上期文章，我们分享了通过构建细胞动力学模型与GSMM基因组尺度代谢网络模型耦合的一体化代谢通量分析策略进行大肠杆菌发酵培养。为发酵过程分析、自动调控、工艺放大提供了全新国产化技术路径。
数据创新丨动力学模型耦合基因组代谢网络，实现发酵代谢通量智能解析
本期内容我们将分享基于ANN（人工神经网络）感知的大肠杆菌培养自主控制系统，实现大肠杆菌发酵培养无人值守高产蛋白。
大肠杆菌是重组蛋白生产的主流宿主，但其高密度发酵一直被两大难题限制：
一是溢流代谢频发，乙酸积累抑制生长，影响蛋白表达
二是传统DO-stat（溶氧关联补料控制）靠人工盯罐、调阈值,对经验要求极高,稳定性差
近期，江南大学、迪必尔生物团队联合在《Frontiers in Microbiology》发表研究 ——基于 ANN (人工神经网络）感知的大肠杆菌培养自主控制系统，用 AI 把发酵做到全程无人值守，蛋白产量再上台阶！
常用 DO-stat 流加：葡萄糖耗尽→DO 骤升→启动流加。
但真实发酵里，DO 基线一直在变：
菌浓、黏度、传质、传感器漂移…… 都会拉偏基线。
固定阈值→要么喂不够长不起来，要么喂太多溢出乙酸，全靠老师傅 “凭感觉”。
解决方案：ANN+DO-stat=NeuroStat-Ctrl
本研究构建一套基于人工智能的自主智能控制系统。以超折叠绿色荧光蛋白（sfGFP）为报告蛋白。
首先优化溶氧 - stat（DO-stat）流加参数与诱导工艺，使细胞比荧光强度提升52.85%，显著提高蛋白表达水平。
随后建立并训练人工神经网络（ANN）模型，实现溶氧（DO）基线实时识别（决定系数R²=0.998），并将其与流加控制逻辑整合形成 NeuroStat-Ctrl 系统。
用于溶解氧基线识别的多层感知机（MLP）神经网络模型架构拓扑。该模型包含输入层（60 个神经元，对应溶解氧时间窗口数据）、四层全连接隐藏层（神经元数量依次为 1024、512、256、128），以及单神经元输出层，最终输出基线预测值。
研究团队用多层感知器 MLP，做了一套能实时识别 DO 基线的 AI 模型：
输入：最近 60 个 DO 数据点
输出：当前精准基线值
精度：R²=0.998，几乎完美拟合
再把 AI 基线和自控逻辑打包，做成NeuroStat-Ctrl 系统，一键接管全流程：
NeuroStat‑Ctrl 智能系统流程示意图与逻辑控制：该图展示了实时数据采集、基于人工神经网络（ANN）的基线识别（含萨维茨基‑戈莱滤波），以及通气、搅拌、碳氮源流加、时间触发 IPTG 诱导与同步温度调控等自动化控制模块的集成方案。
以基准批次为对照，不同参数配置下 NeuroStat‑Ctrl 系统的鲁棒性与适应性评价
(a,b) 菌体积累量、比荧光强度以及细胞 / 上清荧光强度的动态变化曲线；
(c) 根据菌体需氧量对搅拌转速与通气量进行自动调控；
(d) 葡萄糖单次脉冲量与葡萄糖累计消耗量对比。
如果对学习AI+发酵工艺感兴趣，可点击下方图片或蓝色链接，了解《发酵过程建模、优化与智能控制》第二期培训班相关信息。
产教融合｜《发酵过程建模、优化与智能控制》第二期培训班：从"老师傅手感"到"无人值守发酵"
