CN116153388A - 定量关系模型及应用、细胞状态监测方法、装置、系统 - Google Patents
定量关系模型及应用、细胞状态监测方法、装置、系统 Download PDFInfo
- Publication number
- CN116153388A CN116153388A CN202310418925.7A CN202310418925A CN116153388A CN 116153388 A CN116153388 A CN 116153388A CN 202310418925 A CN202310418925 A CN 202310418925A CN 116153388 A CN116153388 A CN 116153388A
- Authority
- CN
- China
- Prior art keywords
- fermentation
- cell
- quantitative relationship
- parameters
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000855 fermentation Methods 0.000 claims abstract description 300
- 230000004151 fermentation Effects 0.000 claims abstract description 300
- 230000012010 growth Effects 0.000 claims abstract description 112
- 238000004113 cell culture Methods 0.000 claims abstract description 103
- 230000000813 microbial effect Effects 0.000 claims abstract description 57
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 239000007789 gas Substances 0.000 claims description 109
- 230000036284 oxygen consumption Effects 0.000 claims description 88
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 38
- 230000010261 cell growth Effects 0.000 claims description 38
- 238000004519 manufacturing process Methods 0.000 claims description 34
- 244000005700 microbiome Species 0.000 claims description 26
- 238000012423 maintenance Methods 0.000 claims description 25
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 19
- 239000001569 carbon dioxide Substances 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000013079 data visualisation Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000000241 respiratory effect Effects 0.000 claims description 9
- 241000588986 Alcaligenes Species 0.000 claims description 7
- 230000001580 bacterial effect Effects 0.000 claims description 6
- 241000607534 Aeromonas Species 0.000 claims description 5
- 241000589151 Azotobacter Species 0.000 claims description 5
- 241000193830 Bacillus <bacterium> Species 0.000 claims description 5
- 241000193403 Clostridium Species 0.000 claims description 5
- 241000205062 Halobacterium Species 0.000 claims description 5
- 241000206596 Halomonas Species 0.000 claims description 5
- 241000187654 Nocardia Species 0.000 claims description 5
- 241000589516 Pseudomonas Species 0.000 claims description 5
- 241000232299 Ralstonia Species 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 239000002028 Biomass Substances 0.000 abstract description 17
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000004098 cellular respiration Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 4
- 239000005014 poly(hydroxyalkanoate) Substances 0.000 description 17
- 238000012795 verification Methods 0.000 description 15
- 229920000903 polyhydroxyalkanoate Polymers 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 12
- 239000001301 oxygen Substances 0.000 description 12
- 229910052760 oxygen Inorganic materials 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006706 cellular oxygen consumption Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000031018 biological processes and functions Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229920001020 poly(3-hydroxybutyrate-co-3-hydroxyhexanoate) Polymers 0.000 description 3
- 241000190967 Rhodospirillum Species 0.000 description 2
- 230000003915 cell function Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000002054 inoculum Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000193033 Azohydromonas lata Species 0.000 description 1
- 244000063299 Bacillus subtilis Species 0.000 description 1
