Marco Galardini

Marco Galardini
7 Giugno 2007
Soft Computing
Biotecnologia industriale
I microrganismi sono utilizzati da sempre per la produzione
di prodotti utili all’uomo (pane, vino, birra), ignorando la
loro presenza.
A partire dal XIX secolo grazie agli studi di Koch, Pasteur e
Vinogradiskij, è stato possibile l’isolamento e lo studio
dei microrganismi.
Attualmente un gran numero di prodotti industriali sono
prodotti su larga scala con l’ausilio dei microrganismi.
Vengono anche utilizzati in processi di risanamento delle
acque, dei suoli e dell’aria inquinata.
Prodotti di fermentazione
• Prodotti chimici (acido citrico)
• Alcol (etanolo)
• Additivi alimentari (aminoacidi)
• Antibiotici (penicillina)
• Prodotti farmaceutici (insulina)
• Enzimi (glucosio isomerasi)
• Cellule (lievito)
Perché la produzione sia conveniente è necessario:
• Produrre in quantità elevata (impianti di grande
dimensione)
• La materia prima sia poco costosa (prodotti di scarto)
• La resa sia elevata
• Il prodotto sia facilmente separabile dal resto del brodo
Coltura batch
• La coltura in batch è un sistema chiuso
• All'inizio della coltura vengono forniti tutti i nutrienti
necessari alla crescita cellulare.
• La coltura in batch è un sistema vantaggioso per
ottenere rapidamente un'alta quantità di biomassa.
Coltura continua
• La coltura in continuo è un sistema aperto, in cui nuovo
terreno di coltura è immesso costantemente, mentre
quello che si è esaurito è eliminato.
• Produzione di biomassa costante nel tempo.
• assenza di tempi morti.
• possibile di controllare il processo regolando i flussi.
• La lunga durata del processo può portare a
contaminazione.
• Le numerose divisioni cellulari possono portare
all'accumulo di mutazioni nelle cellule.
Coltura fed batch
• E’ un sistema aperto solo in entrata, ma non in uscita
(volume variabile).
• La biomassa aumenta in proporzione ai nutrienti forniti,
fino a che la crescita non viene inibita (prodotti di scarto,
assenza di ossigeno).
• Tecnica che consente il recupero della biomassa.
Complicazioni
I fattori da controllare sono molti:
• Flusso di nutrienti / produttività / aerazione / agitazione
• Bisogna garantire la sterilità
• Controllo temperatura
In base al microrganismo usato ho diverse condizioni
ottimali e un diverso comportamento
ogni microrganismo ha un diverso modello di crescita
questi modelli sono spesso complessi e non lineari
Bubble column
Esempio:
In questo tipo di reattori
bisogna misurare il
diametro medio delle bolle
per determinare se
l’agitazione è corretta!
Colture di fototrofi
Esempio:
Nel caso dei fototrofi è
necessario controllare
anche la quantità di luce e
l’agitazione in modo che
tutta la coltura sia illuminata
Ma bisogna impedire che
troppa luce inibisca la
crescita
Mass transfer
Esempio:
La concentrazione dei nutrienti e dell’ossigeno che arrivano
alla cellula non è la stessa del brodo di coltura
• Bisogna considerare la diffusione attraverso i diversi film
intorno al microrganismo (possono essere anche 8!)
Modelli matematici per il fed-batch
Esempio:
Per descrivere la crescita del lievito in una coltura fed-batch
vengono utilizzate 6 equazioni differenziali
Le varie variabili comprendono:
•[glucosio], [O2], [CO2], [etanolo].
•Feed-rate (flusso di nutrienti)
•Velocità di consumo del glucosio
•Coefficienti di mass transfer
•Altri
L’incognita è la biomassa
• Il calcolo delle 6 equazioni differenziali è “costoso”
• Necessario conoscere molte variabili
• Ogni microrganismo ha il suo modello di crescita
Soft computing:
• Fuzzy logic
• Neural network
Artificial Neural network
L’unità fondamentale del neural network è il neurone.
Esso riceve dati in ingresso che vengono elaborati in vario modo e
“filtrati” tramite dei pesi.
L’informazione viene trasmessa ai neuroni successivi solo se viene
superata una certa soglia di attivazione.
I pesi nei neuroni sono ottenuti tramite addestramento.
Vari tipi di reti
(feedforward, recurrent, modular, associative)
Vari tipi di apprendimento
(supervised, unsupervised, reinforcement)
Utilizzi:
• Mancanza di modelli matematici
• Dati potenzialmente errati
• Data mining
• Bioinformatica
Artificial Neural network
E’ possibile sfruttare la capacità dei neural network di
costruire un modello a partire dai dati sperimentali.
Non presuppone di conoscere il modello di crescita o tutte
le variabili del pocesso.
Il primo scopo del lavoro è quindi sviluppare un neural network
che predica la biomassa prodotta solo sulla base del feedrate.
Architettura del neural network
Network “recurrent” e “dynamic” (il network è capace di considerare
l’andamento temporale del processo)
Input secondo
primo blocco:
blocco:
feed-rate,
[O2], feed-rate,
volume volume
Output secondo
primo blocco:
blocco:
[O2biomassa
]
Funzione d’attivazione
Pesi Input del network Output del second hidden
Deviazione
layer del neurone
Output
del
first hidden layer
Peso
Deviazione del neurone
Gli altri due tipi di neuroni hanno lo stesso tipo di comportamento; l’ultimo
produce come risultato la biomassa
Simulazione del processo
Per il processo di apprendimento del network sono stati utilizzati dati
generati con il modello matematico, utilizzando 5 differenti profili di
feed-rate.
Square
Industrial
Saw
Stair-shaped
Training del network
Algoritmo LMBP (efficiente)
Training data / validation data (2 profili di feed-rate diversi)
Viene misurato l’errore sulla biomassa
Quando l’errore inizia a salire, viene interrotto l’apprendimento e utilizzati i pesi e
le deviazioni del minimo
Due strategie:
• Training separato
• Training unito
Testati più network, ognuno con un diverso numero di neuroni e di delays
Per ogni struttura sono testati 50 network
First hidden layer: 12 neuroni
Third hidden layer: 10 neuroni
Second hidden/output layer: 1 neurone
Predizione della biomassa
L’errore è massimo all’inizio del processo ma rimane
sempre al di sotto dell’8%.
Ottimizzazione del feed rate
Il secondo obbiettivo dello studio è quello di ottimizzare il
feed-rate ed ottenere quello che massimizza la quantità
finale di biomassa
Utilizzo un algoritmo genetico
modello matematico
modello ricavato dal neural network
Algoritmi genetici
Sfruttano i meccanismi naturali della genetica per arrivare alla
soluzione di un problema
• Popolazione iniziale di individui (soluzioni) random
• Valutazione della fitness (costo) delle soluzioni
• Selezione delle soluzioni e operazioni di mutazione e
crossing-over
• Generazione delle popolazioni successive
Ottimizzazione del feed rate
• La popolazione in questo caso è un vettore con n=150.
• Ogni posizione del vettore è un valore del feed-rate ad un
determinato punto del processo.
• Il costo è determinato a partire dalla biomassa finale
prodotta
• L’algoritmo è modificato per compensare le fluttuazioni e
per rendere più “liscio” l’andamento del feed-rate
Ottimizzazione del feed rate
Modello
matematico
Modello
neural
network
La quantità finale di biomassa è pressochè identica
Verifica sperimentale
Il metodo sviluppato viene testato in un piccolo reattore
Le prime nove run servono per creare il neural network
Nell’ultima utilizzo il modello del neural network ed ottengo il miglior feedrate con l’algoritmo genetico
Il tempo per la fermentazione è ridotto di 4 ore e la biomassa
è superiore rispetto a quella ottenuta con i feed-rate
tradizionali
Conclusioni
Il soft computing permette di coltivare con buone rese i
microrganismi anche senza conoscerne il modello di crescita
E’ possibile immaginare un applicazione di queste tecniche a
microrganismi poco noti che producono prodotti particolari,
spesso utili nella medicina (prodotti farmaceutici) o nella
chimica dei materiali (bioplastiche)
L’interazione fra l’algoritmo genetico e il neural network va
comunque migliorata
-Fine-