基于人工神经网络-遗传算法的樟芝发酵培养基优化

采用优化模型对药用丝状真菌樟芝的复杂发酵过程进行建模,并获得最优发酵培养基组成.对樟芝发酵过程中的形态变化过程进行了观察,并分别采用人工神经网络(ANN)和响应面法(RSM)对樟芝发酵过程进行建模,同时采用遗传算法(GA)优化了发酵培养基组成.结果表明,ANN模型比RSM模型具有更好的实验数据拟合能力和预测能力,GA计算得到樟芝生物量理论最大值为6.2 g/L,并获得发酵最佳接种量及培养基组成:孢子浓度1.76× 105个/mL,葡萄糖29.1 g/L,蛋白胨9.4 g/L,黄豆粉2.8 g/L.在最佳培养条件下,樟芝生物量为(6.1±0.2)g/L.基于ANN-GA的优化方法可用于优化其他丝状真菌的复杂发酵过程,从而获得生物量或活性代谢产物.     

响应面法优化深层发酵樟芝总三萜的提取工艺(英文)

采用响应面法对樟芝深层培养中总三萜的提取工艺进行优化。根据Box-Benhnken的中心组合实验设计原理,在单因素实验的基础上,选取溶剂浓度、提取温度和液固比为变量,应用响应面法进行三因素三水平的实验设计。以总三萜得率作为响应值,建立了樟芝总三萜提取的回归模型,对其提取条件进行进一步优化。结果表明,优化的总三萜提取条件为乙醇浓度86%,提取温度75℃,液固比37。进一步的实验也验证了该模型的有效性。