《Kuwait Journal of Science》：Identification, cultivation, and biomass optimization of microalgae
Scenedesmus obliquus by integrated deep learning and hybrid AI
编辑推荐：
基于CNN的迁移学习实现了斜生栅藻（Scenedesmus obliquus）的自动化鉴定。改良BG11培养基采用低成本氮磷钾（NPK）肥料，实现了经济高效的藻类培养。响应面法（RSM）获得实验光密度（OD）值0.82，模型拟合优度良好（R2 = 0.955）
基于CNN的迁移学习实现了斜生栅藻（Scenedesmus obliquus）的自动化鉴定。改良BG11培养基采用低成本氮磷钾（NPK）肥料，实现了经济高效的藻类培养。响应面法（RSM）获得实验光密度（OD）值0.82，模型拟合优度良好（R2 = 0.955）。量子增强神经网络（QENN）对藻类光密度实现了精准预测，回归系数超过0.98。QENN–IRSO（改进爬行动物搜索优化）预测的最大光密度值为0.8746，较实验最优值高出6.7%。
**一、研究背景与科学问题**
全球能源与环境挑战日益严峻，气候变化对人类社会构成严重威胁。化石燃料的持续依赖加速了温室气体排放，导致全球气温较工业化前上升了1.1 °C，并引发洪水、风暴等极端天气事件。尽管太阳能和风能等可再生能源部署取得进展，但全球应对力度仍显不足，大多数气候指标难以实现2030年目标。在此背景下，生物能源凭借其减少温室气体排放和提供可再生替代能源的潜力受到广泛关注。生物柴油作为一种清洁燃烧的可再生能源，可由植物油、动物脂肪和废弃食用油等生物来源制备，其全生命周期排放因原料植物的碳吸收而接近碳中和。近年来，微藻因其含油量高和生长速率快，成为生物柴油原料的研究热点。
微藻藻株的精准鉴定是筛选高生物量与高脂质生产潜力物种的关键前提。传统显微镜检查虽能提供基本形态学信息，但在物种水平的鉴别上往往存在局限。深度学习的进展，尤其是卷积神经网络（CNN）的出现，显著提高了图像识别的精度。然而，将预训练CNN直接应用于非侵入性生物量分类仍缺乏充分探索。在藻种确定之后，优化光照、温度、pH和营养物质等生长条件对于最大化生物量和脂质产量至关重要，其中氮和磷尤为关键。响应面法（RSM）和机器学习模型等工具能够实现培养结果的精确优化与预测，但传统神经网络模型常面临收敛缓慢、数据需求量大和非线性高维数据处理能力不足等问题。量子计算凭借叠加和量子并行等原理，为探索更大特征空间提供了新途径。量子神经网络能够更准确、稳健地建模复杂的动态生物系统。基于上述背景，本研究提出了一种量子增强前馈深度学习神经网络（QFFDLN）用于光密度（OD）预测，并结合改进爬行动物搜索优化（IRSO）算法来确定最大化藻类生长OD的最优输入参数。
**二、研究内容与意义**
研究人员从印度南部泰米尔纳德邦坎尼亚库马里区瓦迪维莱村圣安东尼教堂附近的淡水池塘中分离出斜生栅藻（Scenedesmus obliquus），并通过深度学习CNN成功实现其自动鉴定。该藻种因其高生物量和脂质生产潜力而被选中。研究人员在实验室规模下开展培养实验，系统变化pH、温度和光照强度等关键工艺参数，并评估了以低成本商业肥料（尿素作为氮源、单过磷酸钙作为磷源、氯化钾作为钾源）替代标准BG11培养基中宏量营养元素的效果，旨在确定提升斜生栅藻生物量与脂质生产率的最佳营养配方。研究采用RSM进行实验设计与优化，并开发了量子增强神经网络（QENN）结合IRSO算法对OD进行预测和优化。该研究的重要意义在于展示了一种集成实验与计算的混合方法，为微藻培养的高效、可扩展优化提供了新范式，对可持续生物技术领域的生物燃料生产具有潜在应用价值。该论文发表在《Kuwait Journal of Science》。
**三、主要关键技术方法**
本研究采用了多项核心技术方法。在藻种鉴定方面，采用基于CNN的深度迁移学习方法，利用预训练卷积模型自动提取显微图像的分层空间特征，经数据增强、微调和Softmax分类层实现四种生物量等级（少、中、高、无）的分类。在培养优化方面，采用RSM多因素优化技术，设计156组实验组合，评估pH、光照强度、温度、尿素、单过磷酸钙、氯化钾和培养天数对OD的影响，建立二阶二次多项式预测模型并通过方差分析（ANOVA）验证。在智能预测与优化方面，构建量子增强神经网络（QENN），通过量子特征编码将经典输入参数转换为量子态，经参数化量子电路（PQC）处理后测量输出预测OD；提出改进爬行动物搜索优化（IRSO）算法，采用多子种群并行进化、迁移策略和竞争机制，以QENN为目标函数求解最优培养参数组合。样本来源于坎尼亚库马里区多个池塘和水体的淡水样本。