- 235000014469 Bacillus subtilis Nutrition 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000252867 Cupriavidus metallidurans Species 0.000 description 1
- 241000589517 Pseudomonas aeruginosa Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 241001524101 Rhodococcus opacus Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 150000002926 oxygen Chemical class 0.000 description 1
- 239000013612 plasmid Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明涉及发酵监测领域，具体提供了一种定量关系模型及应用、细胞状态监测方法、装置、系统，所述细胞状态监测方法包括：采集微生物的发酵过程的当前发酵尾气参数；输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的细胞比生长速率以及细胞浓度，以表征当前发酵体系的细胞培养状态。本发明基于历史数据及反映细胞呼吸强度的各参数建立微生物生长特性预测模型，实时、准确获得细胞比生长速率、净生物量等参数，从而能够实时、准确的检测发酵过程菌株细胞的培养状态，有效评价菌株的生长性能，为菌株开发提供深层次信息，为发酵过程控制提供参考和指导作用。
Description
技术领域
本发明涉及微生物发酵及发酵监测领域，尤其涉及一种定量关系模型及应用、细胞状态监测方法、装置、系统。
背景技术
细胞比生长速率、细胞浓度这些微生物的细胞培养状态大多需要通过离线检测，基于数据驱动的模型方法获取，依赖于生物过程的后验分析，具有明显的滞后性，从而无法了解各过程变量是如何影响细胞功能，无法了解各过程变量如何导致细胞或产物的浓度变化。
发明内容
本发明提供一种定量关系模型及应用、细胞状态监测方法、装置、系统，用以解决现有技术无法实现细胞培养状态实时监测的技术缺陷，本发明利用定量关系模型实现对于细胞培养状态的实时监控。
第一方面，提供了一种定量关系模型，所述定量关系模型的构建方法包括：
获取不同发酵工况、不同生产菌株以及不同发酵时间状态下的所有历史发酵尾气参数、历史细胞培养状态参数；
建立发酵尾气参数与细胞培养状态参数的定量关系，由所述定量关系确定所述定量关系模型的模型参数；
将所有历史发酵尾气参数、历史细胞培养状态参数代入至所述定量关系中进行模型训练，获得在不同发酵工况、不同生产菌株以及不同发酵时间状态下，每一模型参数所对应的模型参数初始值，得到所述定量关系模型；
所述定量关系模型用于根据当前发酵尾气参数，预测当前发酵体系中的当前细胞培养状态参数；
其中，所述细胞培养状态参数包括细胞比生长速率以及细胞浓度。
在本发明提供的构建方法中，所述历史发酵尾气参数是指历史采集的发酵过程中的尾气参数；所述历史细胞培养状态参数包括历史细胞比生长速率以及历史细胞浓度，由历史检测的生物量参数来确定；所述生物量参数包括历史采集的发酵过程中的生物量浓度、发酵目标产物含量。根据本发明提供的定量关系模型，所述发酵尾气参数选自耗氧速率、二氧化碳生成速率和呼吸熵中的任一种。
根据本发明提供的定量关系模型，所述发酵尾气参数选自耗氧速率，所述耗氧速率包括细胞生长耗氧速率和细胞维持耗氧速率；
其中，建立发酵尾气参数与细胞培养状态参数的定量关系，由所述定量关系确定所述定量关系模型的模型参数，包括：
基于所述细胞生长耗氧速率与细胞生长速度的关系，以及所述细胞维持耗氧速率与细胞浓度的关系，建立所述耗氧速率与所述细胞比生长速率定量关系及所述耗氧速率与所述细胞浓度的定量关系；
由所述耗氧速率与所述细胞比生长速率的定量关系及所述耗氧速率与所述细胞浓度的定量关系确定所述定量关系模型的模型参数；
所述模型参数包括：时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度。
根据本发明提供的定量关系模型，所述模型参数初始值为：
当所述时间步长为0.2h的情况下，所述维持与生长系数比值的取值范围为0.05～0.1，所述初始比生长速率的取值范围为0.2 h-1～0.6h-1，所述初始细胞浓度的取值范围为0.2 g/L～1.0g/L。
第二方面，本发明还提供了一种所述定量关系模型的应用，通过利用所述定量关系模型，根据当前发酵尾气参数来预测在不同发酵工况、不同生产菌株以及不同发酵时间状态下的当前发酵体系中的细胞比生长速率以及细胞浓度，并确定当前发酵体系中的细胞培养状态；
所述不同发酵工况包括不同发酵体系的发酵罐；
所述不同生产菌株包括气单胞菌属、产碱菌属、固氮菌属、芽孢杆菌属、梭菌属、盐杆菌属、盐单胞菌属、诺卡氏菌属、红螺菌属、假单胞菌属、罗尔斯通氏菌属、动胶菌属中的至少一种。
第三方面，本发明还提供了一种微生物发酵细胞状态的监测方法，利用了所述的定量关系模型，具体包括：
采集微生物的发酵过程的当前发酵尾气参数；其中，所述发酵尾气参数选自耗氧速率、二氧化碳生成速率和呼吸熵中的任一种；
输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，以表征当前发酵体系的细胞培养状态。
根据本发明提供的所述微生物发酵细胞状态的监测方法，所述发酵尾气参数选自耗氧速率；
所述定量关系模型包括：
当前耗氧速率与细胞比生长速率的定量关系；
当前耗氧速率与细胞浓度的定量关系；
以及，包括时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度的模型参数；
其中，所述模型参数初始值为：
当所述时间步长为0.2h的情况下，所述维持与生长系数比值的取值范围为0.05～0.1，所述初始比生长速率的取值范围为0.2 h-1～0.6h-1，所述初始细胞浓度的取值范围为0.2 g/L～1.0g/L。
第四方面，本发明提供了一种微生物发酵细胞状态的监测装置，包括：
采集单元：用于采集微生物的发酵过程的当前发酵尾气参数；
输出单元：用于输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，以表征当前发酵体系的细胞培养状态。
第五方面，本发明提供了一种微生物发酵细胞状态的监测系统，包括数据采集模块、数据处理模块以及数据可视化模块，所述数据处理模块包括所述的微生物发酵细胞状态的监测装置，用于获取当前细胞培养状态；
所述数据采集模块，用于采集当前发酵尾气参数；
所述数据可视化模块包括：
图像绘制单元：用于显示所述当前细胞培养状态。
根据本发明提供的所述的微生物发酵细胞状态的监测系统，
所述数据处理模块还包括：
数据比对单元，用于在所述当前细胞培养状态超出预设范围的情况下，生成异常信息；
所述微生物发酵细胞状态的监测系统还包括：异常提示单元；所述异常提示单元：用于显示异常信息。
根据本发明提供的所述的微生物发酵细胞状态的监测系统，所述微生物包括能够在细胞内积累PHA的微生物。
第六方面，还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的微生物发酵细胞状态的监测方法。
第七方面，还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的微生物发酵细胞状态的监测方法。
本发明提供了一种定量关系模型及应用、细胞状态监测方法、装置、系统，通过获取不同发酵工况、不同生产菌株以及不同发酵时间状态下的所有历史发酵尾气参数、历史细胞培养状态参数，并基于所述发酵尾气参数与细胞比生长速率定量关系、所述发酵尾气参数与细胞浓度的定量关系确定所述定量关系模型的模型参数，进而得到所述定量关系模型，从而能够在输入当前发酵尾气参数至所述定量关系模型时，预测当前发酵体系中的细胞培养状态，所述细胞培养状态通过所述细胞浓度以及所述细胞比生长速率的参数进行表征。通过本发明的定量关系模型，细胞比生长速率预测结果的平均偏差小于0.027h-1，细胞浓度预测结果的平均偏差小于2.6208g/L。本发明基于反映细胞呼吸强度的各参数建立微生物生长特性预测模型，实时、准确获得细胞比生长速率、净生物量等参数，从而能够实时、准确的检测发酵过程菌株细胞的培养状态，有效评价菌株的生长性能，为菌株开发提供深层次信息，为发酵过程控制提供参考和指导作用。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的定量关系模型构建方法的流程示意图；
