人工智能驱动的发酵过程调控揭示庆大霉素C1a高产中的代谢重编程机制

本研究针对庆大霉素C1a发酵生产效价低、调控机制不明等问题，创新性地整合人工神经网络-遗传算法（ANN-GA）建模、多光谱在线监测与代谢组学分析，实现54.6%的产量提升（385.3 mg/L），并揭示碳通量向戊糖磷酸途径（PPP）的定向转移机制，为工业生物过程智能优化提供新范式。

　　

抗生素生产领域长期面临着一个关键挑战：如何突破微生物发酵的天然产量瓶颈。以庆大霉素为例，这种含有2-脱氧链霉胺（2-DOS）核心结构的氨基糖苷类抗生素，其C_1a组分因独特的甲基化模式展现出更优的药代动力学特性。然而传统随机诱变和静态优化策略收效甚微，工业发酵效价长期徘徊在249.2 mg/L水平。更棘手的是，发酵原料的批次差异与代谢网络的复杂调控，使得经验式优化如同"黑箱操作"。

华东理工大学（原第一作者单位）的研究团队在《Bioresource Technology》发表的研究中，构建了一个革命性的智能调控体系。通过融合人工神经网络（ANN）和遗传算法（GA）的机器学习模型，结合近红外（NIR）与拉曼光谱的实时联用监测，成功将庆大霉素C_1a产量提升至385.3 mg/L。代谢通量分析显示，该体系使糖酵解通量下降36.2%，而戊糖磷酸途径（PPP）通量提升11.3%，关键前体葡萄糖-1-磷酸和庆大霉素X2分别增加52.8%和61.7%。

研究采用三项核心技术：1）ANN-GA混合模型优化关键参数；2）NIR-拉曼双模态光谱实时监测发酵过程；3）代谢组学结合¹³C标记的通量分析解析代谢网络。

【菌株与培养条件】
选用敲除genK/genL甲基转移酶基因的工程菌株M. echinospora 49-92S KL01，该菌株能定向积累C_1a组分。

【庆大霉素C_1a补料培养基优化】
ANN-GA模型确定最佳补料时机为48小时，较传统96小时补料方案提升产量15.6%。敏感性分析显示总糖浓度15 g/L为最优控制点。

【结论】
该研究开创性地实现了三大突破：首先，多源数据融合模型将预测准确率提升至传统方法的1.8倍；其次，双光谱实时监控使过程参数响应速度提高67%；最重要的是，代谢重编程机制阐明NADPH供应与碳氮流向的协同调控规律。这些发现不仅为抗生素智能制造树立新标杆，其"数字孪生-代谢调控"双驱动策略更为复杂生物制剂的工业化生产提供了普适性框架。