**四、研究结果**
**4.1 微藻的采集与鉴定**
对选定水样的理化性质表征显示：pH为7.1 ± 0.5，总溶解固体（TDS）为386 ± 10 mg/L，浊度为5.0 ± 1 NTU，碱度为3 ± 1 mg/L，溶解氧（DO）为4 ± 0.2 mg/L，硝酸盐和氨氮浓度分别为2.3 ± 0.2 mg/L和0.4 ± 0.2 mg/L，钠和钾分别为13 ± 2 mg/L和18 ± 1 mg/L，铁、硫酸盐和磷酸盐分别为0.4 ± 0.1 mg/L、0.8 ± 0.02 mg/L和0.4 ± 0.3 mg/L。尼罗红染色确认了藻细胞内脂滴的存在。显微观察显示该物种呈椭圆形细胞形态，常形成由2、4或8个细胞并排排列的群体，细胞末端具刺状突起，单细胞尺寸约10至30 μm长、2至5 μm宽。分类学鉴定将其归属于绿藻门（Division Chlorophyta）、绿藻纲（Class Chlorophyceae）、环藻目（Order Sphaeropleales）、栅藻科（Family Scenedesmaceae），属为Tetradesmus或Scenedesmus，种确认为斜生栅藻（Scenedesmus obliquus）。基于深度迁移学习的生物量分类研究中，共采集108张显微图像并标注为四种生物量等级。采用SGDM优化器，学习率0.0001，小批量大小32，15个epoch内训练完成，第30次迭代时验证准确率达100%，损失值从1.5迅速降至接近零。混淆矩阵确认四种生物量类别（高、中、少、无藻）全部正确分类，无任何误分类。对未参与训练的全新藻类显微图像的预测结果进一步证明了模型对真实世界图像的判别能力和泛化潜力。
**4.2 微藻培养**
**4.2.1 改良BG11培养基的培养条件优化**
RSM实验设计共生成156组实验组合。方差分析（ANOVA）结果显示模型F值为70.35，p < 0.0001，表明模型高度显著；决定系数R2 = 0.955，调整R2 = 0.9414，表明模型对实验数据拟合良好。除温度、尿素和单过磷酸钙外，多数因素p值低于0.05，对生物量产量有显著影响。失拟项F值为2.75，对应6.25%的概率，失拟不显著，支持模型充分性。培养天数（G）是最显著的影响因素（F = 1623.26，p < 0.0001），其次是钾源（F = 30.27）和pH（F = 12.63）。通过二阶二次多项式模型建立了OD与各因素之间的回归方程。利用三维响应面图分析了因素间的交互作用。
**4.2.1.1 pH和氮源的影响**
通过三维响应面图分析发现，pH从6.5升至8.5、尿素从0.005 mL增至2.5 mL时，最大OD出现在pH 7.5和尿素浓度1.25 mL处。进一步升高pH和尿素浓度会导致生长曲线下降。高pH可能对营养物溶解性和可利用性产生负面影响，而过量尿素会引起氨积累，对微藻产生毒性。
**4.2.1.2 光照强度和培养时长的影响**
光照强度从75 μmol m?2s?1逐步增加至225 μmol m?2s?1的实验中，最优生长（最高OD值）出现在150 μmol m?2s?1光照强度和培养第8天。这强调了优化光照强度以增强光合作用的重要性。光照条件的改善可直接提升生长速率、生物量和脂质积累，这些是生物燃料应用的关键因素。
**4.2.1.3 温度的影响**
在20 °C至30 °C的温度范围内，最高细胞密度出现在第8天的25 °C条件下。超过最适温度后，光密度因热应激影响生理功能而下降。在最适25 °C下，酶活性和光合作用效率最高，促进健康生长；更高温度会破坏细胞稳态，降低光合效率，并触发酶变性和活性氧（ROS）产生等应激反应。
