[Machine learning-based optimization strategies for fermentation processes].

چکیده اصلی

Microbial fermentation technology is crucial in modern biomanufacturing processes, such as biopharmaceutical production. However, traditional fermentation process control faces bottlenecks including offline monitoring delay, reliance on empirical experience, and a lack of precise and real-time regulation. Machine learning (ML), with its powerful data extraction and predictive modeling capabilities, has emerged as a key tool for driving the transition from traditional fermentation processes to intelligent paradigms. This paper systematically reviewed the latest research progress on the closed-loop intelligent fermentation control systems, spanning from underlying data perception to high-level decision-making. First, the specific applications of ML in fermentation optimization were elaborated, with a focus on systematic modeling workflows in response to the inherent "black-box" nature and data-lag limitations of purely data-driven models. Second, by comparing the monitoring characteristics of various process analytical technologies, the critical supporting role of Raman spectroscopy in real-time fermentation monitoring was elucidated, and cutting-edge approaches employing semi-supervised learning and data augmentation strategies to address the scarcity of high-quality labeled samples were summarized. Furthermore, the ML-driven "intelligent perception-feedback closed-loop" control mechanism was thoroughly analyzed, and the transformation of fermentation control from traditional "macroscopic feeding regulation" to "microscopic metabolic precise guidance" was expounded. Finally, the future development trajectories for intelligent fermentation was envisioned from two perspectives, namely the construction of cross-genus universal predictive models and the application of digital twin technology. This review aims to provide valuable technical references for the intelligent upgrading of the biomanufacturing sector and the efficient development of fermentation processes.

ترجمه فارسی چکیده

تکنولوژی ترشیر میکروبی در فرآیندهای مدرن بیوتکنولوژی، مانند تولید داروهای زیستی، حیاتی است. با این حال، کنترل سنتی فرآیند ترشیر با چالش‌هایی از جمله تأخیر نظارت آفلاین، وابستگی به تجربه تجربی و نبود تنظیم دقیق و لحظه‌ای روبرو است. یادگیری ماشین (ML) با قابلیت‌های قدرتمند استخراج داده و مدل‌سازی پیش‌بینی‌کننده، به عنوان یک ابزار کلیدی برای گذار از فرآیندهای سنتی به پارادایم‌های هوشمند ظهور کرده است. این مقاله پیشرفت‌های پژوهشی جدید در سیستم‌های کنترل ترشیر هوشمند حلقه بسته را از درک داده‌های زیربنایی تا تصمیم‌گیری سطح بالا مرور کرده است. ابتدا کاربردهای خاص ML در بهینه‌سازی ترشیر تشریح شد، با تمرکز بر جریان‌های کار مدل‌سازی سیستماتیک در پاسخ به ماهیت «جعبه سیاه» و محدودیت‌های تأخیر داده مدل‌های کاملاً مبتنی بر داده. دوم، با مقایسه ویژگی‌های نظارتی تکنولوژی‌های تحلیلی فرآیند، نقش حیاتی طیف‌سنجی رامان در نظارت لحظه‌ای ترشیر روشن شد و رویکردهای پیشرو استفاده از یادگیری نیمه نظارتی و استراتژی‌های تقویت داده برای مقابله با کمبود نمونه‌های برچسب‌دار با کیفیت بالا خلاصه شد. علاوه بر این، مکانیسم کنترل «حس هوشمند - بازخورد حلقه بسته» مولد ML تحلیل دقیق شد و تغییر کنترل ترشیر از «تنظیم تغذیه ماکروسکوپی» سنتی به «راهنمایی دقیق متابولیسم میکروسکوپی» توضیح داده شد. در نهایت، مسیرهای توسعه آینده برای ترشیر هوشمند از دو دیدگاه، یعنی ساخت مدل‌های پیش‌بینی‌کننده عمومی بین گونه‌ای و کاربرد تکنولوژی دوپلینگ دیجیتال، پیش‌بینی شد. این مرور هدف دارد مراجع فنی ارزشمندی برای ارتقای هوشمند صنعت بیوتکنولوژی و توسعه کارآمد فرآیندهای ترشیر ارائه دهد.

متن کامل اصلی