微藻光合生物制造因其环境效益和产品多样性而展现出巨大的工业潜力[1]。实现经济可行性取决于持续优化培养过程以降低成本和提高效率[2]。由于微藻的碳固定和代谢与环境及营养条件紧密相关，因此及时监测并调整细胞、环境和营养参数的最佳匹配对于实现优化培养过程至关重要[3],[4]。然而，传统的离线分析方法受到结果滞后、劳动强度大和时间消耗的固有限制，不适合动态优化[5]。因此，迫切需要开发成本效益高、可靠且系统的细胞生长监测技术。
在线光学分析是一种常见的监测方法[6],[7]。近红外（NIR）光谱能够基于C-H和N-H等化学键的特征吸收，快速、无损地定量测定细胞中的能量成分，如脂质和多糖[8],[9]。可见光谱则利用色素的特征吸收来估计细胞密度和色素成分[10],[11]。本质上，光学技术依赖于“黑箱”或“灰箱”建模方法，其可靠性高度依赖于涵盖微藻动态生产过程中所有可能的细胞生理和物理状态的全面校准数据集[12],[13]。获取此类数据集的成本非常高且往往不切实际[14]。此外，光学技术在某些实际培养系统中也存在应用限制[8]。例如，虾青素或藻蓝蛋白等产物的积累，或丝状微藻的形态变化（如丝状长度、聚集体大小）会随着培养过程和条件的变化而动态变化。这些变化会非线性地影响系统的光吸收和散射特性，严重损害定量模型的稳健性[11],[16]。因此，尽管光学方法仍被广泛使用，但在维持稳定光学特征或获取全面校准数据具有挑战性的微藻系统中，需要补充或替代方法。
除了光学技术外，还探索了利用宏观代谢特征的间接监测方法。例如，氧化还原电位（ORP）、溶解氧（DO）和二氧化碳释放等指标分别反映了电子转移平衡、光合产氧活性和净碳固定[17],[18],[19]。这些方法受细胞形态和色素的干扰较小，可以提供代谢信息。然而，它们的应用也面临显著限制。ORP和DO容易受到培养基组成和水动力学等多种环境因素的影响[20],[21]，从而削弱了它们与生理参数的相关性。二氧化碳分析不适合开放式光生物反应器。因此，现有方法在特定反应器设置下只能提供有限的过程洞察，其可靠性受到多种因素的限制。总之，开发一种能够抵抗细胞形态、特定产物积累和环境波动干扰的在线监测技术对于智能微藻培养至关重要。
从微藻元素组成的角度来看，生物量合成主要涉及C、H、O和N的批量吸收，而S、P和金属等元素主要用于维持酶活性、代谢和生理渗透平衡[22],[23],[24],[25],[26],[27]。这些营养物质的消耗动力学与细胞生长和代谢产物合成密切相关。因此，追踪关键离子浓度的变化有望间接且稳健地推断微藻的生长和代谢状态。然而，培养系统中离子的多样性和复杂性以及浓度变化的小幅度，对关键离子的识别、传感器选择和建模方法提出了高要求。
为了解决上述挑战，本研究提出了一种基于微藻生长引起的离子消耗的间接细胞监测方法。该方法基于硝酸盐光自养批培养系统建立了基础框架，将主要金属阳离子及其相关阴离子聚类到一个统一的“离子集合”中，用于生物量预测，并将培养过程中离子强度的变化归因于硝酸盐、碳酸氢盐和该聚类的“离子集合”的变化。通过蒙特卡洛模拟量化了“离子集合”的平均摩尔电导系数和平均电荷数。同时采集在线电导率和硝酸盐的电极信号，并应用移动时间窗口算法来抑制信号噪声和测量漂移。通过的培养实验验证了这种监测方法的有效性。
