄糖监测领域的基础上，整合了创新方法，并解决了先前报告中的关键局限性。表4总结了先前研究和本研究的比较分析，突出了模型性能、数据集特征和方法学改进方面的差异。

本研究的一个显著成果是均方根预测误差（RMSEP）降低了1.7克/升，处于较低水平

结论

本研究评估了PLS-SVR校准框架在Ensifer adhaerens发酵过程中准实时监测葡萄糖的性能。该模型在显著不同的操作条件下表现出稳定的预测性能。开发后的RMSEP为1.6克/升，经过六个月的十二次独立发酵验证后，RMSEP仍为1.7克/升，表明其对批次间变异性和时间漂移的敏感性较低。

CRediT作者贡献声明

Antoine Borg：撰写——初稿、可视化、研究、概念化。Mourad Elhabiri：撰写——审稿与编辑、监督。Stéphane Le Calvé：撰写——审稿与编辑、监督。Vincent Portaluri：撰写——审稿与编辑、监督。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了Euroapi（法国Saint-Aubin-lès-Elbeuf）与法国国家研究和技术协会（ANRT，授权编号2023/0897）之间的CIFRE项目的支持。作者衷心感谢Gianni Froideveaux（Euroapi）对该项目设置的重大贡献。