免费文献传递   相关文献

Medium optimization for α-pinene production with response surface analysis

响应面法优化α-蒎烯发酵培养基



全 文 :第 12卷第 6期
2014年 11月
生  物  加  工  过  程
Chinese Journal of Bioprocess Engineering
Vol􀆰 12 No􀆰 6
Nov􀆰 2014
doi:10􀆰 3969 / j􀆰 issn􀆰 1672-3678􀆰 2014􀆰 06􀆰 002
收稿日期:2013-10-09
基金项目:国家自然科学基金(21376255);国家高技术研究发展计划(863计划)(SS2013AA050703⁃2);青岛科技发展计划(12⁃1⁃4⁃9⁃(3)⁃jch)
作者简介:任  萌(1988—),男,陕西咸阳人,硕士研究生,研究方向:生物化工;杨建明(联系人),教授,E⁃mail:yjming888@ 126􀆰 com
响应面法优化 α 蒎烯发酵培养基
任  萌1,2,杨建明2,3,咸  漠3
(1􀆰 南京农业大学 生命科学学院,南京 210095; 2􀆰 青岛农业大学 生命科学学院,青岛 266109;
3􀆰 中国科学院 青岛生物能源与过程研究所 生物基材料重点实验室,青岛 266101)
摘  要:利用响应面法对 α 蒎烯发酵培养基进行优化。 先利用单因素实验法筛选出 MD 牛肉粉为最有利于发酵
产 α 蒎烯的 N源。 此后用 Plackett Burman (P B)实验方法对相关影响因素效应进行评估,筛选出有显著效应
的 3个因素:柠檬酸用量、牛肉粉用量以及培养基初始 pH。 然后用最陡爬坡实验逼近以上 3因素最优水平。 最后
由中心组和实验设计法及响应曲面分析法确定主要因素的最佳条件。 在优化后的培养条件下,发现 α 蒎烯产量
从 1􀆰 710 mg / L提升到 7􀆰 053 mg / L,发现产量提高了 3倍左右。
关键词:大肠杆菌;α 蒎烯;优化;响应面分析
中图分类号:Q851        文献标志码:A        文章编号:1672-3678(2014)06-0006-06
Medium optimization for α⁃pinene production with response
surface analysis
REN Meng1,2,YANG Jianming2,3,XIAN Mo3
(1. School of Life and Sciences,NanJing Agricultural University,Nanjing 210095,China; 2. College of Life and Sciences,
Qingdao Agricultural University,Qingdao 266109,China; 3. CAS Key Laboratory of Bio⁃based Material,
Qingdao Institute of Bioenergy and Bioprocess Technology,Chinese Academy of Sciences,Qingdao 266101,China)
Abstract:Response surface analysis was used to optimize for α⁃pinene production. Initially,MD beef
extract powder was determined to be the best nitrogen source for α⁃pinene production, then Plackett⁃
Burman ( P⁃B) experiment was used to evaluate the eight nutritional variables to screen medium
component that significantly influence the α⁃pinene production and their optimal levels. Results showed
that beef extract powder,pH and citric acid were significant factors. Then the path of steepest ascent was
used to approach the optimal region of the above three factors. In the third step,the concentration of beef
extract powder,pH and citric acid was further optimized using central composite designs and response
surface analysis. As the result,the concentration of α⁃pinene increased from 1􀆰 710 to 7􀆰 053 mg / L. With
the optimized medium,the yield of α⁃pinene increased about 3⁃fold.
