机器学习优化香蕉皮提取物中出芽短梗霉产普鲁兰多糖的可持续生产策略

《Biochemical Engineering Journal》：Machine Learning Optimization of Pullulan Production from Banana Peel Extract by Aureobasidium pullulans

本综述系统阐述了利用香蕉皮提取物（BPE）通过出芽短梗霉（Aureobasidium pullulans）发酵生产普鲁兰多糖（Pullulan）的机器学习（ML）优化策略。研究通过贝叶斯超参数优化模型（如随机森林RF、人工神经网络ANN）结合高斯噪声数据增强技术，实现了生物聚合物产量的显著提升（33.66±0.57 g·L-1），为农业废弃物高值化利用提供了可扩展的闭环生物经济（Circular Bioeconomy）方案。

　　

Section snippets（章节精选）

Banana peel extract characteristics（香蕉皮提取物特性）

制备用于发酵培养基补充的BPE初始糖浓度（以蔗糖当量计）为93 g·L^-1。经活性炭吸附（去除色素）后，糖浓度略微下降至86 g·L^-1。从活性炭上解吸附色素的稀释溶液其紫外-可见吸收光谱如图1所示，487 nm处的吸收峰可能提示存在“叶黄素（Lutein）”——一种类胡萝卜素次级代谢产物。

Challenges and future strategies（挑战与未来策略）

尽管预处理后的BPE作为普鲁兰多糖生产的低成本底物展现出巨大潜力，但BPE成分因原料来源或季节差异产生的波动性仍需考量。活性炭去除BPE中抑制性化合物的同时可能减少其他微量营养素的可用性，这种权衡关系值得深入探究。实验室规模的实验难以完全复现工业级发酵中面临的操作复杂性。

Conclusion（结论）

本研究证实预处理BPE可作为普鲁兰多糖可持续生产的经济型底物。用预处理BPE替代蔗糖使普鲁兰多糖产量从8.33±2.30 g·L^-1提升至33.66±0.57 g·L^-1，增幅约四倍。基于高斯误差修正数据训练的超参数优化随机森林（RF）模型表现出卓越的预测性能。可解释人工智能（XAI）分析明确了BPE预处理与营养组成的关键影响。遗传算法（GA）驱动的多目标优化（MOO）为工业化放大提供了帕累托最优解集。