图2是本发明提供的微生物发酵细胞状态的监测方法的流程示意图；
图3是本发明提供的微生物发酵细胞状态的监测装置的结构示意图；
图4是本发明提供的一种微生物发酵细胞状态的监测系统的结构示意图；
图5是本发明提供的另一种微生物发酵细胞状态的监测系统的结构示意图；
图6是本发明第一实施例提供的细胞比生长速率验证结果图；
图7是本发明第一实施例提供的细胞浓度验证结果图；
图8是本发明第二实施例提供的细胞比生长速率验证结果图；
图9是本发明第二实施例提供的细胞浓度验证结果图；
图10是本发明第三实施例提供的细胞比生长速率验证结果图；
图11是本发明第三实施例提供的细胞浓度验证结果图；
图12是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
相关技术中采用统计过程分析方法来评估发酵过程的细胞状态和生产性能，如多元统计模型（包括主成分分析（Principal Component Analysis，PCA）和（正交）偏最小二乘（（Orthogonal）Partial Least Square，（O）PLS））回归，通过采集发酵过程中一系列过程变量，例如温度、溶解氧DO、酸碱度pH、体积、转速等，试图通过分析这些变量之间的相关性，来达到预测细胞浓度和产物浓度的目的。然而这些技术都是基于数据驱动的模型方法，依赖于生物过程的后验分析，不了解各过程变量是如何影响细胞功能，以及如何导致细胞/产物浓度变化，为了解决上述技术问题，本发明提供了一种定量关系模型及应用、细胞状态监测方法、装置、系统。
图1是本发明提供的定量关系模型构建方法的流程示意图，提供了一种定量关系模型，其构建方法包括：
步骤101、获取不同发酵工况、不同生产菌株以及不同发酵时间状态下的所有历史发酵尾气参数、历史细胞培养状态参数；
步骤102、建立发酵尾气参数与细胞培养状态参数的定量关系，由所述定量关系确定所述定量关系模型的模型参数；
步骤103、将所有历史发酵尾气参数、历史细胞培养状态参数代入所述定量关系中进行模型训练，获得在不同发酵工况、不同生产菌株以及不同发酵时间状态下，每一模型参数所对应的模型参数初始值，得到所述定量关系模型；
所述定量关系模型用于根据当前发酵尾气参数，预测当前发酵体系中的当前细胞培养状态参数；
其中，所述细胞培养状态参数包括细胞比生长速率以及细胞浓度。
在本发明提供的构建方法中，所述历史发酵尾气参数是指历史采集的发酵过程中的尾气参数；所述历史细胞培养状态参数包括历史细胞比生长速率以及历史细胞浓度，由历史检测的生物量参数来确定；所述生物量参数包括历史采集的发酵过程中的生物量浓度、发酵目标产物含量。
在步骤101中，在不同的发酵工况、不同生产菌株以及不同发酵时间状态下所获取的历史发酵尾气参数、历史细胞培养状态参数不同，本发明通过发酵监测设备获取发酵体系中的生物量参数，例如，采用拉曼光谱等离线检测手段，获取发酵体系中的所述生物量参数，通过尾气质谱仪获取发酵尾气参数，例如，通过离线测量尾气中的二氧化碳以及氧气等参数，换算出耗氧速率。
在本发明的一个实施例中，所述发酵尾气参数选自耗氧速率、二氧化碳生成速率和呼吸熵中的任一种，在这样的实施例中，所述耗氧速率、所述二氧化碳生成速率以及所述呼吸熵之间可以相互转化，即本发明可以通过观测上述三种发酵尾气参数中的任意一个，即可实现对于发酵过程细胞的生长状况的实时监测。
具体地，本发明以所述发酵尾气参数选自耗氧速率作为定量关系模型构建、细胞培养状态监测的实施对象，但这并不代表只能采用所述耗氧速率监测细胞培养状态，例如，根据历史饱和氧浓度与历史溶解氧实际浓度的差值确定历史浓度差值，根据历史氧传质系数以及所述历史浓度差值确定历史氧传递速率，根据所述历史氧传递速率与所述历史溶解氧浓度的差值确定历史耗氧速率；又例如，根据所述历史二氧化碳生成速率与呼吸熵的商值，确定历史耗氧速率，通过上述等量关系的换算，本发明能够根据上述耗氧速率、二氧化碳生成速率和呼吸熵中的任一种构建与之相对应的定量关系模型，在此不予赘述。
可选地，所述不同发酵工况包括不同发酵体系的发酵罐，例如2L发酵罐、50L发酵罐、200L发酵罐或者1500L发酵罐。
可选地，所述不同生产菌株为能够在细胞内积累PHA的微生物，包括气单胞菌属、产碱菌属、固氮菌属、芽孢杆菌属、梭菌属、盐杆菌属、盐单胞菌属、诺卡氏菌属、红螺菌属、假单胞菌属、罗尔斯通氏菌属、动胶菌属，例如自解脂产碱菌(Alcaligenes lipolytica)、广泛产碱菌(Alcaligenes latus)、罗氏真养菌（Ralstonia eutropha）、铜绿假单胞菌（Pseudomonas aeruginosa）、红球菌（Rhodococcus opacus）和枯草芽孢杆菌（Bacillussubtilis）。
在步骤102中，对于每一历史发酵尾气参数、历史细胞培养状态参数，其包括了在不同发酵时间状态下的发酵体系中的细胞培养状态参数以及发酵尾气参数，其中，细胞培养状态参数包括细胞比生长速率以及细胞浓度，由历史采集的发酵过程中的生物量浓度、发酵目标产物含量来确定。本发明根据细胞耗氧速率、细胞生长耗氧速率以及细胞维持耗氧速率间的定量关系、所述细胞生长耗氧速率、细胞生长速度以及第一系数的定量关系、所述细胞维持耗氧速率、细胞浓度以及第二系数的定量关系，确定所述细胞耗氧速率与所述细胞浓度的第一预设关系方程。
在一些实施例中，所述发酵尾气参数选自耗氧速率，所述耗氧速率包括细胞生长耗氧速率和细胞维持耗氧速率；
其中，建立发酵尾气参数与细胞培养状态参数的定量关系，由所述定量关系确定所述定量关系模型的模型参数，包括：
基于所述细胞生长耗氧速率与细胞生长速度的关系，以及所述细胞维持耗氧速率与细胞浓度的关系，建立所述耗氧速率与所述细胞比生长速率的定量关系及所述耗氧速率与所述细胞浓度的定量关系；
由所述耗氧速率与所述细胞比生长速率的定量关系及所述耗氧速率与所述细胞浓度的定量关系确定所述定量关系模型的模型参数；
所述模型参数包括：时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度。
结合上述实施例，假设细胞的耗氧速率OUR主要包括细胞生长耗氧速率
和细胞维持耗氧速率/>
，其中，所述细胞生长耗氧速率/>
与所述细胞生长速度/>
成正比，所述第一系数为/>
，所述细胞维持耗氧速率/>
与所述细胞浓度/>
成正比，第二系数为/>
，设t时刻的细胞浓度为X（t），则细胞耗氧速率OUR与细胞浓度/>
的第一预设关系方程为：
再然后，根据细胞比生长速率与所述细胞浓度的等量关系，以及所述预设关系方程，确定所述细胞比生长速率与所述细胞耗氧速率的第二预设关系方程。
在这样的实施例中，根据细胞比生长速率μ与细胞浓度
之间的关系：
推导得到耗氧速率OUR与细胞比生长速率μ的关系式为：
进一步求解耗氧速率OUR与细胞比生长速率μ的关系式，获得不同发酵时刻n的比生长速率预测模型，即所述细胞比生长速率与所述细胞耗氧速率的第二预设关系方程：
式（4）中，
为时间步长，
同时，不同发酵时刻的细胞浓度可通过下式计算：
其中，式（4）至（7）中，n大于等于1，
为细胞浓度，本发明通过将历史发酵尾气参数、历史细胞培养状态参数代入至上述比生长速率预测模型，得到模型参数的初始值，例如，时间步长Δt（h）为0.2；初始比生长速率μ0（h-1）为0.43；维持与生长系数比值β/α为0.08；初始细胞浓度X0（g/L）为0.26。因此，在后续实际使用过程中，当采用相同发酵体系、相同生产菌株的情况下，能够基于上述模型参数的初始值以及当前实时采集的不同时段下的耗氧速率，就可以迭代计算出不同时刻的细胞浓度，在本发明所公开的实施例中，所述模型参数的初始值为经过历史数据训练得到的范围，进而能够适用于多种发酵场景，对于不同的发酵场景，如不同的菌株、不同的发酵工况等均可对应出相应的初始值，进而能够准确的迭代出对应的当前细胞培养状态参数。