Keywords:E􀆰 coli;α⁃pinene;optimization;response surface analysis
    α 蒎烯用途广泛[1],是多种名贵香料合成的中
间体[2-3],在空气中可自动氧化聚合变稠,可被应用
于抗氧化剂[1]。
当 α 蒎烯体积浓度大于 0􀆰 05%时即可达到对
多种昆虫的毒杀作用,因此可以作为潜在的新型农
药[4]。 根据 Meylemans等[5]和 Harvey 等[6]的报道,
二聚化后的 α 蒎烯能量密度达到 0􀆰 938 g / cm3,净
燃烧可以达到 39􀆰 5 MJ / L,几乎可以与 JP 10
(C10H16,一种高密度合成烃类液体燃料)相媲美[7],
是一种潜在的高能燃料,α 蒎烯还可以用作医药合
成的中间体,用来合成具有生理活性的化学品,如
桃金娘烯醛、蒎酮酸酯等[8 9]。
目前,工业上生产 α 蒎烯的主要原料是松节
油,可根据 2 种蒎烯沸点不同,采用蒸馏法进行制
备[1,10]。 但随着森林资源的不断开发和利用,原料
松节油来源成为限制 α 蒎烯工业化生产的短板。
因此,开发一条新的可持续发展的 α 蒎烯工业生
产途径显得尤为重要,而新兴的微生物技术无疑是
非常具有吸引力的方法[11-12]。
响应面法作为一种统计学方法,近年来已被广
泛应用于生物领域,特别是发酵行业[13-16]。 而利用
响应面法,从培养基角度提高重组大肠杆菌生产α
蒎烯的产量,在国内尚未有报道。 因此,本文采用
重组大肠杆菌 YJM28作为实验菌株,通过响应面分
析法优化培养基,从而提高 α 蒎烯的产量,以期为
实现生物法生产 α 蒎烯,并逐步实现工业化应用
提供理论基础。
1  材料和方法
1􀆰 1  菌株
重组大肠杆菌 YJM28,中国科学院青岛生物能
源与过程研究所生物基化学品团队实验室构建及
保存。
1􀆰 2  培养基
Luria⁃Bertani(LB)培养基:蛋白胨 10 g、酵母粉
5 g、NaCl 10 g;加入蒸馏水定容到 1 000 mL,121 ℃
灭菌 20 min 后冷却使用。 用前加入氨苄青霉素和
氯霉素,终质量浓度分别为 100和 34 mg / L。
初始发酵培养基(g / L):葡萄糖 20、牛肉粉 9、
K2HPO4·3H2O 9􀆰 8、一水合柠檬酸 6􀆰 3、柠檬酸铁铵
0􀆰 3;MgSO4 2 mmol / L。 用时添加氯霉素和氨苄青霉
素,终质量浓度分别为 100及 34 mg / L。
1􀆰 3  培养条件
用灭菌牙签挑取单克隆于 3 mL LB 培养液,
37 ℃、180 r / min培养过夜后进行活化,再按照 1%
(体积分数)接种量接种于装有 30 mL LB 培养基的
100 mL三角瓶中,进行二级种子的培养。 按照 1%
接种量向装有 100 mL发酵培养基的 590 mL厌氧瓶
中,加入 1 mL二级种子培养液,37 ℃、180 r / min培
养至 OD600达到 0􀆰 6~0􀆰 9,加入 IPTG 诱导并加盖无
菌橡胶胶塞,终浓度为 0􀆰 5 mmol / L,诱导后培养温
度调至 30 ℃,转速不变,发酵 48 h[11,17-19]。
1􀆰 4  α 蒎烯浓度检测及菌浓测定
发酵结束后将发酵摇瓶放入 60 ℃烘箱加热处
理 30 min,用气相进样针抽取 1 mL气体进行气相色
谱检测,以 α 蒎烯标准品作为定量标准。 仪器型
号: SP 6890 气相色谱仪。 色谱柱:HP⁃INNOWax
毛细管色谱柱 (30 m×0􀆰 25 mm×0􀆰 25 μm)。 检测
器:FID。 气化温度:200 ℃。 柱温:50 ℃保温 0􀆰 5
min,然后 4 ℃ / min升温至 70 ℃,再以 20 ℃ / min升
温至 250 ℃,保温 5 min。 检测器温度:200 ℃ [11,20]。
用分光光度计在 600 nm波长测定菌体浓度。
1􀆰 5  N源筛选
