《Biocatalysis and Agricultural Biotechnology》：Optimized Biosurfactant Production from Coconut Shell Extract by Bacillus wiedmannii isolate adopting an Explainable Artificial Neural Network and TOPSIS framework
编辑推荐：
•椰壳提取物有助于实现低成本生物表面活性剂的生产•采用CCD方法优化了关键的生物工艺参数•基于合成数据的优化人工神经网络模型（R2 > 0.99）性能优于随机森林模型•Shapley加性解释方法为工艺优化提供了重要依据•多目标优化与TOPSIS方法帮助找到了最优的帕累托解引言生物
- •
椰壳提取物有助于实现低成本生物表面活性剂的生产
- •
采用CCD方法优化了关键的生物工艺参数
- •
基于合成数据的优化人工神经网络模型（R2 > 0.99）性能优于随机森林模型
- •
Shapley加性解释方法为工艺优化提供了重要依据
- •
多目标优化与TOPSIS方法帮助找到了最优的帕累托解
引言
生物表面活性剂是一类结构多样的表面活性生物分子，它们具有不同的分子量和化学结构，由多种微生物合成并分泌。由于具备生物降解性、生物相容性以及在极端环境条件下的稳定性（Hsu等人，2025），生物表面活性剂在食品、化妆品、药品领域以及农业领域都发挥着重要作用（Pardhi等人，2022；Mukadam等人，2024），比如还能促进作物对养分的吸收。近期研究进一步表明，与传统合成表面活性剂相比，生物表面活性剂更具环保性、毒性更低且性能更优，这推动了其在工业领域的广泛应用（Nagtode等人，2023）。2023年全球生物表面活性剂市场的价值为31.3亿美元，预计在2024年至2030年间将以6.1%的速率增长（Paul等人，2025）。
然而，目前微生物生产生物表面活性剂主要依赖价格昂贵的化学合成底物，这不仅抬高了生产成本，还降低了产品的竞争力（Noll等人，2024）。尽管在生物表面活性剂技术方面已取得显著进展，但经济可行性与大规模生产仍是亟待解决的问题（Sharma和Lamsal，2025）。使用低成本底物并优化工艺条件有望改善工艺的经济性（Solomon和Vishnu，2025）。利用农业工业废弃物作为生物表面活性剂的原料（Begum等人，2023；Lakatos等人，2022；Sondh等人，2022；Gaur等人，2022），不仅可以降低生产成本，还能推动“废物变资源”理念的实现，同时符合循环生物经济理念及联合国可持续发展目标（Chebbi等人，2022）。
多种农业废弃物，如富含糖分、酚类物质和矿物质的椰壳提取物（Samykannu和Achary，2017），以及含有可发酵碳水化合物和氨基酸的玉米废弃物（Fang等人，2018），都能为微生物的生长以及次级代谢产物和生物表面活性剂的生成提供养分。花卉废弃物提取物中含有大量单糖（Seikh和Owary，2023），而废弃的食用油则可作为甘脂型生物表面活性剂的前体，在优化后的共底物条件下能够提高生物表面活性剂的产量（Pathania和Jana，2020）。使用废弃食用油或其他当地易得的废弃物生物质，也凸显了它们在生物表面活性剂生产中的潜力（Biktasheva等人，2024）。
虽然农业工业废弃物可用于微生物生产生物表面活性剂，但工艺效果在很大程度上取决于碳源和氮源的数量（以及质量）（Mgbechidinma等人，2022），还有温度、pH值和搅拌速率等环境因素的影响（Sen等人，2025）。通常在指数生长阶段末期或早期稳定期，生物表面活性剂的产量会达到峰值，因为此时较高的生物量浓度有助于提升生物表面活性剂的产出效率与最终产量。在生物工艺开发过程中，人们也会考虑同时优化生物量与生物表面活性剂的产量（Awadh等人，2025）。可以通过统计实验设计方法，比如中心复合设计，来探索工艺参数的空间范围（Dokhani等人，2024；Dolatabadi等人，2022）。通过响应面法建立的回归模型，再结合遗传算法等优化算法，就能够确定最优的工艺条件（Curvelo Santana等人，2010；Santana等人，2018）。