本领域技术人员理解，在本发明获取到所述历史发酵尾气参数、历史细胞培养状态参数后，根据所述细胞耗氧速率与所述细胞浓度的第一预设关系方程、所述细胞比生长速率与所述细胞耗氧速率的第二预设关系方程，获取所述历史发酵尾气参数、历史细胞培养状态参数所对应的细胞浓度以及细胞比生长速率，由于本发明构建了所述第一预设关系方程以及所述第二预设关系方程，以使得在将不同工况、不同菌株发酵过程的历史发酵尾气参数、历史细胞培养状态参数代入至预设关系方程进行学习训练后，根据上述预设关系方程确定出所述历史发酵尾气参数、历史细胞培养状态参数所对应的细胞浓度以及细胞比生长速率，并根据所述历史发酵尾气参数、历史细胞培养状态参数所对应的细胞浓度以及细胞比生长速率确定出在不同发酵工况、不同生产菌株以及不同发酵时间状态下的模型参数的初始值，包括时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度的模型参数，以使得在当前发酵工况、当前生产菌株以及当前发酵时间状态下的模型参数下，输入发酵尾气参数，即可准确的确定当前发酵体系中的细胞培养状态。
故在步骤102中，建立发酵尾气参数与细胞培养状态参数的定量关系，由所述定量关系确定所述定量关系模型的模型参数，故确定本发明的模型参数为：时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度。
在步骤103中，将所有历史发酵尾气参数、历史细胞培养状态参数代入至发酵尾气参数与细胞培养状态参数的定量关系中进行模型训练，获得在不同发酵工况、不同生产菌株以及不同发酵时间状态下，每一模型参数所对应的模型参数初始值，得到所述定量关系模型，本发明遍历所有历史发酵尾气参数、历史细胞培养状态参数，确定在不同发酵工况、不同生产菌株以及不同发酵时间状态下的所有模型参数所对应的模型参数初始值，得到所述定量关系模型，本发明在遍历所有历史发酵尾气参数、历史细胞培养状态参数后，即可确定所有模型参数中每一模型参数初始值的取值范围。
可选地，所述模型参数的初始值为：
当所述时间步长为0.2h的情况下，所述维持与生长系数比值的取值范围为0.05～0.1，所述初始比生长速率的取值范围为0.2 h-1～0.6h-1，所述初始细胞浓度的取值范围为0.2 g/L～1.0g/L。
而在一个可选地实施例中，不同生产菌株可以根据实际生物过程进行选择，而不同发酵工况，则可以为不同发酵罐体积特征，而通过将模型参数与不同发酵罐体积特征进行曲线拟合，可以得出任意发酵工况下，其相对应的模型参数的初始值，从而提高了定量关系模型应用的适配性以及性能鲁棒性。通过本发明的定量关系模型，细胞比生长速率预测结果的平均偏差小于0.027h-1，细胞浓度预测结果的平均偏差小于2.6208g/L。
本发明所提供的定量关系模型用于根据当前发酵尾气参数，预测当前发酵体系中的细胞培养状态，所述细胞培养状态通过所述细胞浓度以及所述细胞比生长速率的参数进行表征，本发明可以通过选择所需要的发酵工况、生产菌株以及发酵时间状态，确定出定量关系模型相对应的模型参数初始值，在所述模型参数初始值确定后，输入所述当前发酵尾气参数至目标参数所对应的定量关系模型，从而获取所述定量关系模型输出的，当前发酵体系中的细胞培养状态，本发明将通过输出所述细胞浓度以及所述细胞比生长速率的参数，反映体现出所述细胞培养状态。即本发明基于反映细胞呼吸强度的各参数建立微生物生长特性预测模型，实时、准确获得细胞比生长速率、净生物量等参数，从而能够实时、准确的检测发酵过程菌株细胞的培养状态，有效评价菌株的生长性能，为菌株开发提供深层次信息，为发酵过程控制提供参考和指导作用。
另一方面，本发明还提供了一种所述定量关系模型的应用，通过利用所述定量关系模型，根据当前发酵尾气参数来预测在不同发酵工况、不同生产菌株以及不同发酵时间状态下的当前发酵体系中的细胞比生长速率以及细胞浓度，并确定当前发酵体系中的细胞培养状态；
所述不同发酵工况包括不同发酵体系的发酵罐；
所述不同生产菌株包括气单胞菌属、产碱菌属、固氮菌属、芽孢杆菌属、梭菌属、盐杆菌属、盐单胞菌属、诺卡氏菌属、红螺菌属、假单胞菌属、罗尔斯通氏菌属、动胶菌属中的至少一种。
本发明中所指的微生物包括能够在细胞内积累聚羟基脂肪酸酯的微生物，具体包括以下菌属的微生物：气单胞菌属、产碱菌属、固氮菌属、芽孢杆菌属、梭菌属、盐杆菌属、盐单胞菌属、诺卡氏菌属、红螺菌属、假单胞菌属、罗尔斯通氏菌属、动胶菌属，为了更准确的对本发明中的具体实施方案进行描述，本发明以生产聚羟基脂肪酸酯（PHA）的微生物为例，在后述实施例中的所有发酵控制方法均以生产聚羟基脂肪酸酯（PHA）的微生物作为描述对象，但这并不应当被解释为本发明仅能对聚羟基脂肪酸酯（PHA）进行发酵控制，在此不予赘述。
生物过程使用微生物来生产特定的生物产品，如特定的肽、蛋白质或其它种类的化学物质，其过程是通过将微生物或细胞放入生物反应器中，通过添加微生物/细胞所需的营养物质，在受控的工艺控制下，获得目标产物。为了保证发酵正常运行，过程中会实时监测很多参数指标，在现行的发酵工艺中，大多采用酸碱度pH、溶解氧DO、温度、转速等指标作为控制参数，然而这些参数仅能反映出发酵过程中的物化特性，而无法反映出微生物的生理特性，如细胞比生长速率、细胞浓度、产物浓度等，然而这些微生物生长特性参数大多只能通过离线检测获得，本发明为了解决上述技术问题，提出了一种定量关系模型的应用，通过利用所述定量关系模型，以测定在不同发酵工况、不同生产菌株以及不同发酵时间状态下，当前发酵体系中的细胞浓度以及细胞比生长速率，从而能够实时监测微生物生长特性参数来实现对发酵过程的监控以及必要时的干预调节。
图2是本发明提供的微生物发酵细胞状态的监测方法的流程示意图，所述微生物发酵细胞状态的监测方法利用了图1中的所述定量关系模型，具体包括：
步骤201、采集微生物的发酵过程的当前发酵尾气参数；其中，所述发酵尾气参数选自耗氧速率、二氧化碳生成速率和呼吸熵中的任一种；
步骤202、输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，以表征当前发酵体系的细胞培养状态。
在步骤201中，本发明可以间隔预设时段采集微生物的发酵过程的当前发酵尾气参数，可选地，所述当前发酵尾气参数为当前耗氧速率。
在步骤202中，将实时所获取的当前发酵尾气参数输入至定量关系模型进行数据分析，本发明可以在先确定出当前发酵工况、当前生产菌株所对应的当前模型参数，并根据当前模型参数下的定量关系模型进行数据分析，进而由所述定量关系模型输出当前发酵体系中的细胞培养状态，所述细胞培养状态通过所述细胞浓度以及所述细胞比生长速率的参数进行表征。
可选地，所述定量关系模型包括：
所述定量关系模型包括：
当前耗氧速率与细胞比生长速率的定量关系；
当前耗氧速率与细胞浓度的定量关系；
以及，包括时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度的模型参数；
本发明旨在通过所构建的定量关系模型，在仅获取当前发酵尾气参数的情况下，实现对于微生物发酵细胞培养状态的监测，而模型参数则可以在模型构建时，通过将所有历史发酵尾气参数、历史细胞培养状态参数代入至发酵尾气参数与细胞培养状态参数的定量关系中进行模型训练确定，进而在输入所述当前发酵尾气参数至定量关系模型进行数据分析时，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，摒弃了离线测定的现有方案，从而提升了监测的及时性及监测效率。
可选地，所述当前发酵尾气参数选自耗氧速率、二氧化碳生成速率和呼吸熵中的任一种，由于耗氧速率、二氧化碳生成速率和呼吸熵可以根据预设公式进行转换，故本发明还可以根据二氧化碳生成速率作为当前发酵尾气参数，将其转化为耗氧速率后，输出所述细胞浓度以及所述细胞比生长速率的参数，还可以根据呼吸熵作为当前发酵尾气参数，将其转化为耗氧速率后，输出所述细胞浓度以及所述细胞比生长速率的参数，而在一个特殊的实施例中，还可以构建关于二氧化碳生成速率与所述细胞培养状态的定量关系模型，或者构建关于所述呼吸熵与所述细胞培养状态的定量关系模型。
可选地，在当前发酵尾气参数选自耗氧速率的情况下，
所述定量关系模型的模型参数包括：时间步长Δt（h）、初始比生长速率μ0（h-1）、维持与生长系数比值β/α、初始细胞浓度的模型参数X0（g/L）。