按照 9 g / L 的添加量分别添加下列 7 种 N 源:
阿拉丁牛肉粉、奥博牛肉膏、国药牛肉膏、MD 牛肉
粉、双旋牛肉膏、Solarbio牛肉膏和奥博牛肉粉[21]。
1􀆰 6  Plackett Burman(P B)实验设计
用 P B实验设计对涉及实验的 8 种因素进行
筛选,浓度水平及范围参考文献[17,22]并做了适
当调整,具体见表 1。
1􀆰 7  最陡爬坡实验
爬坡实验用于 P B实验结果筛选出的关键因
素,使关键因素浓度最大限度靠近响应值极大区
域,步长及变化方向根据 PB实验结果得出[13,15]。
1􀆰 8  中心组合实验设计(CCD)
响应面分析法用于确定 P B 实验筛选出的重
要影响因素的最佳浓度和考察因素之间的交互作
用,最终提高 α 蒎烯产量[13]。 实验采用三因素五
水平实验设计表,其中包含 1个星点 α(1􀆰 68),正负
水平各为 1,中心点重复 6次,组数为 20。 其他不显
著组分设为原始值(见表 4),并以此构建模型[21]。
2  结果与讨论
2􀆰 1  培养基 N源筛选及 P B实验结果
N源筛选结果见图 1,由 P B实验设计及其回
归分析结果见表 1和表 2。
在 N 源筛选实验中选用阿拉丁牛肉粉、MD 牛
肉粉和双旋牛肉膏等 7种 N源,结果见图 1。 由图 1
可知:MD 牛肉粉作为 N 源时 α 蒎烯产量最高,达
到 387􀆰 45 μg / L,其次是阿拉丁牛肉粉,之后是奥博
牛肉膏。 在发酵过程中,以 MD 牛肉粉和奥博牛肉
粉作为 N源进行 α 蒎烯发酵时,产量差距不大;在
7  第 6期 任  萌等:响应面法优化 α 蒎烯发酵培养基
菌体培养阶段时,MD 牛肉粉实验组菌体浓度达到
诱导所需要求的培养时间为 3 h 左右,而奥博牛肉
膏组则需要 5 h左右,增加了发酵结束所需时间;后
期发酵阶段 MD 牛肉粉实验组的菌体生长正常,发
酵结束后菌体不发生自溶,而奥博牛肉膏实验组在
30 h时菌体进入衰亡阶段,发生自溶。 因此,选取
MD牛肉粉作为 N源进行下一步实验。
P B实验采用 N= 12的实验设计表,对涉及试
验的 8个因素进行考察,每个因素采取高低( -1,+
1)2个水平,以发酵结束后的 α 蒎烯浓度作为响应
值,实验设计及结果见表 2。
1—双旋牛肉膏; 2—Solarbio牛肉膏; 3—国药牛肉膏; 4—阿拉丁
牛肉粉; 5—奥博牛肉膏; 6—MD牛肉粉; 7—奥博牛肉粉
图 1  N源对 α 蒎烯产量的影响
Fig􀆰 1  Effects of nitrogen source on yield of α⁃pinene
表 1  P B实验设计因素水平及效应分析
Table 1  Levels of variables and analysis of the effect for the P⁃B experiment
变量编码 因素 单位 低水平 高水平 系数 F P
模型 249􀆰 388 1􀆰 781 557 0􀆰 044 6
A 葡萄糖 g / L 20 30 -5􀆰 1979 2 0􀆰 075 033 0􀆰 801 9
B 牛肉粉 g / L 9 20 -49􀆰 530 4 6􀆰 813 006 0􀆰 029 7
C MgSO4 mmol / L 2 3 -7􀆰 1629 2 0􀆰 1424 87 0􀆰 730 9
D 柠檬酸铁铵 g / L 0􀆰 3 0􀆰 45 15􀆰 181 25 0􀆰 640 044 0􀆰 482 2
E K2HPO4·3H2O g / L 9􀆰 8 14􀆰 7 16􀆰 946 25 0􀆰 797 521 0􀆰 437 6
F pH 7􀆰 0 7􀆰 5 -38􀆰 458 8 4􀆰 107 572 0􀆰 035 8
G 一水合柠檬酸 g / L 2􀆰 1 4􀆰 2 -24􀆰 062 9 1􀆰 608 02 0􀆰 037 9
H 甜菜碱 g / L 0􀆰 1 0􀆰 4 -4􀆰 976 25 0􀆰 068 77 0􀆰 810 1
