16、生物生产与污水处理中的机器学习应用

生物生产与污水处理中的机器学习应用

在生物技术和环境工程领域，机器学习正发挥着越来越重要的作用。本文将介绍两个不同领域的应用案例，一是利用支持向量机（SVM）预测苏云金芽孢杆菌（B. thuringiensis）的蛋白质生产，二是使用基于树的机器学习模型预测污水处理厂（WWTPs）中的总氮含量。

苏云金芽孢杆菌蛋白质生产预测

• 数据与变量 ：研究使用了三个不同菌株的十批实验数据。在线测量变量包括部分氧气压力（pO2）、pH、搅拌（Agit）和曝气（Aer）；离线测量变量有光密度（OD）、生物量（Bio）、葡萄糖（Glc）、菌群（Fl）和孢子（Sp）。此外，还将菌群和孢子的对数以及菌株数量作为输入。在进行SVM之前，根据邻域成分分析对输入进行排序以指导特征选择。结果表明，pO2、菌株数量、生物量和孢子是最重要的变量，而菌群及其对数对蛋白质生产的相关性最低。
• 内核探索与模型评估 ：探索了线性、二次和高斯三种内核，并对八种输入变量组合进行了评估，通过均方根误差（RMSE）来衡量模型性能。结果显示，二次内核的模型5在训练数据上的预测效果最佳，且在训练集和验证集之间表现良好，但需要10个预测变量。高斯内核的模型8在训练集和验证集之间也取得了较好的平衡，且RMSE值与模型5相似。由于模型8具有更高的在线适用性，因此被选为最佳模型。

模型	高斯内核RMSEt	高斯内核RMSEv	二次内核RMSEt	二次内