可选地，所述模型参数的初始值为：当所述时间步长Δt（h）为0.2h的情况下，所述初始比生长速率μ0（h-1）的取值范围为0.2 h-1～0.6h-1；所述维持与生长系数比值β/α的取值范围为0.05～0.1；所述初始细胞浓度X0（g/L）的取值范围为0.2 g/L～1.0g/L。
本发明采集微生物的发酵过程的当前发酵尾气参数，输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，以表征当前发酵体系的细胞培养状态。可以实时获得发酵过程细胞生长状态的在线参数值，而无需手动取样离线检测，提高了发酵过程检测效率；还可以实时监测发酵过程中细胞浓度的变化，为发酵过程控制提供更为及时的信息。
图3是本发明提供的微生物发酵细胞状态的监测装置的结构示意图，本发明提供了一种微生物发酵细胞状态的监测装置，包括采集单元1：用于采集微生物的发酵过程的当前发酵尾气参数，所述采集单元1的工作原理可以参考前述步骤201，在此不予赘述。
所述微生物发酵细胞状态的监测装置还包括输出单元2：用于输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，以表征当前发酵体系的细胞培养状态，所述输出单元2的工作原理可以参考前述步骤202，在此不予赘述。
本发明提供了一种细胞状态监测系统，能够在输入当前发酵尾气参数至所述定量关系模型时，预测当前发酵体系中的细胞培养状态，所述细胞培养状态通过所述细胞浓度以及所述细胞比生长速率的参数进行表征。本发明提供的细胞状态监测系统，基于反映细胞呼吸强度的各参数建立微生物生长特性预测模型，实时、准确获得细胞比生长速率、净生物量等参数，从而能够实时、准确的检测发酵过程菌株细胞的培养状态，有效评价菌株的生长性能，为菌株开发提供深层次信息，为发酵过程控制提供参考和指导作用。
图4是本发明提供的一种微生物发酵细胞状态的监测系统的结构示意图，如图4所示的微生物发酵细胞状态的监测系统一，包括数据采集模块、数据处理模块以及数据可视化模块，所述数据处理模块包括本实施例提供的微生物发酵监测装置，用于获取当前细胞培养状态；
所述数据采集模块，用于采集当前发酵尾气参数；
所述数据可视化模块包括：
图像绘制单元：用于显示所述当前细胞培养状态。
本实施例提供的监测系统一中，监测的微生物为能够在细胞内积累聚羟基脂肪酸酯的微生物。
作为本发明的可选实施例，在图4所示出的微生物发酵监测系统一的结构示意图的基础上，图5是本发明提供的另一种微生物发酵细胞状态的监测系统的结构示意图，如图5所示的微生物发酵细胞状态的监测系统二，所述微生物发酵细胞状态的监测系统二包括数据采集模块、数据处理模块以及数据可视化模块，所述数据处理模块包括本实施例提供的微生物发酵细胞状态的监测装置，用于获取当前细胞培养状态；
所述数据采集模块，用于采集当前发酵尾气参数；
所述数据可视化模块包括：
图像绘制单元：用于显示所述当前细胞培养状态。
可选地，所述数据处理模块还包括：
数据比对单元，用于在所述当前细胞培养状态超出预设范围的情况下，生成异常信息；
所述微生物发酵细胞状态的监测系统还包括：异常提示单元；所述异常提示单元：用于显示异常信息。
可选地，所述微生物包括能够在细胞内积累PHA的微生物。
如图5所示，所述微生物发酵细胞状态的监测系统二包括数据采集模块、数据处理模块以及数据可视化模块，所述数据处理模块包括数据比对单元以及微生物发酵细胞状态的监测装置，所述数据可视化模块即为显示设备，其包括图像绘制单元以及异常提示单元。
可选地，数据可视化模块接收来自数据处理模块输出的数据，并对数据进行曲线绘制和异常提示。
可选地，所述微生物发酵细胞状态的监测系统二可以利用当前发酵尾气参数计算出细胞培养状态，并将所述细胞培养状态传输至数据可视化模块。同时，所述数据比对单元设置了细胞培养状态的正常浮动范围，如果细胞培养状态超过正常浮动范围，数据处理模块在传输细胞培养状态的同时也将传输异常信号至数据可视化模块。
可选地，所述数据可视化模块将接收到的数据进行绘图展示，如有异常数据，将进行数据异常提示。
作为本发明的第一实施例，示出了一种构建定量关系模型的方法以及验证了所构建的模型的准确度，具体操作过程如下：
（一）定量关系模型构建方法：
获取历史发酵尾气参数、历史细胞培养状态参数，采集PHA发酵过程的历史数据：
以罗氏真养菌为底盘菌株发酵PHBHHx，在以30℃、200rpm的条件下培养种子，当种子OD达到4.0~8.0，以10%(v/v)的接种量接种于200L发酵罐中进行发酵培养。从发酵8h开始取样，每隔2h取一次样，离线检测PHA发酵过程中的生物量参数，包括指生物量浓度、PHA含量，进一步确定细胞比生长速率以及细胞浓度，作为历史细胞培养状态参数；同时通过尾气质谱仪实时监测尾气参数作为历史尾气参数，包括耗氧速率OUR、二氧化碳生成速率CER和呼吸熵RQ，各参数计算公式为：
其中，
为空气中氧气所占体积百分数，/>
为空气中二氧化碳所占体积百分数，/>
为空气中氮气所占体积百分数，/>
为尾气中氧气所占体积百分数，/>
为尾气中二氧化碳所占体积百分数，/>
为尾气中氮气所占体积百分数，/>
为空气流量，单位为L/min；/>
为气体摩尔体积，单位为L/mol；/>
为发酵液体积，单位为L。
建立耗氧速率OUR与细胞培养状态参数的定量关系：细胞培养状态参数包括细胞比生长速率以及细胞浓度；细胞的耗氧速率OUR主要包括细胞生长耗氧速率和细胞维持耗氧速率；细胞生长耗氧速率与细胞生长速度成正比，设t时刻的细胞浓度为X（t），则单位时间内细胞生长速率为
，细胞生长耗氧速率为/>
，/>
为细胞生长耗氧速率与细胞生长速度的比值；细胞维持耗氧速率与细胞浓度成正比，设t时刻的细胞浓度为X（t），细胞维持耗氧速率为/>
，/>
为细胞维持耗氧速率与细胞浓度的比值，根据细胞比生长速率μ与细胞浓度X之间的关系，推导得到耗氧速率OUR与细胞比生长速率 μ的关系式，进一步求解得到比生长速率 μ关耗氧速率与OUR的定量关系式。由所述定量关系式确定所述定量关系模型的模型参数，模型参数包括时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度。
模型训练：
以采集到的耗氧速率OUR和细胞比生长速率以及细胞浓度数据，对构建的模型进行学习训练，此过程对应于将历史发酵尾气参数、历史细胞培养状态参数代入至发酵尾气参数与细胞培养状态参数的定量关系中进行模型训练，获得在实施例一的培养状态下，所述模型参数的初始值，具体地，见表1：
表1
（二）定量关系模型验证：
图6是本发明第一实施例提供的细胞比生长速率验证结果图，图7是本发明第一实施例提供的细胞浓度验证结果图；细胞比生长速率和细胞浓度被用来确定模型估计得可靠性和性能，从细胞比生长速率预测结果来看，如图6所示，比生长速率模型预测结果平均偏差为
；从细胞浓度预测结果来看，如图7所示，细胞浓度模型预测结果平均偏差为1.654g/L。
作为本发明的第二实施例，示出了一种构建定量关系模型的状态的方法以及验证了所构建的模型的准确度，具体操作过程如下：
（一）定量关系模型构建方法：
获取历史发酵尾气参数、历史细胞培养状态参数，采集PHA发酵过程的历史数据：
以罗氏真养菌为底盘菌株发酵PHBHHx，在以30℃、200rpm的条件下培养种子，当种子OD达到4.0~8.0，以20%(v/v)的接种量接种于200L发酵罐中进行发酵培养。从发酵8h开始取样，每隔2h取一次样，检测PHA发酵过程的生物量参数，包括指生物量浓度、PHA含量，进一步确定细胞比生长速率以及细胞浓度，作为历史细胞培养状态参数；同时通过尾气质谱仪实时监测尾气参数作为历史尾气参数，包括耗氧速率OUR、二氧化碳生成速率CER和呼吸熵RQ，各参数计算公式可以参考本发明的第一实施例。
进一步地，参考本发明的第一实施例完成的建立的耗氧速率OUR与细胞培养状态参数的确定定量关系，以及由所述定量关系式确定所述定量关系模型的模型参数，模型参数包括时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度。将所采集到的耗氧速率OUR和细胞比生长速率以及细胞浓度数据输入至所构建的模型进行学习训练，此过程对应于将历史发酵尾气参数、历史细胞培养状态参数代入至发酵尾气参数与细胞培养状态参数的定量关系中进行模型训练，获得在实施例二的培养状态下，所述模型参数的初始值，见表2：