  注:表中 R2 = 0􀆰 984 6; Adj R2 = 0􀆰 976 2。
表 2  P B实验设计及结果
Table 2  Design and result of P⁃B experiment
实验组 A B C D E F G H
ρ(α 蒎烯) / (mg·L-1)
实际值 预计值
1 1 -1 1 1 -1 1 1 -1 0􀆰 719 0􀆰 725
2 -1 1 1 -1 1 1 1 -1 1􀆰 213 1􀆰 134
3 1 1 -1 -1 -1 1 -1 1 0􀆰 899 0􀆰 876
4 -1 -1 1 -1 1 1 -1 1 0􀆰 161 0􀆰 137
5 1 -1 1 1 1 -1 -1 1 0􀆰 401 0􀆰 375
6 1 1 -1 1 1 1 -1 -1 0􀆰 477 0􀆰 499
7 1 -1 -1 -1 1 -1 1 -1 0􀆰 171 0􀆰 166
8 -1 1 1 1 -1 -1 -1 -1 0􀆰 797 0􀆰 773
9 -1 -1 -1 -1 -1 -1 -1 -1 0􀆰 505 0􀆰 509
10 1 1 1 -1 -1 -1 1 1 0􀆰 662 0􀆰 681
11 -1 -1 -1 1 -1 1 1 1 0􀆰 249 0􀆰 239
12 -1 1 -1 1 1 -1 1 1 1􀆰 693 1􀆰 710
8 生  物  加  工  过  程    第 12卷 
    利用 Design Expert 7􀆰 0 软件对表 2 中的实验
数据建立多元一次回归模型,得回归方程如下:
Y = - 662􀆰 32 - 137􀆰 62A2 + 198􀆰 19B - 60􀆰 42C +
11􀆰 05D -94􀆰 64E + 281􀆰 96F + 69􀆰 93G - 68􀆰 08。
分析结果见表 1。 由表 1 可知,模型的 P 值
(0􀆰 044 6) <0􀆰 05,说明模型有 4􀆰 46%的可能性被
实验中的噪声影响,该模型结果可靠性较高。 8 种
因素对响应值的影响在 α= 0􀆰 05 的水平差距显著,
其中,一水合柠檬酸、pH 以及牛肉粉 3 种因素对
响应值有重要影响,P 值依次为 0􀆰 037 9、0􀆰 035 8
和0􀆰 029 7,均小于 0􀆰 05,说明 3 种条件均可提高
α 蒎烯产量,特别是牛肉粉和一水合柠檬酸。 牛
肉粉作为有机 N源,增加用量可促进菌体生长,增
加产物合成;另一方面,由于前期菌体生长过盛,
造成发酵液黏度增高,溶氧降低,在发酵后期会抑
制菌体生长,造成菌体提前衰老,导致菌体自溶;
作为一种弱有机酸,一水合柠檬酸可调节发酵培
养基的 pH,起到缓冲培养基 pH 的作用,另外,从
代谢角度考虑,增加一水合柠檬酸用量,可以加快
柠檬酸循环,从而加快乙酰 CoA 的消耗速率,造成
代谢流向 TCA 循环靠拢,导致流向甲羟戊酸
(MVA)途径的乙酰 CoA 减少,从而降低 α 蒎烯
的合成速率。 因此,可通过抑制 TCA的循环速度,
减少代谢流向 TCA循环靠拢,增加流向 MVA的代
谢流,从而提高 α 蒎烯产量。
由表 1 可知,实验涉及的因素对响应值呈正效
应的有:柠檬酸铁铵和 K2HPO4·3H2O;对响应值呈
负效应的因素有:葡萄糖、牛肉粉、pH、MgSO4和一水
合柠檬酸和甜菜碱。 因此,可通过增加呈正效应因
素的用量来增加产量。
2􀆰 2  最陡爬坡实验
根据 P B 实验筛选出的重要因素对响应值
的影响效应及其大小,设计最陡爬坡实验的变化
步长及变化方向,设计及结果见表 3。 由表 3 可
知:3 种因素的最优条件在实验 3 与实验 5 之间,
因此,将实验 4 作为响应面分析实验中心点的实
验条件。
2􀆰 3  关键组分浓度的优化
在 P B实验及最陡爬坡实验基础上确定了 3
个重要影响因素及响应面分析实验的中心点,采用
中心组合设计(CCD)对牛肉粉、一水合柠檬酸以及
