农业食品废弃物高值化利用以实现可持续生物表面活性剂生产:补料分批发酵与机器学习的整合
《Sustainable Chemistry and Pharmacy》:Agro-food waste valorization for sustainable biosurfactant production: Integrating fed-batch fermentation with machine learning
【字体:
大
中
小
】
时间:2026年10月15日
来源:Sustainable Chemistry and Pharmacy 6.7
编辑推荐:
摘要
生物表面活性剂是有前景的环保替代品,可替代合成表面活性剂;然而,其大规模应用受到高生产成本的限制。本研究从受石油污染的土壤中分离出一株新型生物表面活性剂产生菌——假单胞菌属BSP1(Pseudomonas sp. BSP1),并将其表征为一种糖脂产生菌株。为提高可持续
摘要
生物表面活性剂是有前景的环保替代品,可替代合成表面活性剂;然而,其大规模应用受到高生产成本的限制。本研究从受石油污染的土壤中分离出一株新型生物表面活性剂产生菌——假单胞菌属BSP1(Pseudomonas sp. BSP1),并将其表征为一种糖脂产生菌株。为提高可持续性,本研究采用花生油渣(PR)和菠萝皮水解液(PPH)作为农业食品废弃物基质,在补料分批发酵中进行应用,其中连续滴加策略相比脉冲式投料策略提高了生物表面活性剂的产量。在连续滴加策略中,初始添加3% PR,随后连续3天每天添加1% PPH;而脉冲式投料则在第1天一次性添加3% PPH。连续滴加使生物表面活性剂产量从2.021 ± 0.019 g L?1提高至2.174 ± 0.035 g L?1,乳化指数(EI24%)从56.85 ± 0.18%提高至60.44 ± 0.51%。本研究采用改进的拉丁超立方采样(LHS)策略结合极限梯度提升(XGBoost),通过100次实验运行优化了六个工艺变量。基于增益的特征重要性分析和SHAP分析表明,pH对模型预测的贡献最大。优化条件下的预测生物表面活性剂产量为2.903 g L?1,乳化指数(EI24%)为63.53%。实验验证结果与预测高度吻合,实际产量达到2.948 ± 0.071 g L?1,EI24%为63.24 ± 0.99%,相较于优化前条件提高了约35.6%。时间进程分析确定第6天为适宜的收获时间点,生物表面活性剂产量和EI24%在生物量积累于第5天达到峰值后继续上升。这些发现表明,将农业食品废弃物增值与机器学习辅助的生物过程优化相结合,具有可持续生产生物表面活性剂的潜力。
引言
表面活性剂因其降低表面和界面张力的能力,广泛用于各行业,可实现多相体系的稳定(Li et al., 2023)。传统表面活性剂包括小分子表面活性剂、颗粒稳定剂和磷脂等,其中小分子表面活性剂因成本低廉、易于合成且性能明确,最常用作乳化剂(Wilson et al., 2022)。根据其特征性质,阴离子表面活性剂广泛应用于洗涤剂、肥皂和化妆品中,而阳离子表面活性剂则用于表面涂层、织物柔软剂和护发产品中(Jin et al., 2016; Ran et al., 2009)。磷脂作为生物膜的关键组成成分,因其高生物相容性而广泛应用于食品、制药和化妆品行业(Pichot et al., 2013)。然而,尽管传统表面活性剂应用广泛,由于其持久性和生态影响,它们越来越被认为是新兴的环境污染物(Badmus et al., 2021)。某些类别,如全氟化表面活性剂,表现出高度的环境稳定性和抗降解能力,导致长期积累;而另一些,如直链烷基苯磺酸盐,已被报道在水生生态系统中诱导产生有毒的生化和病理效应(Kim et al., 2018; Petrie et al., 2015)。针对这些环境和可持续性方面的担忧,基于可再生资源开发环保替代品的研究日益受到重视(Miao et al., 2024)。与联合国2030年可持续发展议程相一致,业界正积极推动用可持续替代品替换传统石油基表面活性剂,在保持功能效率的同时最大限度减少生态影响(Bautista et al., 2016)。生物表面活性剂由细菌和真菌等微生物在其代谢过程中合成,在此背景下已成为一种前景广阔的替代方案(Pandit and Meena, 2026)。这些生物分子表现出优良的特性,包括高生物降解性、低毒性、结构多样性和与生物系统的相容性,使其适用于广泛的工业应用(Chauhan et al., 2025)。尽管具有这些优势,生物表面活性剂目前在全球表面活性剂市场中仅占很小的份额,市场仍由合成替代品主导。然而,生物基表面活性剂领域正在稳步扩张,其显著的增长预期由日益提高的环境意识、监管压力和向可持续工业实践的转型所驱动(Miao et al., 2024)。