表2
（二）定量关系模型验证：
图8是本发明第二实施例提供的细胞比生长速率验证结果图，图9是本发明第二实施例提供的细胞浓度验证结果图，细胞比生长速率和细胞浓度被用来确定模型估计得可靠性和性能，从细胞比生长速率预测结果来看，如图8所示，比生长速率模型预测结果平均偏差为
，从细胞浓度预测结果来看，如图9所述，细胞浓度模型预测结果平均偏差为2.6208g/L。
作为本发明的第三实施例，示出了一种构建定量关系模型的方法以及验证了所构建的模型的准确度，具体操作过程如下：
（一）定量关系模型构建方法：
获取历史发酵尾气参数、历史细胞培养状态参数，采集PHA发酵过程的历史数据：
以改造质粒的罗氏真养菌，即5416菌株发酵为底盘菌株发酵PHBHHx，在以30℃、200rpm的条件下培养种子，当种子OD达到4.0~8.0，以10%(v/v)的接种量接种于75L发酵罐中进行发酵培养。从发酵8h开始取样，每隔2h取一次样，检测PHA发酵过程的生物量参数，包括指生物量浓度、PHA含量，进一步确定细胞比生长速率以及细胞浓度，作为历史细胞培养状态参数；同时通过尾气质谱仪实时监测尾气参数作为历史尾气参数，包括耗氧速率OUR、二氧化碳生成速率CER和呼吸熵RQ，各参数计算公式可以参考本发明的第一实施例。
进一步地，参考本发明的第一实施例完成的建立的耗氧速率OUR与细胞培养状态参数的确定定量关系，以及由所述定量关系式确定所述定量关系模型的模型参数，模型参数包括时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度。
将所采集到的耗氧速率OUR和细胞比生长速率以及细胞浓度数据输入至所构建的模型进行学习训练，此过程对应于将历史发酵尾气参数、历史细胞培养状态参数代入至发酵尾气参数与细胞培养状态参数的定量关系中进行模型训练，获得在实施例三的培养状态下，所述模型参数的初始值，见表3。
表3
（二）定量关系模型验证：
图10是本发明第三实施例提供的细胞比生长速率验证结果图，图11是本发明第三实施例提供的细胞浓度验证结果图，细胞比生长速率和细胞浓度被用来确定模型估计得可靠性和性能，从细胞比生长速率预测结果来看，如图10所示，比生长速率模型预测结果平均偏差为
，从细胞浓度预测结果来看，如图11所示，细胞浓度模型预测结果平均偏差为0.7298g/L。
图12是本发明提供的电子设备的结构示意图。如图12所示，该电子设备可以包括：处理器（processor）110、通信接口（Communications Interface）120、存储器（memory）130和通信总线140，其中，处理器110，通信接口120，存储器130通过通信总线140完成相互间的通信。处理器110可以调用存储器130中的逻辑指令，以执行微生物发酵细胞状态的监测方法，该方法包括：采集微生物的发酵过程的当前发酵尾气参数；输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，以表征当前发酵体系的细胞培养状态。
此外，上述的存储器130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种微生物发酵细胞状态的监测方法，该方法包括：采集微生物的发酵过程的当前发酵尾气参数；输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，以表征当前发酵体系的细胞培养状态。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供微生物发酵细胞状态的监测方法，该方法包括：采集微生物的发酵过程的当前发酵尾气参数；输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，以表征当前发酵体系的细胞培养状态。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种定量关系模型，其特征在于，所述定量关系模型的构建方法包括：
获取不同发酵工况、不同生产菌株以及不同发酵时间状态下的所有历史发酵尾气参数、历史细胞培养状态参数；
建立发酵尾气参数与细胞培养状态参数的定量关系，由所述定量关系确定所述定量关系模型的模型参数；
将所有历史发酵尾气参数、历史细胞培养状态参数代入至所述定量关系中进行模型训练，获得在不同发酵工况、不同生产菌株以及不同发酵时间状态下，每一模型参数所对应的模型参数初始值，得到所述定量关系模型；
所述定量关系模型用于根据当前发酵尾气参数，预测当前发酵体系中的当前细胞培养状态参数；
其中，所述细胞培养状态参数包括细胞比生长速率以及细胞浓度。
2.根据权利要求1所述的定量关系模型，其特征在于，所述发酵尾气参数选自耗氧速率、二氧化碳生成速率和呼吸熵中的任一种。
3.根据权利要求2所述的定量关系模型，其特征在于，所述发酵尾气参数选自耗氧速率，所述耗氧速率包括细胞生长耗氧速率和细胞维持耗氧速率；
其中，建立发酵尾气参数与细胞培养状态参数的定量关系，由所述定量关系确定所述定量关系模型的模型参数，包括：
基于所述细胞生长耗氧速率与细胞生长速度的关系，以及所述细胞维持耗氧速率与细胞浓度的关系，建立所述耗氧速率与所述细胞比生长速率的定量关系及所述耗氧速率与所述细胞浓度的定量关系；
由所述耗氧速率与所述细胞比生长速率的定量关系及所述耗氧速率与所述细胞浓度的定量关系确定所述定量关系模型的模型参数；
所述模型参数包括：时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度。
4.根据权利要求3所述的定量关系模型，其特征在于，所述模型参数初始值为：
当所述时间步长为0.2h的情况下，所述维持与生长系数比值的取值范围为0.05～0.1，所述初始比生长速率的取值范围为0.2 h-1～0.6h-1，所述初始细胞浓度的取值范围为0.2g/L～1.0g/L。
5.一种权利要求1-4中任一项所述定量关系模型的应用，其特征在于，通过利用所述定量关系模型，根据当前发酵尾气参数来预测在不同发酵工况、不同生产菌株以及不同发酵时间状态下的当前发酵体系中的细胞比生长速率以及细胞浓度，并确定当前发酵体系中的细胞培养状态；
所述不同发酵工况包括不同发酵体系的发酵罐；
所述不同生产菌株包括气单胞菌属、产碱菌属、固氮菌属、芽孢杆菌属、梭菌属、盐杆菌属、盐单胞菌属、诺卡氏菌属、红螺菌属、假单胞菌属、罗尔斯通氏菌属、动胶菌属中的至少一种。
6.一种微生物发酵细胞状态的监测方法，其特征在于，利用了权利要求1-4任一项所述的定量关系模型，具体包括：
采集微生物的发酵过程的当前发酵尾气参数；其中，所述发酵尾气参数选自耗氧速率、二氧化碳生成速率和呼吸熵中的任一种；
输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的所述细胞比生长速率以及所述细胞浓度，以表征当前发酵体系的细胞培养状态。
7.根据权利要求6所述微生物发酵细胞状态的监测方法，其特征在于，所述发酵尾气参数选自耗氧速率；
所述定量关系模型包括：
当前耗氧速率与细胞比生长速率的定量关系；
当前耗氧速率与细胞浓度的定量关系；
以及，包括时间步长、初始比生长速率、维持与生长系数比值、初始细胞浓度的模型参数；
其中，所述模型参数初始值为：当所述时间步长为0.2h的情况下，所述初始比生长速率的取值范围为0.2 h-1～0.6h-1；所述维持与生长系数比值的取值范围为0.05～0.1；所述初始细胞浓度的取值范围为0.2 g/L～1.0g/L。
8.一种微生物发酵细胞状态的监测装置，其特征在于，包括：
采集单元：用于采集微生物的发酵过程的当前发酵尾气参数；
输出单元：用于输入所述当前发酵尾气参数至定量关系模型进行数据分析，由所述定量关系模型输出当前发酵体系中的细胞比生长速率以及细胞浓度，以表征当前发酵体系的细胞培养状态。
9.一种微生物发酵细胞状态的监测系统，其特征在于，包括数据采集模块、数据处理模块以及数据可视化模块，所述数据处理模块包括权利要求8所述的微生物发酵细胞状态的监测装置，用于获取当前细胞培养状态；
所述数据采集模块，用于采集当前发酵尾气参数；
所述数据可视化模块包括：