pH这 3种对响应值有重要影响的因素进行三因素
五水平(-α、-1、0、1 和 α)的响应面分析实验,实验
设计及结果见表 4和表 5。
表 3  最陡爬坡实验设计及结果
Table 3  Design and results of the path of steepest
ascent experiment
实验组 ρ(一水合柠檬酸) /(g·L-1) pH
ρ(牛肉粉) /
(g·L-1)
ρ(α 蒎烯) /
(mg·L-1)
0 4􀆰 20 7􀆰 5 20 1􀆰 593
1 3􀆰 78 7􀆰 4 18 2􀆰 293
2 3􀆰 36 7􀆰 3 16 3􀆰 656
3 2􀆰 94 7􀆰 2 14 2􀆰 841
4 2􀆰 52 7􀆰 1 12 4􀆰 835
5 2􀆰 10 7􀆰 0 9 2􀆰 196
  注:步长为牛肉粉 2 g / L,pH 0􀆰 1以及一水合柠檬酸 0􀆰 42 g / L。
表 4  因素水平表
Table 4  Factors and levels in central composite design
变量 组分
变量水平
-α -1 0 1 α
A 牛肉粉 8􀆰 6 10 12 14 15􀆰 4
B pH 6􀆰 9 7 7􀆰 1 7􀆰 2 7􀆰 3
C 一水合柠檬酸 1􀆰 8 2􀆰 1 2􀆰 52 2􀆰 94 3􀆰 2
实验中共涉及 20 个试验点,包括 14 个析因点
和零点(重复 6 次来评价实验误差)。 用 Design
Expert 7􀆰 0软件对表 5 的实验数据进行二次多元回
归拟合并建立回归方程,得回归方程如下: Y =
4 840􀆰 77 - 1 363􀆰 59A - 160􀆰 90B - 254􀆰 24C -
275􀆰 87AB - 91􀆰 72AC - 124􀆰 76BC - 327􀆰 98A2 +
938􀆰 72B2 - 168􀆰 34C2,式中 Y 为产物 α 蒎烯的质
量浓度(mg / L)。
对回归方程进行方差分析,分析结果见表 6。
由表 6 可知:3 个因素对产物产量的影响大小顺
序为:牛肉粉、一水合柠檬酸、培养基初始 pH。
模型的 P 值 ( 0􀆰 000 4) < 0􀆰 01,说明模型在 α =
0􀆰 01 水平上差异极显著;失拟项 P = 0􀆰 572 9 >
0􀆰 1,说明选择模型正确;模型的相关系数 R2
(0􀆰 909 9) > 0􀆰 9,表明模型拟合良好。 综上所
述,该模型能够对 α 蒎烯发酵实验进行可信度
较高的预测和分析。
9  第 6期 任  萌等:响应面法优化 α 蒎烯发酵培养基
表 5  中心组合设计及实验结果
Table 5  Design and results of central composite experiment
实验组
变量水平 ρ(α 蒎烯) / (mg·L-1)

ρ(牛肉粉) /
(g·L-1)

pH

ρ(一水合柠檬酸) /
(g·L-1)
实际值 预计值
1 0 0 0 4􀆰 892 4􀆰 871
2 0 0 α 3􀆰 153 3􀆰 197
3 0 0 0 4􀆰 847 4􀆰 871
4 -1 1 -1 7􀆰 017 7􀆰 049
5 -1 -1 1 6􀆰 180 6􀆰 194
6 -1 -1 -1 6􀆰 277 6􀆰 266
7 1 1 -1 3􀆰 750 3􀆰 754
8 α 0 0 1􀆰 952 1􀆰 920
9 0 α 0 6􀆰 296 6􀆰 225
10 0 0 0 4􀆰 838 4􀆰 871
11 1 1 1 2􀆰 786 2􀆰 792
12 1 -1 -1 4􀆰 325 4􀆰 378
13 -1 1 1 6􀆰 209 6􀆰 197
14 0 0 0 4􀆰 804 4􀆰 871
15 1 -1 1 4􀆰 649 4􀆰 635
16 -α  0 0 5􀆰 193 5􀆰 206
17 0 -α  0 7􀆰 014 7􀆰 016
18 0 0 0 4􀆰 893 4􀆰 871