不过，响应面法中传统使用的线性或二次参数模型，往往无法体现复杂生物系统中常见的非线性特征。而数据驱动的机器学习方法则能够从数据集中挖掘隐藏的模式，从而实现较高的预测精度（Oleksy-Sobczak和Klewicka，2020）。经过超参数优化的机器学习模型，比如人工神经网络，具备出色的预测性能（Ali等人，2023；Gupta等人，2022），其性能甚至优于传统的多项式模型（Marimuthu等人，2023）。同样，基于树集成的随机森林模型会训练大量独立的决策树，再将这些树的预测结果汇总起来，从而得到准确且具有普遍适用性的结果，同时还能降低过拟合的风险（Zhang等人，2026）。由于生物系统中的实验数据往往较为有限（Iyer等人，2024），可以通过人为添加高斯噪声来解决这一问题（Makomere等人，2024）。可解释性机器学习方法不仅能提升模型的可解释性（Lim等人，2023），还能提高预测精度（Yeboah等人，2024；Yoo，2025）。机器学习模型还可以被整合到单目标或多目标优化框架中。
将多目标优化方法应用于工艺模型，可以得出一系列非支配的帕累托最优解（Hasanzadeh等人，2022）。由于实际决策需要对不同目标进行优先级排序，因此权重分配方法有助于体现各目标的相对重要性。此时就可以运用类似理想解排序法来根据帕累托解与理想解的接近程度以及与非理想解的差距来对它们进行排序，从而选出最合适的折中方案（Howari等人，2023）。
在本研究中，首先对多种农业废弃物进行了筛选，以确定其中最适合用于生产生物表面活性剂的材料。最终根据Bacillus wiedmannii HMSVGB1菌株的乳化指数，选出了效果最佳的生物质材料——椰壳提取物。研究采用了考虑碳源（椰壳提取物）和物理参数（pH值、培养时间）的CCD实验设计，同时还加入了高斯噪声，并使用了合成数据，以此构建经过高度优化的机器学习模型。最后，通过基于遗传算法的多目标优化策略来最大化生物表面活性剂的产量和生物量增长，再运用TOPSIS方法对得到的帕累托解进行排序，从而确定最优的工艺条件。
章节要点
微生物培养物的分离
本研究中的细菌菌株Bacillus wiedmannii HMSVGB1是从印度马哈拉施特拉邦浦那地区（北纬18.5204度，东经73.8567度）的受烃类污染的土壤中分离得到的。该土壤样本被装入预先消毒的试管中并运送到实验室后，先进行系列稀释，然后涂布在营养琼脂平板上，置于37℃下培养2天。那些细菌生长最为旺盛的样本，也就是在高稀释度下仍能形成菌落的样本，会被保存在4℃的卢里亚琼脂培养基中
生物表面活性剂的化学特性
在薄层色谱板上，用碘蒸气染色后会出现黄褐色斑点（图2a），而用苦味酸喷雾处理后则会出现粉紫色斑点（图2b），这些现象分别表明该生物表面活性剂中含有脂质和氨基酸/肽类成分，由此可以推断出它属于脂肽类物质。此前在分析Bacillus nealsonii产生的生物表面活性剂时，薄层色谱中也观察到了苦味酸反应斑点，这提示其中可能存在脂肽，后来通过液相色谱-质谱分析确认这种物质就是表面素（Phulpoto等人，2020）。类似地，碘检测也
研究的局限性及未来研究方向
将椰壳提取物作为底物，并结合基于机器学习的工艺条件优化方法来生产微生物生物表面活性剂，是一种很有价值的策略，既有利于实现生物质的高值化利用，也有助于废物处理（Seenuvasan等人，2021）。不过，如果在生物发酵过程中同时进行生物质预处理以及去除抑制性产物，有望进一步提升发酵效率。未来的研究应该考虑引入更多的生物工艺参数，采用序贯实验设计或自适应实验设计，并进一步拓展这一研究框架
结论
底物的选择及其最佳浓度是生物表面活性剂生产中的关键因素。在本研究中，所有测试过的农业工业废弃物中，椰壳提取物是对Bacillus wiedmannii HMSVGB1菌株生产生物表面活性剂影响最大的底物。通过CCD方法，研究了椰壳提取物浓度、培养时间、pH值以及初始接种量等因素对生物表面活性剂产量的影响。经过高度优化的人工神经网络模型在预测这两种指标的数值、优化工艺参数方面都展现了极高的准确性（R2 > 0.99），
CRediT作者贡献说明
Shikha Gaikwad：负责撰写原文初稿、项目监督、项目管理、方法设计以及概念构思。Biswanath Mahanty：负责撰写原文初稿、结果可视化、项目监督、软件应用、实验研究以及概念构思。Humaira Mukadam：负责撰写原文初稿、结果验证、方法设计以及正式数据分析。Nageswar Sahu：负责撰写原文初稿、结果可视化、软件应用以及数据整理工作
数据与材料的获取方式
本研究期间生成或分析的所有数据，如需获取，可向相应作者提出合理请求后获得。
资金支持情况
本研究没有获得来自公共部门、商业机构或非营利组织任何资助机构的专项资助。
利益冲突声明
? 作者们声明自己不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢：
作者要感谢相关管理方为这项研究提供的所有必要支持。
Humaira Mukadam|Nageswar Sahu|Shikha Gaikwad|Biswanath Mahanty