图像绘制单元：用于显示所述当前细胞培养状态。
10.根据权利要求9所述的微生物发酵细胞状态的监测系统，其特征在于，所述数据处理模块还包括：
数据比对单元，用于在所述当前细胞培养状态超出预设范围的情况下，生成异常信息；
所述微生物发酵细胞状态的监测系统还包括：异常提示单元；所述异常提示单元：用于显示异常信息。
11.根据权利要求9或10所述的微生物发酵细胞状态的监测系统，其特征在于，所述微生物包括能够在细胞内积累PHA的微生物。
12.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求6至7中任一项所述的微生物发酵细胞状态的监测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310418925.7A CN116153388B (zh) | 2023-04-19 | 2023-04-19 | 定量关系模型及应用、细胞状态监测方法、装置、系统 |
| PCT/CN2023/127718 WO2024216908A1 (zh) | 2023-04-19 | 2023-10-30 | 定量关系模型及应用、细胞状态监测方法、装置、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310418925.7A CN116153388B (zh) | 2023-04-19 | 2023-04-19 | 定量关系模型及应用、细胞状态监测方法、装置、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116153388A true CN116153388A (zh) | 2023-05-23 |
| CN116153388B CN116153388B (zh) | 2023-09-19 |
Family
ID=86352848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310418925.7A Active CN116153388B (zh) | 2023-04-19 | 2023-04-19 | 定量关系模型及应用、细胞状态监测方法、装置、系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116153388B (zh) |
| WO (1) | WO2024216908A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235673A (zh) * | 2023-11-15 | 2023-12-15 | 中南大学 | 一种细胞培养预测方法及装置、电子设备、存储介质 |
| CN117821250A (zh) * | 2024-01-12 | 2024-04-05 | 安及义实业（上海）有限公司 | 细胞耗氧速率的测定装置及方法 |
| CN118297471A (zh) * | 2024-04-15 | 2024-07-05 | 西藏红曲生物股份有限公司 | 基于pdca实现红曲益生菌产品质量控制方法及系统 |
| WO2024216908A1 (zh) * | 2023-04-19 | 2024-10-24 | 上海蓝晶微生物科技有限公司 | 定量关系模型及应用、细胞状态监测方法、装置、系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101845463A (zh) * | 2010-05-07 | 2010-09-29 | 大连理工大学 | 基于生长和代谢特征的底物流加发酵生产1,3-丙二醇的控制方法 |
| WO2010135853A1 (zh) * | 2009-05-27 | 2010-12-02 | 西门子公司 | 一种发酵过程控制方法以及一种发酵过程控制器 |
| US20120015391A1 (en) * | 2007-06-18 | 2012-01-19 | Shanghai Guoqiang Bioengineering Equipment Co., Ltd. | Biochemical reactor |
| CN107964506A (zh) * | 2016-10-19 | 2018-04-27 | 深圳华大基因研究院 | 一种发酵补料优化控制系统和方法 |
| CN114813457A (zh) * | 2022-04-24 | 2022-07-29 | 北京石油化工学院 | 一种用于悬浮细胞培养的实时监测系统及方法 |
| CN115948622A (zh) * | 2022-09-22 | 2023-04-11 | 北京蓝晶微生物科技有限公司 | 微生物发酵控制方法、装置、系统、设备及介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101660992B (zh) * | 2009-09-29 | 2011-01-12 | 清华大学 | 一种快速检测藻类细胞沉降速度的方法 |
| EP3868860A1 (en) * | 2020-02-21 | 2021-08-25 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for simulating a cell culture process |
| CN114036810A (zh) * | 2021-11-04 | 2022-02-11 | 江南大学 | 一种细胞培养状态在线估计及优化补料调控方法 |
| CN116153388B (zh) * | 2023-04-19 | 2023-09-19 | 北京蓝晶微生物科技有限公司 | 定量关系模型及应用、细胞状态监测方法、装置、系统 |
-
2023
- 2023-04-19 CN CN202310418925.7A patent/CN116153388B/zh active Active
- 2023-10-30 WO PCT/CN2023/127718 patent/WO2024216908A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120015391A1 (en) * | 2007-06-18 | 2012-01-19 | Shanghai Guoqiang Bioengineering Equipment Co., Ltd. | Biochemical reactor |
| WO2010135853A1 (zh) * | 2009-05-27 | 2010-12-02 | 西门子公司 | 一种发酵过程控制方法以及一种发酵过程控制器 |
| CN101845463A (zh) * | 2010-05-07 | 2010-09-29 | 大连理工大学 | 基于生长和代谢特征的底物流加发酵生产1,3-丙二醇的控制方法 |
| CN107964506A (zh) * | 2016-10-19 | 2018-04-27 | 深圳华大基因研究院 | 一种发酵补料优化控制系统和方法 |
| CN114813457A (zh) * | 2022-04-24 | 2022-07-29 | 北京石油化工学院 | 一种用于悬浮细胞培养的实时监测系统及方法 |
| CN115948622A (zh) * | 2022-09-22 | 2023-04-11 | 北京蓝晶微生物科技有限公司 | 微生物发酵控制方法、装置、系统、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 刘剑峰;宋涛;李睿瑜;李明;刘国强;: "人工肝生物反应器中溶解氧浓度动态分布的模型与数值分析", 过程工程学报, no. 03, pages 5 - 12 * |
| 王泽建;王萍;张琴;储炬;张嗣良;庄英萍;: "微生物发酵过程生理参数检测传感器技术与过程优化", 生物产业技术, no. 01, pages 20 - 33 * |