19 0 0 -α  4􀆰 894 4􀆰 892
20 0 0 0 4􀆰 829 4􀆰 871
表 6  中心组合实验结果的方差分析
Table 6  Analysis of variance of central composite experimental results
变量 SS DF MS CE F值 P值 显著性
模型 1 990 590 9 221 176􀆰 7 1 024􀆰 19 11􀆰 217 72 0􀆰 000 4 ∗∗
A 1 158 774 1 1 158 774 -291􀆰 29 58􀆰 771 12 <0􀆰 000 1 ∗∗
B 16 134􀆰 72 1 16 134􀆰 72 -34􀆰 37 0􀆰 818 327 0􀆰 386 9
C 40 283􀆰 69 1 40 283􀆰 69 -54􀆰 31 2􀆰 043 124 0􀆰 033 4 ∗
AB 277 83 1 27 783 -58􀆰 93 1􀆰 409 109 0􀆰 262 6
AC 3 071􀆰 126 1 3 071􀆰 126 -19􀆰 59 0􀆰 155 763 0􀆰 701 4
BC 5 681􀆰 84 1 5 681􀆰 84 -26􀆰 65 0􀆰 288 174 0􀆰 603 1
A2 64 088􀆰 28 1 64 088􀆰 28 -66􀆰 69 3􀆰 250 454 0􀆰 041 6 ∗
B2 599 176􀆰 5 1 599 176􀆰 5 203􀆰 90 30􀆰 389 26 0􀆰 000 3 ∗∗
C2 15 302􀆰 75 1 15 302􀆰 75 -32􀆰 59 0􀆰 776 131 0􀆰 399 0
残差 197 167􀆰 2 10 19 716􀆰 72
缺失度 194 170􀆰 3 5 38 834􀆰 07 64􀆰 791 87 0􀆰 572 9
纯误差 2 996􀆰 832 5 599􀆰 366 4
总变异 2 187 757 19
  注:R2 = 0􀆰 909 9; SS为平方和; DF为自由度; MS为均方; CE为系数预测。 ∗∗表示在 99%置信度下显著;∗表示在 95%置信度下显著。
01 生  物  加  工  过  程    第 12卷 
    利用软件 Design Expert 7􀆰 0对表 5的实验数据
进行响应曲面拟合,结果见图 2。 由图 2可知:pH和牛
肉粉交互作用不显著,牛肉粉用量和一水合柠檬酸用
量、一水合柠檬酸用量与 pH之间交互作用显著。 由软
件对模拟出的响应曲面进行分析,发现回归方程存在
稳定点(极大值点)。 对响应曲面立体图形进行岭嵴分
析(ridge analysis),得到极大值点所对应的各主要因素
预测的实际值分别是:牛肉粉用量、pH和一水合柠檬
酸用量,分别为 10 g / L、7􀆰 2和 2􀆰 16 g / L,此时的响应值
最大,发酵产物 α 蒎烯质量浓度为 7􀆰 078 mg / L。
图 2  牛肉粉、C6H8O7·H2O和 pH响应面分析曲面图
Fig􀆰 2  Response surface plot and contour plots for the effects on the yield of α⁃pinene
2􀆰 4  回归模型验证
用以上确定的主要因素用量配制发酵培养基,
进行 3次平行试验,得到的产物质量浓度平均值是
7􀆰 053 mg / L,和预测值 7􀆰 078 mg / L 高度基本一致
(相似性达 99􀆰 6%),说明响应面分析法可靠性较
高,与实际情况拟合良好。 通过培养基组分的优
化,YJM28发酵的 α 蒎烯产量从 1􀆰 710 mg / L 提高
到 7􀆰 053 mg / L,约提高了 3倍。
3  结  论
采用响应面法对影响菌株 YJM28发酵水平的 8
个因素进行优化,所得结论如下:
1)经过 P B 实验设计法筛选出 3 个影响因
素,牛肉粉、一水合柠檬酸和培养基初始 pH;
