基于混合核函数的Ls-svM在蛋白质发酵建模中的应用 蛋白质发酵是现代生物制药的主要研究方向。蛋白质发酵过程是一个非常复杂的生 物化学变化过程，在发酵的每一个阶段，既有菌体自身的生长、繁殖、老化，又有蛋白 质的合成，存在多种化学生物过程，其复杂程度远远超过物理过程。因此，建立蛋白质 发酵过程的机理模型就十分困难，其机理模型也非常复杂。所以用本文的建模方法研究 蛋白质发酵过程是十分有必要的。 本文的发酵蛋白选用白介素。白介素是白细胞介素的简称，白介素是一种淋巴因子， 作用于白细胞和免疫细胞之间。同时，白介素还是造血细胞和身体免疫调节功能的重要 组成部分，它和血细胞生长因子都属于细胞因子，二者协调配合共同作用，才能够完成 造血和增强免疫力的功能。白细胞介素对传递细胞信息、激活和调节免疫细胞、细胞的 活化、细胞增殖和分化以及机体炎症反应会起到重要的作用。白介素细胞也是制造免疫 疫苗的重要原料之一。研究白介素细胞的发酵，对于工业生产疫苗，预防恶性肿瘤以及 传染疾病，具有重要的意义。
浙江树人大学后勤影响微生物发酵的因素有温度、PH值、压力、溶解氧和补糖等。下面将具体介绍 每个因素的意义。
温度：发酵温度主要是对菌体的生长和细胞的新陈代谢有很重要的影响。温度对蛋 白质发酵过程的影响，不仅仅是我们能看到的表面的影响，还有对微生物的内部产生的 影响〔何。每一种微生物，都对应着一个最合适的发酵温度，因此，在蛋白质发酵过程中， 合适的发酵温度能够提高蛋白质的产量。
PH值：发酵PH值能够反映发酵过程中各个生物量的代谢平衡。在蛋白质发酵过 程中，有很多微生物产物（CO?和有机酸等）都会对PH值造成影响。每一种微生物， 都对应着一个最合适的PH值。因此，在蛋白质发酵过程中，合适的PH室内wifi定位值能够使菌体 保持最佳的生长状态。
压力：发酵过程中，能够对压力产生影响的因素主要有：供给的溶解氧的量和供给 的消毒空气的量。
溶解氧：发酵溶解氧是能够对发酵代谢过程产生重要影响的又一个参数。溶解氧对 菌体的生长和蛋白质产物的合成有着非常重要的作用。在蛋白质的生长代谢过程中，时 时刻刻都需要有氧气的参与。并且随若发酵过程的进行，菌体浓度不断的增加，对氧气 的需求量也越来越大。但是发酵溶解氧的浓度也不要过高，过高的浓度反而会对发酵过
程起到抑制的作用。因此，能够在蛋白质发酵过程中，控制好溶解氧的浓度能够使蛋白 质得到最佳的生长。可以用搅拌的方法影响溶解钗在发酵过程中所起到的作用，促进产 物的生成3）。
补糖：发酵补糖能够对发酵代谢过程产生非常重要的影响。发酵补糖能够对菌体的 生长提供必要的营养成分，合适的补糖量能够促进微生物的生长，提高蛋白质产量，但 过高的补糖反而会对发酵过程起到抑制作用，所以控制好补糖对微生物发酵有至关重要 的意义。
4.2样本描述
本课题的数据来自于“国家十一五科技重大专项项目”，提供了蛋白质的9批次正 常发酵数据，每批数据都是一个完整的发酵过程，包括温度、PH值、压力、溶解氧、 补料、菌体浓度和蛋白产物浓度等数据。 为了便于建立模型，在数据使用之前需对数据进行归一化处理。数据归一化处理是 为了统一量纲，检查数据中是否存在异常点，以免影响建模效果。通过归一化处理也可 以检查数据是否存在周期性、固定变化趋势或其他关系。归一化处理常常将数据变换在 [0,1],以便最小二乘支持向量机利用这些数据进行更好地训练和学习。
设输入数据为x = …,X」，输出数据为孑=[加巧，・・・，*/]，每蛆输入数据的最
大值和最小值分别为每组输出数据的最大值和最小值分别为片乂酣。 归一化公式如下：
中国宪政网』mix Z min
输出数据的反归一化处理：
为了达到较好的建模效果，在建立模型的时候对样本数据进行了归一化处理，在输 出预测结果时，需要进行反归一化处理，这个变化可由公式（4.1）和（4.2）反推而得 到。
x广％-初（xgf = = （4.3）
坊 Pnux-丸。皿-*min）j = L2,・・・,〃,_/=L2,..・J （4.4）
4.3混合核函数在蛋白质发酵建模中的应用
采用基于混合核函数的最小二乘支持向量机对蛋白质发酵过程进行建模，蛋白质发 酵建模流程如图4.1所示，具体的过程如下：
(1)读取蛋白质发酵模型的主导变量和辅助变量，包括所有的训练样木和预 测样木。
土地登记规则(2)如果样本数据的格式不规范，则要对样木数据进行归一化处理，若样本 数据格式规范则忽略这一步。样本数据信息包含样本维数、训练样本数、 和测试样本数等，格式上预测实际值即主导变量在前，范围为[0,1],样 本的属性即辅助变量在后，范围为[0,1],并且按照一定的规律进行排列， 即“主导变量的值，辅助变量1的值，辅助变量2的值，……，辅助变 量n的值”。
(3)选取核函数，将Poly核函数、Sigmoid核函数、RBF核函数和RQ核函 数分别应用于最小二乘支持向量机模型中。
(4)依据训练样本，采用最小二乘支持向量机进行模型训练，并用QPSO优 化算法对参数(惩罚因子和核函数核参数)进行寻优，得到估计函数 /(x) = £a,K(x，x,) + b，完成模型训练。
(5)将训练结果应用于基于LS-SVM的模型中，完成根据新的样本输入量， 给出预测输出量力= £a,K(x,x,) + b o
(6)用= L刃上习对得到的预测结果进行评估，并对预测结果进行
n海南省三亚技工学校 /-I I Z I
分析。
(7)混合核函数的选取，将全局核函数和局部核函数组合形成混合核函数， K“ = QKg/(l-Q)Ks/"0,l],应用于最小二乘支持向量机模型 中，重复步骤(4) — (6) o
开始
图4.1蛋白质发酵建模过程
lg gt350
Fig.4.1 The process of protein fermentation modeling
蛋白质发酵模型可以通过当前时刻的输入变量来预测下一时刻的菌体浓度(g/L)、 蛋白质浓度(g/L)。实验中，采用9批生产数据，每一批都表示一个完整的发酵过程， 其中8批作为训练数据(采用留一法交叉验证方式建模)，另外1批作为预测数据，用 来检验本文方法的有效性。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议