华理田锡炜老师团队突破  ！AI+光谱技术助力庆大霉素发酵效价提升33%，沃美生物鼎力支持！

引言

华东理工大学生物工程学院田锡炜老师近日在《Bioresource Technology》发表重磅研究成果！他们创新性地将近红外（NIR）与拉曼光谱技术结合人工智能（AI），成功实现庆大霉素发酵过程的实时监测与精准控制，使目标产物浓度提升33%！

 华东理工大学生物工程学院田锡炜老师的研究团队，近日在《Bioresource  Technology》期刊上发表了一篇题为《Harnessing near-infrared and Raman spectral sensing and artificial intelligence for real-time monitoring and precision control of bioprocess》的文章。

该文主要研究了将近红外光谱和拉曼光谱技术整合，并用于庆大霉素发酵的实时监测和精确控制。通过机器学习算法筛选特征波长，使光谱模型R²提高了9.2%-100.4%。团队还开发了一个AI驱动的全自动发酵平台，结合双传感器和机器学习，动态调整补料速率来精确维持低葡萄糖浓度。与传统方法相比，庆大霉素C1a浓度提高33%。该平台展示了光谱技术与机器学习在实时监测中的潜力，为提升工业发酵效率和产品效价提供了可扩展方案。

主要内容

1 构建全近红外光谱和全拉曼光谱的回归模型

采用近红外（NIR）和拉曼光谱技术监测庆大霉素C1a发酵过程中的关键参数。将蒙特卡罗交叉验证（MCCV）与13种机器学习（ML）算法相结合，对近红外光谱、拉曼光谱及其融合数据进行建模和分析。将NIR和拉曼光谱数据整合后，模型性能显著提升，平均R²值从单独使用的0.6874和0.8578提高到整合后的0.9031。

使用机器学习算法对光谱数据进行模型性能评估

(a)近红外光谱模型的R²值；(b)拉曼光谱模型的R²值；(c)组合光谱模型的R²值；(d)近红外光谱模型的均方根误差；(e)拉曼光谱模型的均方根误差；(f)组合光谱模型的均方根误差

使用近红外光谱、拉曼光谱和组合光谱对各种分析物进行最优预测

注：RPD — residual predictive deviation (残差预测偏差)

2 构建基于特征波长的回归模型

   不同来源的光谱数据通常包含噪声、冗余和无关信息，因此选择特征波长对于提高模型精度至关重要。为此，将13种机器学习算法与6种特征选择方法相结合，得到了78种组合，并利用这些特征开发了最优回归模型。从预测结果来看，特征选择和机器学习算法的结合，识别出关键的特征波段，从而提高了光谱模型对多个生物过程参数的预测性能。

组合光谱模型的在线光谱图及不同特征选择方法评估

(a)原始近红外光谱图；(b)采用一阶导数处理后的近红外光谱图；(c)原始拉曼光谱图；(d)采用一阶导数处理后的拉曼光谱图。(e)葡萄糖模型的R² 值；(f)铵离子模型的R² 值；(g)生物量模型的R²值；(h)庆大霉素C1a模型的 R²值；(i)葡萄糖模型的均方根误差；(j)铵离子模型的均方根误差；(k)生物量模型的均方根误差；(l)庆大霉素C1a模型的均方根误差

3 回归模型的外部验证

通过外部验证，在实际发酵条件下对预测模型进行了评估。对于葡萄糖，近NIR模型表现出较高的准确性（R²=0.9077），RMSE比训练时使用的测试集低2.9%。同样，拉曼光谱模型在外部验证集上对葡萄糖的预测R²为0.8666。与单光谱模型相比，组合光谱模型的预测性能（R²=0.9969）提高了9.8%-15.0%，RMSE降低了81.5%-83.3%。总之，外部验证结果证明了集成近红外-拉曼光谱模型在准确预测关键工艺参数方面的有效性。

使用未见光谱数据集的回归模型性能

(a)使用近红外光谱法进行葡萄糖预测；(b)使用拉曼光谱法进行葡萄糖预测；(c)使用组合光谱法进行葡萄糖预测；(d)使用近红外光谱法进行铵离子预测；(e)使用拉曼光谱法进行铵离子预测；(f)使用组合光谱法进行铵离子预测；(g)使用近红外光谱法进行生物量预测；(h)使用拉曼光谱法进行生物量预测；(i)使用组合光谱法进行生物量预测；(j) 使用近红外光谱法进行庆大霉素C1a预测；(k)使用拉曼光谱法进行庆大霉素C1a预测；(l)使用组合光谱法进行庆大霉素C1a预测

4 庆大霉素C1a发酵过程的实时监测与智能控制

鉴于在发酵后期通过有效控制葡萄糖浓度可显著提高庆大霉素C1a效价，因此采用所开发的组合光谱模型对发酵过程中的葡萄糖补料进行智能控制。对于目标葡萄糖浓度为1 g/L的情况，组合光谱模型的R²达到0.9946，RMSE为0.86 g/L，预测准确性很高。对于5 g/L，集成光谱模型得出的R²为0.9957，RMSE为0.79 g/L。在葡萄糖浓度为10 g/L时，集成光谱模型的R²达到0.9935，RMSE为1.74 g/L，表明该模型即使在高浓度下也具有良好的鲁棒性。

庆大霉素C1a发酵过程中的葡萄糖变化曲线，补料基于组合光谱测量自动控制

(a)基于人工智能的控制操作图；(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葡萄糖过程截取放大曲线的控制；(f)5 g/L葡萄糖过程截取放大曲线的控制；(g)10 g/L葡萄糖过程截取放大曲线的控制

注：图中的计算机展示了在控制葡萄糖浓度为1 g/L时，使用集成光谱方法进行自动化控制的快速分析和执行情况。

使用组合光谱技术对三次补料分批发酵实验进行性能评估

总结概括

本研究开发了一种机器学习辅助的组合光谱模型，用于庆大霉素C1a发酵。模型可在1分钟内精确预测葡萄糖、铵离子、生物量和庆大霉素C1a浓度，而传统方法需2小时。结合自动化控制系统，平台能动态调整补料速率，维持低葡萄糖浓度（5 g/L），使庆大霉素C1a浓度提升33%，达到346.5 mg/L。该方法显著提高了发酵效率，展现了工业生物制造自动化的巨大潜力。

文章致谢

本工作得到了国家重点研发计划（2024YFA0917900）、山东省泰山学者计划（tsqn202312316）等的资助，感谢益海嘉里慈善基金会的资金支持。感谢瑞普分析仪器（天津）有限公司、梅特勒-托利多仪器（中国）有限公司和苏州沃美生物有限公司工程师们的技术支持。

感谢田锡炜老师课题组对本号的支持，感谢文章作者徐峰提供本文稿件支持！

原文链接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. 

结语

期待沃美生物与更多高校的持续合作，为中国生物制造注入更多创新动能！