限制生物表面活性剂大规模商业化的一大主要因素是其相对于合成表面活性剂较高的生产成本。因此,降低生产成本已成为一项关键的研究优先事项。解决这一挑战的一种有前景的策略是利用低成本的可再生废弃物基质,这可以显著降低总生产成本,同时也有助于废弃物增值和环境保护(Sundaram et al., 2024)。最近的研究表明,各种有机物废弃物——此前被视为工业副产品或环境负担——可作为微生物生物表面活性剂生产的效基质(Gaur et al., 2022; Mgbechidinma et al., 2022)。在此背景下,本研究探索农业食品废弃物的增值利用,采用双基质策略进行生物表面活性剂生产。具体而言,花生油提取残渣(PR)——石油工业的副产品——被用作富含脂质的基质。尽管经过油提取,PR仍保留大量残余脂质,使其适合作为生物表面活性剂合成的诱导物。众所周知,生物表面活性剂产生微生物常在富含碳氢化合物的环境中被刺激,在这些环境中,生物表面活性剂作为次级代谢产物被产生,以促进疏水化合物的乳化和摄取(Zaman et al., 2025)。基于这一原理,预计PR可启动生物表面活性剂的产生。为支持微生物生长并提高产量,本研究同时引入互补的富碳基质——菠萝皮。菠萝皮富含易于发酵的糖类,已被广泛报道是微生物过程(包括生物表面活性剂生产)的有效基质(Almeida et al., 2012; Azman et al., 2024; Santos et al., 2024)。然而,将富脂质和富糖类的农业废弃物联合用作共基质是一种创新且相对未被探索的方法。据我们所知,这是首篇报道整合使用花生油渣和菠萝皮生产生物表面活性剂的研究。本研究从生物表面活性剂产生微生物的分离和筛选开始,随后将其应用于使用选定废弃物基质的补料分批发酵。此外,为提高生物表面活性剂产量,采用机器学习(ML)方法系统地优化了工艺参数。传统优化技术往往无法捕捉多个变量之间的复杂非线性交互作用,限制了其有效性。相比之下,ML技术为模拟此类交互作用提供了稳健的数据驱动替代方案(Aghaabbasi and Chalermpong, 2023)。数据驱动方法在生物过程开发中日益广泛的应用,展示了结合系统性实验设计与机器学习的潜力,可在减少实验负担的同时提高对过程的理解。例如,应用于酿酒酵母(Saccharomyces cerevisiae)的模型辅助实验设计(mDoE)方法表明,补料分批发酵中pH、葡萄糖和氮投料速率的优化使生物量浓度提高了30%,而全细胞生物催化投料条件的优化使产品浓度提高了80%(Moser et al., 2021)。这些发现说明了策略性设计的实验在探索多个相互作用的工艺变量方面的价值,而无需依赖大量传统实验。
在本研究中,采用数据驱动的优化框架系统性地提高生物表面活性剂产量。首先,采用改进的拉丁超立方采样(LHS)作为实验设计的先进统计工具。与传统设计方法不同,LHS能够对整个参数空间进行均匀且分层的采样,确保在相对有限的实验运行次数内高效探索所有变量(Deutsch and Deutsch, 2012)。重要的是,LHS已被应用于微生物生产和发酵系统。在一项关于不动杆菌(Pseudomonas putida)产生黄酮醇的研究中,LHS被用于生成实验方案中的初始培养基设计,在后续的机器学习指导优化之前实现了对培养基空间的广泛探索(Zournas et al., 2025)。类似地,LHS的全局敏感性分析已通过整合偏秩相关系数和方差贡献系数得到扩展,用于量化模型参数对青霉素发酵动力学的影响,并识别对整体模型变异性贡献最大的参数(Li et al., 2023)。这些应用表明,LHS能够为复杂的生物过程参数空间提供系统性的覆盖,且在必须同时研究多个培养基和工艺变量时尤为有用。该方法不仅降低了实验成本和时间,还通过捕捉基质浓度、pH、温度、搅拌速度和培养时间等多个工艺参数之间的变异性,提高了数据集的稳健性和代表性。在实验设计和数据生成之后,应用极限梯度提升(XGBoost)——一种最先进的集成机器学习算法——进行建模和优化。