编辑推荐：
随着微藻衍生产品市场的增长，螺旋藻（Spirulina platensis）中 C - 藻蓝蛋白（CPC）的需求日益增加。传统的提取和定量方法存在诸多弊端，研究人员开展了基于机器学习和深度学习的 CPC 浓度预测研究。结果显示，混合堆叠集成模型表现优异，为 CPC 分析提供了新方向。
在微藻衍生产品的广阔市场中，螺旋藻凭借其合成 C - 藻蓝蛋白（CPC）的独特能力，成为了备受瞩目的焦点。CPC 不仅具有多种生物活性，在抗炎、抗氧化和抗癌等方面发挥着重要作用，而且在食品、药品和化妆品等领域有着广泛的应用前景。据市场分析，全球微藻衍生产品市场预计在 2017 - 2026 年间以 5.8% 的年增长率增长，到 2030 年，CPC 的市场需求有望达到 4.098 亿美元。然而，传统的 CPC 提取和定量方法却如同重重枷锁，阻碍着相关产业的高效发展。这些方法不仅耗时费力，还需要使用有毒溶剂，对环境造成较大危害，并且无法满足快速、准确检测的需求。因此，开发一种高效、无损的 CPC 浓度预测方法迫在眉睫。
在这样的背景下，来自国外的研究人员勇挑重担，开展了一项极具创新性的研究。他们致力于探索基于机器学习和深度学习的方法，以实现对螺旋藻中 CPC 浓度的精准预测。研究成果发表在《Ecological Informatics》上，为该领域带来了新的曙光。
研究人员运用了多种关键技术方法。在数据采集方面，他们精心培养螺旋藻（Spirulina platensis）NIES - 39，通过紫外线 - 可见分光光度计（UV - vis spectrophotometer）精确测定其生长和 CPC 浓度。同时，使用智能手机和数字相机，在不同光照条件下采集了大量的生物质和 CPC 图像数据。在模型构建上，选择了支持向量机（SVM）、极端梯度提升（XGBoost）和卷积神经网络（CNN）等模型，并构建了混合堆叠集成模型。其中，CNN 负责自动提取图像特征，SVM 和 XGBoost 作为基础模型，结合多种元回归模型进行最终预测。
下面让我们详细了解一下研究结果。
- 输入图像和参数对 CPC 浓度预测的影响：研究人员对螺旋藻进行培养，发现改良 BG - 11 培养基添加 NaHCO3和 NaNO3后，螺旋藻生长和 CPC 浓度发生显著变化。在培养过程中，随着时间推移，螺旋藻生物量逐渐增加，CPC 浓度先升后降，这与氮源的消耗密切相关。同时，研究表明，螺旋藻生物质、CPC 数据集以及 “Abs” 和 “Day” 等参数对 CPC 浓度的积累和预测有着重要影响。
- 对 SVM 模型性能的影响：对于生物质数据集，SVM 模型在 2V - Input（添加 “Day” 作为特征）时表现更优，HSL 颜色空间的数据集精度最高。而对于 CPC 数据集，1V - Input（仅使用颜色特征）就能达到较高精度，1V - RGB 表现最佳。此外，数字相机在覆盖条件下的配置比智能手机更准确。
- 对 XGBoost 模型性能的影响：XGBoost 模型在使用数字相机拍摄的生物质图像时，1V - Input、2V - Input 和 3V - Input 的精度相近。但使用智能手机拍摄的图像时，2V - Input 添加 “Day” 特征可提高精度。对于 CPC 数据集，所有输入配置的精度趋势相同，颜色特征足以进行准确预测，数字相机在覆盖条件下的图像精度最高。
- SVM、XGBoost 和 CNN 的性能比较：综合比较三种模型，XGBoost 在大多数配置下表现优于 SVM。CNN 在 CPC 数据集上表现较好，但在智能手机光照干扰条件下精度略有下降。在生物质数据集的光照干扰条件下，CNN 的精度高于 XGBoost 和 SVM。同时，通过多种评估指标分析发现，所有模型对 CPC 输入图像的预测效果更好。
- 混合堆叠集成技术组合所有模型的性能：混合堆叠集成模型中，以 meta - XGBoost 表现最为出色，其具有较低的标准差、较窄的 95% 置信区间和较高的预测稳定性。该模型在所有配置下均优于基础模型 SVM 和 XGBoost，有效提高了预测精度和泛化能力。
研究结论和讨论部分指出，XGBoost 在所有配置下均优于 SVM，其对噪声和变异性的抵抗能力更强。CNN 在自动特征提取方面具有优势，且训练和验证 R2曲线表现良好，表明模型开发稳定。混合堆叠集成模型，尤其是 meta - XGBoost，在所有配置下均表现优异，显著优于单个模型。这一研究成果意义重大，它不仅克服了传统方法的缺陷，为螺旋藻中 CPC 浓度的预测提供了更高效、准确的方法，而且为微藻相关产业的发展提供了有力的技术支持，推动了该领域向更加智能化、高效化的方向迈进。同时，研究也为其他类似的生物活性物质定量分析提供了借鉴，有望在生命科学和健康医学领域引发更多的创新研究。
