Zeitschrift für Pharmazie und pharmazeutische Forschung Offener Zugang

Abstrakt

Modellierung und Optimierung von Fermentationsbedingungen für die Produktion von Glycolipopeptiden unter Verwendung der Response Surface Methodology und künstlicher Intelligenz

Maurice G Ekpenyong

Problemstellung: Der Pseudomonas aeruginosa-Stamm IKW1 produzierte ein Biotensid, wenn er in einem Basismedium aus Sonnenblumenöl aus der Frittierphase gezüchtet wurde. Die aktive Verbindung reduzierte die Oberflächenspannung der Fermentationsbrühe auf 24,62 Dyn/cm bei einer kritischen Mizellenkonzentration von 20,80 mg/l. Sie wurde durch Hochleistungsflüssigchromatographie und Fourier-Transform-Infrarotspektrometrie als Glycolipopeptid identifiziert. Sie zeigte beträchtliche Emulgier- und Schaumbildungsfähigkeiten, was auf eine Eignung für Anwendungen in Arzneimittel- und Reinigungsmittelformulierungen hindeutet. Die Produktausbeute war jedoch gering, was eine Produktion im großen Maßstab für empfohlene Anwendungen unpraktisch machte. Mehrere Forscher haben von Ertragsverbesserungen durch strategische Ansätze zur Medienoptimierung berichtet. Zuvor haben wir die Response Surface Methodology (RSM) zur Optimierung der Hauptnährstoffe angewendet und eine beachtliche Ertragssteigerung verzeichnet. Später haben wir Placket-Burman-Design (PBD) und RSM verwendet, um Spurennährstoffe zu prüfen und zu optimieren, und eine signifikante Ertragsverbesserung erzielt. Forschungsberichte zeigen jedoch, dass künstliche neuronale Netzwerke (ANN) ein besserer Optimierungsansatz sind. Methodik und theoretische Ausrichtung: In dieser Studie haben wir Fermentationsbedingungen wie Temperatur, pH-Wert, Rühren und Dauer mithilfe von RSM optimiert und die Ergebnisse mit denen verglichen, die mit ANN in Verbindung mit einem genetischen Algorithmus (ANN-GA) und Partikelschwarmoptimierung (ANN-PSO) erzielt wurden. Ergebnisse: Unsere Ergebnisse zeigten, dass das Biotensid-Reaktionsmodell, das durch eine quadratische Funktion von RSM vorhergesagt wurde, signifikant war (P<0,0001; angepasstes R2=0,9911; RMSE=0,034), wenn die Faktorniveaus bei einer Temperatur von 32 °C, einem pH-Wert von 7,6, einer Rührgeschwindigkeit von 130 U/min und einer Fermentationszeit von 66 Stunden festgelegt wurden. Die maximale Glycolipopeptidkonzentration betrug 107,19 g/l bei einer Ausbeute (Yp/x) von 4,24. Vergleichsergebnisse von ANN-GA (R2 = 0,9997; RMSE = 0,055) und ANN-PSO (R2 = 0,9914, RMSE = 0,047) zeigten, dass sich Modell und optimierte Faktoreinstellungen nicht signifikant (P > 0,05) von denen mit RSM unterschieden. Schlussfolgerung und Bedeutung: Dies deutet darauf hin, dass RSM bei sorgfältiger Ausführung ein ebenso gutes Modellierungs- und Optimierungstool sein könnte wie neuronale Netzwerkmethoden.