XGBoost通过顺序构建一系列决策树来运行,其中每个后续模型都修正其前一个模型的误差(Wiens et al., 2025)。这种提升策略结合正则化技术,提高了预测精度同时防止过拟合。XGBoost在发酵和生物产品优化中的适用性也已得到实验验证。在己酸发酵中,XGBoost优于随机森林、人工神经网络和支持向量机模型,在测试数据集上达到了0.885的R2,并识别出水力停留时间和丁酸浓度是产量的重要决定因素(Ma et al., 2024)。在另一项发酵研究中,XGBoost使用216个工程化酿酒酵母菌株的数据进行训练,指导高温条件下乙醇生产的优化;机器学习指导的选择减少了实验负担,并在第二轮优化中使乙醇产量进一步提高了7.4%(Khamwachirapithak et al., 2023)。最近一篇关于基于机器学习的发酵设计和优化的综述同样将XGBoost确定为一种有效的发酵过程优化算法,包括涉及多种工艺条件和生物产品生产的应用(Wang et al., 2025)。这些研究共同表明,ML模型能够学习多个生物和工艺变量之间的关系,并随后指导实验优化,而不仅仅依赖穷尽式实验筛选。重要的是,本研究采用ML的理由不仅是其预测能力,更在于其解决发酵系统固有复杂关系的潜力。与一次一因素(OFAT)方法——在固定其他因素的情况下变化一个因素——不同,数据驱动模型可以同时纳入多个工艺变量及其交互作用。因此,系统性空间填充实验设计与非线性ML建模的结合,为研究多维生物过程提供了一种实用替代方案,在这些过程中响应可能不遵循简单的预定义功能关系。XGBoost在捕捉多个变量之间复杂的非线性交互作用方面非常有效,而这些交互作用往往被传统优化技术(如一次一因素法或响应面法)所忽视(Rafie et al., 2025)。此外,该模型提供了特征重要性的见解,使识别显著影响生物表面活性剂产量的关键工艺变量成为可能。这不仅有助于优化,还增强了生物过程的可解释性。尽管LHS和基于ML的方法已被分别应用于发酵和生物产品开发,但将其在统一的实验框架内应用于利用互补农业食品废弃物基质生产生物表面活性剂的研究仍然有限。特别是,使用LHS系统地生成多维实验数据集,然后进行基于XGBoost的预测和优化,为整合高效实验探索与非线性数据驱动建模提供了机会。LHS与XGBoost的结合建立了一个强大的混合框架,用于高效的实验设计、预测建模和过程优化。总体而言,这种综合方法利用了统计采样和机器学习的优势,克服了传统方法的局限性。通过将农业废弃物增值与先进的计算技术相结合,本研究提出了一种可持续、经济且可扩展的生物表面活性剂生产策略,符合绿色生物加工和智能制造的新兴范式。
实验设计
样品采集与生物表面活性剂产生菌的分离
本研究使用三种不同的环境和废弃物来源样品分离潜在的生物表面活性剂产生菌。石油污染的土壤样品采集于印度旁遮普邦詹德(Jalandhar)的一家当地汽车修理店。第二个样品为花生油提取后的废弃物,因其富含脂质且适合支持降解碳氢化合物的微生物群落而被选定。第三个来源是从旁遮普国家技术研究所(NIT Jalandhar)收集的混合水果皮。
生物表面活性剂产生微生物的筛选与分离
分离和初步筛选从三种来源的26个分离菌株中确定了11株具有生物表面活性剂产生潜力的细菌分离菌株。其中,5株分离菌株来自石油污染土壤,4株来自花生废弃物,2株来自混合水果皮。所有分离菌株均使用定性检测方法进行生物表面活性剂产生的初步筛选。筛选结果显示各分离菌株之间的生物表面活性剂活性存在明显差异。
结论
生物表面活性剂因其环保特性和多功能性而备受关注;然而,其大规模应用仍受到高生产成本的限制。在本研究中,从环境和废弃物来源中探索了新型生物表面活性剂产生微生物,以应对这一局限性。
在分离株中,从石油污染土壤样本中分离得到的优良菌株表现出卓越的筛选效率。CRediT作者贡献声明:Nisha Kumari Pandit:撰写初稿、方法学、形式分析、概念化。Sumer Singh Meena:撰写-审阅与编辑、监督、方法学、概念化。利益冲突声明:作者声明不存在已知的竞争性经济利益或个人关系,这些因素可能影响本文所报告的工作。致谢:第一作者感谢印度教育部提供的奖学金支持。Nisha Kumari Pandit|Sumer Singh Meena,旁遮普邦,印度,邮编144008,B·R·安贝德卡尔国民理工学院生物技术系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号