**4.2.1.4 钾和磷源的影响**
钾浓度从0.005 g/L变化至1 g/L时，最高OD值（0.811）出现在0.5 g/L处。钾过量会引发电解质失衡，阻碍镁、钙和氮等其他必需营养素的吸收，导致代谢应激、渗透胁迫，影响膜完整性和光合作用。磷浓度从0.025 g/L变化至1.5 g/L时，最大OD出现在0.75 g/L处。磷过量会扰乱维持细胞稳态所必需的氮磷比（N:P），可能引起渗透胁迫，损害细胞分裂和光合活性。通过改良BG11培养基实验，优化后的参数组合为：pH 7.5、光照强度150 μmol m?2s?1、温度25 °C、尿素1.25 mL、单过磷酸钙0.75 g/L、氯化钾0.5 g/L、培养8天，对应OD为0.82。
**4.3 优化算法**
采用QENN对光密度进行预测。数据集共152个实验样本，其中112个用于网络训练，40个用于验证和测试。网络采用Levenberg–Marquardt训练算法，38个epoch达到训练目标，最佳验证性能为0.0006。误差直方图显示大多数样本的预测误差集中在零附近的窄范围内，且分布近似对称于零，表明预测无明显偏差。回归图中数据点沿对角线排列，决定系数R超过0.98，表明模型解释了输出中98%以上的方差。用50个未参与训练的新数据集样本验证QENN的鲁棒性，预测值与实际实验值紧密吻合，证实了模型在未见条件下的泛化能力和预测精度。
随后，训练好的QENN作为目标函数，利用IRSO算法在操作约束下求解最优输入参数组合。收敛特性比较显示，IRSO算法在约24次迭代内以最快速度达到最优目标函数值-0.8734（即OD为0.8734），且在整个迭代过程中保持稳定。与粒子群优化（PSO）、灰狼优化（GWO）和标准爬行动物搜索优化（RSO）算法相比，IRSO在收敛速度和最优值方面均表现最佳，最优OD值达到0.8746。概念性比较分析表明，传统机器学习模型（支持向量机SVM、随机森林RF、人工神经网络ANN）通常依赖人工设计的特征，难以捕获显微图像中复杂的空间模式；而CNN可自动从原始图像中学习层次化特征表示。所提出的CNN（特征提取）+ QENN（非线性预测）+ IRSO（参数优化）混合框架提供了更全面、更稳健的生物量预测与优化方案。
研究还讨论了框架的可扩展性。优化后的培养条件基于标准微藻培养系统中可调节的参数，无需显著改造现有基础设施，具有经济可行性。该框架可应用于封闭式光生物反应器和开放池培养系统。与依赖经验调整或试错法的传统微藻培养方法相比，该方法提供了结构化优化策略，减少了实验时间和成本，适合大规模工业应用。尽管大规模实施可能面临环境变异性、运营成本限制和系统特定设计等额外挑战，但可通过中试规模验证和技术经济分析加以解决。该框架设计具有物种适应性，CNN组件可通过训练适当的图像数据集扩展到其他微藻物种，QENN和IRSO算法独立于物种类型，可应用于不同生物量预测与优化问题。
**五、讨论与结论**
在比较分析中，实验优化（RSM）获得的最大OD为0.82，参数组合为pH 7.5、光照强度150 μmol m?2s?1、温度25 °C、尿素1.25 mL、单过磷酸钙0.75 g/L、氯化钾0.5 g/L、培养8天。该模型经ANOVA验证，F值为70.35，p < 0.0001，R2为0.955。QENN模型经Levenberg–Marquardt算法训练，回归系数R超过0.98，在全新数据集上保持高精度和泛化能力。IRSO算法在约24次迭代内实现最优OD 0.8746，比最佳实验值高出约6.7%。这表明AI辅助优化能够超越传统实验的局限。RSM为识别影响藻类生长的关键因素提供了坚实基础，而QENN与IRSO的集成则提供了高精度工具，为藻类生物技术中的数据驱动优化设立了新基准。研究也承认了局限性：验证策略采用留出法，k折交叉验证和外部数据集验证可进一步增强可靠性；dropout、正则化和早停技术可进一步提升模型鲁棒性；统计显著性检验、消融研究和敏感性分析未在本文中详述，将在未来工作中开展；AI模型性能高度依赖数据质量和数据集多样性，有限或受控的实验室数据集可能影响模型在多变现实条件下的泛化能力。
**研究结论：**本研究报告了一种集成实验-计算方法，用于在改良BG11培养基中优化微藻生长以获得更高的光密度（OD）。利用响应面法（RSM）对pH、光照、温度和营养物等关键参数进行了优化，其中培养时间最为显著，获得的最优OD为0.82。经Levenberg–Marquardt算法训练的量子增强神经网络（QENN）展现出高预测精度（R > 0.98）。与改进爬行动物搜索优化（IRSO）耦合后，预测的最大OD达0.8746。该混合方法凸显了人工智能与实验相结合在可持续生物技术中实现高效、可扩展微藻培养的潜力。
