基于超声波测量与人工神经网络的无创监测与预测酿酒酵母悬浮液细胞计数新方法

《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》：Noninvasive monitoring and prediction of cell count of Saccharomyces suspensions using ultrasonic measurements and artificial neural networks

本研究针对发酵过程中生物悬浮液细胞计数监测存在的侵入性、耗时及检测限等问题，开发了一种结合超声波测量与人工神经网络（ANN）的无创实时监测技术。研究人员通过分析三种酿酒酵母菌株在不同麦汁浓度（10、12、14 wt%）下的悬浮液，提取9个超声波特征，构建了高精度细胞计数预测模型（R2=0.92–0.97）和菌株分类模型（准确率96.6%）。该技术为发酵过程优化提供了可靠的非侵入式监测工具，显著提升生物工艺控制的效率与稳定性。

　　

在啤酒、生物燃料和制药工业中，酵母发酵过程的精准控制直接关系到产品质量与生产效率。然而，传统细胞计数方法如 turbidity（浊度法）、flow cytometry（流式细胞术）和 hemocytometer（血球计数板）均存在明显局限：它们或需取样操作、易引入污染，或受限于样品透明度与细胞形态差异，难以实现连续、无创的实时监测。尤其在高密度发酵体系中，光学方法因信号饱和而失效，严重制约了工艺优化与自动化控制的发展。

为解决这一难题，德国慕尼黑工业大学Dominik Geier团队在《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》发表研究，创新性地将超声波技术与人工神经网络相结合，实现了对酿酒酵母悬浮液细胞计数的无创预测与菌株分类。超声波具有穿透浑浊介质、对悬浮颗粒敏感的特性，但其信号解析复杂，传统模型难以直接关联生物学参数。本研究通过系统设计实验与机器学习建模，成功将声学特征转化为可靠的细胞计数指标，为生物过程监控开辟了新途径。

研究团队选取三种工业常用酿酒酵母菌株：S. cerevisiae（上面发酵）、WB-06（S. cerevisiae var. diastaticus）和 W 34/70（下面发酵），在10%、12%、14 wt%麦汁浓度下制备0.0–1.0 wt%的浓度梯度悬浮液。利用定制超声波实验装置（中心频率2 MHz），采集经缓冲杆-样品-反射器三层介质传播的声波信号，提取每个回波（E₁、E₂、E₃）的最大振幅（A_max,i）、峰值时间（t_max,i）和绝对信号和（A_sum,i）共9个特征。通过人工神经网络构建回归模型预测细胞计数，并开发分类模型识别菌株类型。

关键技术方法包括：1) 脉冲回波超声波测量系统，结合 bandpass filtering（带通滤波）与信号平均提升信噪比；2) 基于 envelope detection（包络检测）的特征提取算法，量化声波与样品的相互作用；3) 双层隐藏层ANN架构（5+3神经元），采用L-BFGS优化器与L₂正则化防止过拟合；4) 逐步输入特征策略，对比仅超声波特征、加入菌株身份（one-hot encoding）和麦汁浓度（ordinal encoding）对模型性能的影响。

回归模型用于细胞计数预测

研究首先为每种菌株单独训练模型（Approach 1），结果显示所有菌株的预测R²均高于0.96，证明超声波特征能有效捕捉细胞浓度变化。尤其W 34/70模型误差最低（MAE=7.4×10⁶ cells/mL），说明菌株间声学响应存在差异。随后，团队合并所有数据构建通用模型（Approach 2），仅使用9个超声波特征时预测性能下降（R²=0.92），表明生物与工艺变异增加了建模复杂度。通过逐步引入菌株分类编码（Approach 3）和麦汁浓度编码（Approach 4），模型性能显著提升，最佳模型（Approach 4）在测试集上达到R²=0.97、MAE=10.7×10⁶ cells/mL，证实非声学参数的编码能增强模型泛化能力。

酵母菌株分类模型

仅基于9个超声波特征的分类模型（Approach 5）在测试集上整体准确率达96.6%，其中S. cerevisiae分类精度100%，WB-06和W 34/70的误分类率均低于6.5%。混淆矩阵与F1-score（均高于94.8%）表明超声波特征能清晰区分菌株特异性声学指纹，为污染监测或菌种鉴定提供了新手段。

结论与展望

本研究证实超声波结合ANN可实现酿酒酵母悬浮液细胞计数的无创、实时预测，最高检测浓度达3.15×10⁸ cells/mL，且模型训练效率高（<5秒）。通过编码生物（菌株）与工艺（麦汁浓度）变量，显著提升了跨条件预测的鲁棒性。分类模型的高准确率进一步拓展了该技术在菌株识别与污染预警中的应用潜力。

尽管当前研究在实验室内验证了可行性，未来需面向工业环境挑战进行优化：包括传感器抗污染设计、多温度与代谢产物（如CO₂、乙醇）干扰补偿，以及与SCADA（监控与数据采集系统）集成。引入SHAP（SHapley Additive exPlanations）等可解释AI工具将深化声学特征与物理机制的关联分析，而扩展菌株库与工艺参数将增强模型普适性。此项技术为生物工艺的数字化、自动化控制奠定了坚实基础，有望在食品、医药等发酵工业中推动精准制造与质量升级。