深度学习辅助培养基优化提升兽疫链球菌透明质酸合成效率

本研究针对兽疫链球菌（Streptococcus zooepidemicus ）透明质酸（HA）生产效率低的问题，通过深度学习（DL）算法优化培养基配方。研究利用L18正交阵列构建初始训练数据集（OA01–18），筛选出最佳培养基OM30，使HA产量提升至1.66 g/L（小规模培养）和9.96 g/Linitial volume （30 h分批补料培养）。通过重复批次培养（90%培养基置换），最终实现46 h内21.4 g HA的高效生产（0.465 g/Linitial volume /h），为生物医药级HA的工业化生产提供了创新解决方案。

　　

透明质酸（Hyaluronic Acid, HA）作为一种高价值多糖，广泛应用于医药、化妆品和组织工程领域。然而，传统微生物发酵生产HA面临产量低、培养基成本高、培养过程粘度大等技术瓶颈。兽疫链球菌（Streptococcus zooepidemicus
）虽是公认的HA高产菌株，但其培养条件优化仍依赖经验性尝试，缺乏系统性方法。

为解决这一难题，日本研究者Kazuki Watanabe团队在《Journal of Bioscience and Bioengineering》发表研究，首次将深度学习（Deep Learning, DL）算法引入HA培养基优化。研究通过L18正交阵列设计18种初始培养基（OA01–18），建立HA产量（0.09–1.39 g/L）与成分关系的训练数据集。利用深度神经网络（DNN）模型预测出54种优化培养基（OM01–54），最终确定OM30配方使摇瓶培养HA产量提升至1.66 g/L。在搅拌釜反应器中，OM30展现出比对照培养基更高的体积产率。通过创新的重复批次培养策略（每6小时置换90%培养液），有效克服高粘度抑制，46小时内实现21.4 g HA总产量，生产率达0.465 g/L_{initial volume}
/h。

关键技术包括：1）基于正交阵列的实验设计；2）深度神经网络建模；3）小规模深孔板培养结合HA定量分析；4）分批补料与重复批次培养工艺优化。研究菌株为ATCC 39920标准菌株。

【Microorganism and chemicals】
使用ATCC提供的兽疫链球菌标准菌株，通过25%甘油保藏技术维持菌种稳定性。培养基组分如酵母提取物（YE）、胰蛋白胨等均采用商业级试剂，确保实验可重复性。

【DNN models prepared with training datasets】
DNN模型分析显示，低浓度葡萄糖、胰蛋白胨和YE组合（如OA01/OA02/OA05）更利于HA合成。OM30在验证实验中HA产量较标准培养基提高49.5%，证实DL预测的有效性。

【CRediT authorship contribution statement】
团队分工明确：Kazuki Watanabe负责实验设计与论文撰写；Masaaki Konishi教授主导DL算法开发与项目规划；其他成员参与数据分析和文稿修订。

结论表明，DL辅助培养基优化可显著提升HA生产效率，其价值体现在三方面：1）突破传统试错法局限，实现数据驱动的精准优化；2）重复批次培养策略为高粘度产物发酵提供新思路；3）生产率较传统工艺提升3倍以上，具备工业化应用潜力。研究获得日本NEDO和Kieikai基金会的资助，为生物制造领域的智能化转型提供了典范案例。