| 陈文,郭美锦,储炬,庄英萍,张嗣良: "重组毕赤酵母表达猪胰岛素前体代谢参数分析和动力学模型", 华东理工大学学报, no. 03, pages 384 - 390 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024216908A1 (zh) * | 2023-04-19 | 2024-10-24 | 上海蓝晶微生物科技有限公司 | 定量关系模型及应用、细胞状态监测方法、装置、系统 |
| CN117235673A (zh) * | 2023-11-15 | 2023-12-15 | 中南大学 | 一种细胞培养预测方法及装置、电子设备、存储介质 |
| CN117235673B (zh) * | 2023-11-15 | 2024-01-30 | 中南大学 | 一种细胞培养预测方法及装置、电子设备、存储介质 |
| CN117821250A (zh) * | 2024-01-12 | 2024-04-05 | 安及义实业（上海）有限公司 | 细胞耗氧速率的测定装置及方法 |
| CN118297471A (zh) * | 2024-04-15 | 2024-07-05 | 西藏红曲生物股份有限公司 | 基于pdca实现红曲益生菌产品质量控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024216908A1 (zh) | 2024-10-24 |
| CN116153388B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116153388B (zh) | 定量关系模型及应用、细胞状态监测方法、装置、系统 | |
| CN101748186A (zh) | 基于模糊支持向量机的赖氨酸发酵过程关键状态变量软测量方法及系统 | |
| Simutis et al. | Exploratory analysis of bioprocesses using artificial neural network‐based methods | |
| CN110824586B (zh) | 基于改进决策树算法的降水预测方法 | |
| CN116013411B (zh) | 定量关系模型及应用、发酵监测方法、装置、系统、设备 | |
| CN106052753A (zh) | 基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法 | |
| CN110046377B (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
| CN116146515A (zh) | 一种水泥厂离心风机设备异常检测方法 | |
| CN106022532A (zh) | 谷氨酸产物浓度在线估计方法、装置及监控系统 | |
| Wang et al. | Ultra-high-depth macrogenomic sequencing revealed differences in microbial composition and function between high temperature and medium–high temperature Daqu | |
| CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
| CN107766880B (zh) | 基于ba-lssvm的光合细菌发酵过程关键参量的软测量方法 | |
| Gnoth et al. | Simple adaptive pH control in bioreactors using gain-scheduling methods | |
| CN103903065A (zh) | 基于核学习技术的青霉素生产过程产品质量预测方法 | |
| Liu et al. | Batch process monitoring with two-dimensional LSTM-variational auto-encoder | |
| CN106770509A (zh) | 一种动态过程中微生物氧消耗速率的测定方法 | |
| CN103617316A (zh) | 一种基于多核支持向量机的发酵过程动态预测方法 | |
| CN204189017U (zh) | 一种沼气发酵过程状态检测系统 | |
| Zhu et al. | Time-Specific Thresholds for Batch Process Monitoring: A Study Based on Two-Dimensional Conditional Variational Auto-Encoder | |
| CN108549351A (zh) | 一种赖氨酸发酵过程关键变量的模糊神经网络逆软测量系统及方法 | |
| Silva et al. | A compensation model for packet loss using Kalman filter in wireless network control systems | |
| CN115859770B (zh) | 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置 | |
| CN116777086B (zh) | 基于多模数据的钢结构智能生产线预测性维护方法及系统 | |
| Shouping et al. | Satisfactory optimization method for glutamic acid fermentation process | |
| CN106778055A (zh) | 葡萄糖酸钠发酵工业装置模型的建模方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhou Yaoyao Inventor after: Zhang Haoqian Inventor after: Wang Dongsheng Inventor after: Zhao Changchun Inventor after: Zou Yuhang Inventor after: Ji Haiyu Inventor after: Liu Ziqiang Inventor after: Gao Changbin Inventor after: Yao Xinggao Inventor after: Li Teng Inventor before: Zhou Yaoyao Inventor before: Zhang Haoqian Inventor before: Zong Yeqing Inventor before: Wang Dongsheng Inventor before: Zhao Changchun Inventor before: Zou Yuhang Inventor before: Ji Haiyu Inventor before: Liu Ziqiang Inventor before: Gao Changbin Inventor before: Yao Xinggao Inventor before: Li Teng |
|
| CB03 | Change of inventor or designer information | ||
| CP03 | Change of name, title or address |
Address after: Building 1, No. 351 Yuexiu Road, Hongkou District, Shanghai 200072 Patentee after: Shanghai Blue Crystal Microbial Technology Co.,Ltd. Country or region after: China Address before: 102206 1st floor, building 4, courtyard 20, shengshengyuan Road, Life Science Park, Changping District, Beijing Patentee before: BLUEPHA Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |