BP神经网络与遗传算法耦合优化马尾松树脂降解发酵培养基

王恒

摘 要：为了提高伯克霍尔德氏菌Burkholderia sp.ZYB002发酵液降解马尾松树脂的效价，对培养基进行优化。通过单因素试验确定1%葡萄糖为发酵最适碳源、0.3%尿素和2%玉米粉为最适复合氮源。采用响应面法得到3种主控因子最佳配比：葡萄糖0.576%、橄榄油1.81%、接种量2.57%，优化后降解马尾松树脂的效价提高到42.5%;运用BPGA耦合法得到最佳配比：葡萄糖0.6763%、橄榄油1.8034%、接种量3.3813%，优化后马尾松树脂的降解效价提高到47.4%。结果还表明：BPGA耦合法较响应面更具优化效应，优化后比初始降解效价提高了38.6%。通过BPGA耦合法优化后，Burkholderia sp.ZYB002菌株的摇瓶发酵最佳培养基组成为： 葡萄糖0.6763%、玉米粉1.2%、橄榄油1.8034%、尿素（氮含量）0.05%、K2HPO4 0.2%、NaHCO3 0.1%、吐温80 1.0%、初始pH 8.5。培养条件：发酵温度为30℃，接种量3.3813%，摇床转速 220 r·min-1，装液量 35 mL（250 mL三角瓶），培养时间 36 h。

关键词：马尾松树脂;响应面;神经网络;遗传算法;培养基优化

Abstract： In order to improve the titer of Pinus massoniana resin degraded by the fermentation broth of Burkholderia sp.ZYB002， the medium was optimized. The single factor experiment was carried out to determine that 1% glucose was the most suitable carbon source for the fermentation， 0.3% urea and 2% corn flour were the most suitable compound nitrogen sources. The response surface method was used to obtain the optimal ratio of the three main control factors： glucose 0.576%， olive oil 1.81% and inoculation quantity 2.57%. After the optimization， the degradation titer of Pinus massoniana resin was increased to 42.5%. While the optimal ratio was obtained by the BPGA coupled method： glucose 0.6763%， olive oil 1.8034%， inoculation quantity 3.3813%. After the optimization， the degradation titer of Pinus massoniana resin was increased to 47.4%. The results also showed that compared with the response surface method， the BPGA coupled method had the better optimization effect， and the titer after the optimization was improved by 38.6% compared with the initial degradation titer. After the optimization by the BPGA coupled method， the optimal medium composition for the shakeflask fermentation of Burkholderia sp.ZYB002 was： glucose 0.6763%， corn flour 1.2%， olive oil 1.8034%， urea （nitrogen content） 0.05%， K2HPO4 0.2%， NaHCO3 0.1%， Tween 80 1.0%， and initial pH 8.5. The culture condition was as follows： the fermentation temperature was 30℃， the inoculation quantity was 3.3813%， the shaking speed was 220 r·min-1， the loaded liquid was 35 mL（250 mL triangular flask）， and the culture time was 36 h.

Key words： Pinus massoniana resin; Response surface; Neural network; Genetic algorithm; Culture medium optimization

通常木材中含有一些脂肪酸、樹脂酸、甘油三酸酯以及不皂化的化合物等脂溶性物质，依据树种、环境和季节的不同，这些脂溶性物质约占木材总量的2%～8%[1]，在马尾松中的含量一般在4%以上[2]。在造纸制浆的过程中，这些不溶于水的脂溶性物质会被游离出来，当纸浆中的温度和pH值下降到一定程度时，黏附在金属和纸张上，从而对输送纸浆管道、抄纸工艺以及整个回水的循环利用过程造成不利的影响，还会造成纸张有斑点破洞或引起纸幅断头等，这些危害称为树脂障碍[3-4]。目前解决树脂障碍的方法主要有木材陈良法[5]、化学控制法[6]、微生物法[7]和生物酶法[8]等。生物酶法（脂肪酶）具有反应条件温和、环保，并且能够从根本上将树脂降解成水溶性较强的脂肪酸和甘油[8-9]。本课题采用的伯克霍尔德氏菌Burkholderia sp.ZYB002是张岩峰[10]筛选的产脂肪酶菌株，利用该菌株的发酵液来降解树脂，可省去纯脂肪酶的制备过程，发酵液中本身带有以脂肪酶为主导的酶系，可能会收到更好的降解树脂效果。

该方程的相关性系数Rsquare为92.74%，说明该模型与实际的降解率拟合良好，可以用于降解马尾松树脂效价的分析和预测。由表6可知，交互项X8×X10的系数和均方差较大，X1×X8、X1×X10的系数和均方差较小，说明因素X8和X10相互影响较大，X1与X8、X10的相互影响较小。通过分析可知，该模型Pr>F的概率为 0.0220，说明该回归方程具有可靠性。

由图3可以看出X8、X10存在极值点，进行岭分析，回归方程模型中存在最优点（-0.20080，0.66206，-0.72205 ），实际值即葡萄糖0.576%，橄榄油1.81% ，接种量2.57%，相对应的Y最大估计值为45.9191±0.46506。为了验证模型分析中最大预测值，最优点组合做了3组重复试验。

2.5 BP神经网络与遗传算法耦合优化分析

2.5.1 BP神经网络模型的建立 通用 MATLAB 软件反复的测试发现隐含层数为1，神经元个数为9时，能精确地拟合试验数据，因此神经网络的拓扑结构为 3-9-1。将输入层-隐藏层传递函数设定为tansig函数，训练函数设定为traingdm函数，为减少训练时间，先对样本进行归一化处理，收敛精度取10-5，最大训练步数设定为8000，在此基础上建立发酵培养基的神经网络模型。由建立的BP神经网络模型预测值为42.7%，实测值为44.1%，相对误差百分比为3.28%，说明建立的模型泛化能力强，可以用于对试验数据进行预测。

2.5.2 遗传算法对BP神经网络的优化结果 通过神经网络实现正确的输入输出映射关系，将神经网络输出作为求解目标函数值，利用遗传算法对发酵培养基进行全局寻优[11]，从而获得最优的发酵培养基组合，实现马尾松树脂降解率的提高。通过MATLAB软件编程，将遗传算法的初始种群设定为40，交叉概率为0.8，变异概率0.05，终止代数100。遗传算法寻优结果如图4所示，通过迭代30次，适度函数值趋于稳定，GA找到了模型的最大值。

2.5.3 优化培养基发酵检测 使用BP神经网络-遗传算法耦合模型对发酵培养基进行全局寻优，得到最优化发酵培养基组成（葡萄糖0.6763%、橄榄油1.8034%、接种量3.3813%），根据BP模型预测该组合的降解率为46.5%，实测值为47.4%。同时与原始培养基、响应面优化的培养基进行横向对比，结果如表7所示。分析表明，用BPGA耦合法优化的培养基马尾松树脂的降解率和BP預测值间的误差小于2%;而用响应面法的预测值（45.9%）与实际值（42.5%）之间误差达到7.41%，这说明BP神经网络建模法非常适合该发酵培养基的优化，具有较高的仿真精度。

3 讨论与结论

在单因子试验中确立了葡萄糖为最佳碳源，尿素和玉米粉作为复合氮源。然后利用响应面法和BP神经网络遗传算法耦合法对Burkholderia sp.ZYB002菌株发酵培养基进行优化，分别比原始培养基提高了24.3%、38.6%，表明BPGA耦合法比响应面法在该发酵培养基优化中更加显著。由于BP神经网络有很强的输入输出非线性映射能力，具有较高的仿真精度，能够很精确地拟合树脂降解率与培养基主要组分之间的内在联系，再加上遗传算法具有迅速全局寻优能力，因此利用BPGA耦合方法进行Burkholderia sp.ZYB002发酵培养基的优化是一种行之有效的途径。

通过BPGA耦合法优化后，Burkholderia sp.ZYB002菌株的摇瓶发酵最佳培养基组成为：葡萄糖0.6763%、玉米粉1.2%、橄榄油1.8034%、尿素（氮含量）0.05%、K2HPO4 0.2%、NaHCO3 0.1%、吐温80 1.0%、初始pH 8.5。培养条件：发酵温度为30℃，接种量3.3813%，摇床转速 220 r·min-1，装液量 35 mL（250 mL三角瓶），培养时间 36 h。

参考文献：

[1]谢来苏.制浆造纸的生物技术[M].北京：化学工业出版社，2003：120-124.

[2]陈嘉翔，秦梦华.树脂的成分及用脂肪酶消除树脂障碍[J].纸和造纸，1997（3）：40-41.

[3]ZHANG X.The effect of whitewater dissolved and colloidal fraction on paper properties and effect of various enzyme treatments on the removal of organic components[J].Pulp and Paper Can，2000，101（3）：59-32.

[4]MATS RUNDLOF，MARIE ERIKSSON，HELENE STROM，et al.Effect of mannanase and lipase on the properties of colloidal wood extractives and their interaction pulp fines[J].Cellulose，2002，9：127-137.

[5]张达俊.造纸工业中的树脂障碍[J].西南造纸，2001（6）：37.

[6]HOLTON J E， MOEBUS C R.Control of pitch stickies gunkand tramp organics in pukp and paper mills[J].Pulp Paper Canada，1982，83（4）：100-106.

[7]GUTIRREZ A， JOSC， MARTNEZ A T.Microbial and enzymatic control of pitch in the pulp and paper industry[J].Applied microbiology and biotechnology， 2009，82（6）：1005-1018.

[8]KONTKANEN H，TENKANEN M，FAGERSTROM R，et al.Characterisation of steryl esterase activities in commercial lipase preparations[J].J Biotechnol，2004，108：51-59.

[9]HATA K，MATSUKURA M，TANEDA H， et al.Millscale application of enzymatic pitch control during paper production[C]//ACS Symposium Series.Washington， DC： American Chemical Society， 1996， 655： 280-296.

[10]张岩峰.Burkholderia sp. ZYB002产脂肪酶条件优化及脂肪酶基因克隆[D].福州：福建师范大学， 2009.

[11]周勇，郑毅，宋利丹.人工神经网络与遗传算法耦合法优化辅酶Q10发酵培养基[J].中国生物工程杂志， 2013， 33（9）：73-78.

[12] 彭锋，李安明. BP神经网络和遗传算法在红发夫酵母培养基优化中的应用[J]. 应用与环境生物学报，2008，14 （6）：834-837.

[13]代志凯，张翠，阮征.试验设计和优化及其在发酵培养基优化中的应用[J].微生物学通报， 2010， 37（6）： 894-903.

[14]钟珞，饶文碧，等.人工神经网络及其融合应用技术[M].北京：科学出版社，2007：69-76.

[15]舒正玉，陈建平，吴继光，等.脂肪酶降解马尾松TMP浆中的三酰甘油酯类物质[J].中国造纸， 2011， 30（7）：12-15.

（责任编辑：柯文辉）