2)然后用最陡爬坡实验法接近 3 个重要因素
的最优水平,发现最优水平将出现在牛肉粉 12 g / L,
培养基初始 pH 7􀆰 1,一水合柠檬酸 2􀆰 52 g / L附近;
3)最后用 CCD 设计和响应曲面分析法确定重
要因素的最佳水平,即:牛肉粉 10 g / L,培养基初始
pH 7􀆰 2,一水合柠檬酸 2􀆰 16 g / L;
4)经过上述方法得到最佳发酵培养基条件:牛
肉粉 10 g / L,培养基初始 pH 7􀆰 2,一水合柠檬酸
2􀆰 16 g / L,MgSO4 2 mmol / L,柠檬酸铁铵 0􀆰 45 g / L,
甜菜碱 0􀆰 1 g / L,K2HPO4·3H2O 9􀆰 8 g / L,优化后产
物 α 蒎烯产量从最初的 1􀆰 710 mg / L 提升到 7􀆰 053
mg / L,产量增加了 3倍左右。
结果表明,通过优化菌株 YJM28 发酵培养基,
α 蒎烯产量提升明显,说明响应面法优化 YJM28
发酵培养基方法可行,效果显著,为后续的进一步
优化和放大提供了理论基础。 但是优化后的 α 蒎
烯产量离工业化要求相差甚远,后期可能围绕发酵
条件或者菌株本身开展研究,以进一步提高 α 蒎
烯产量。
参考文献:
[ 1 ]   李凝.α 蒎烯化学性质的应用[ J] .广西化工,2000,29(1):
36⁃38.
[ 2 ]   肖毅,黄红梅,毛丽秋,等.乙酰丙酮氧钒催化氧化 α 蒎烯一
步转化成龙脑烯醛[J] .应用化学,2010,27(11):1273⁃1275.
[ 3 ]   Agrawal R,Joseph R.Bioconversion of alpha pinene to verbenone
by resting cells of Aspergillus niger[J] .Applied Microbiology and
Biotechnology,2000,53(3):335⁃337.
[ 4 ]   曾详文,高兴东,韩嘉,等.α 蒎烯色谱分离方法[ J] .科技信
息,2010(11):29.
[ 5 ]   Meylemans H A,Quintana R L,Harvey B G.Efficient conversion
of pure and mixed terpene feedstocks to high desity fuels [ J] .
Fuels,2012,97:560⁃568.
[ 6 ]   Harvey B G,Wright M E,Quintana R L.High⁃density renewable
fuels based on the selective dimerization of pinenes[ J] . Energy
and Fuels,2010,24(1):267⁃273.
[ 7 ]   邹吉军,张香文,王莅,等.高密度液体碳氢燃料合成及应用
进展[J] .含能燃料,2007,15(4):412⁃415.
[ 8 ]   于静,沈玉龙,王丽红.α 蒎烯臭氧化反应合成蒎酮酸酯[ J] .
11  第 6期 任  萌等:响应面法优化 α 蒎烯发酵培养基
化工进展,2012,31(11):2548⁃2552.
[ 9 ]   刘伟,李凝,吕义浩,等.Fe2O3 V2O5 / Al2O3催化氧化 α 蒎
烯制备桃金娘烯醛的研究[ J] .化工技术与开发,2010,39
(7):1⁃4.
[10]   罗志刚,余林梁,周强,等.从松节油中高效分离 α 蒎烯[ J] .
广东化工,2003(4):61⁃63.
[11]   Yang Jianming, Nie Qingjuan, Ren Meng, et al. Metabolic
engineering of Escherichia coli for the biosynthesis of alpha⁃pinene
[J] .Biotechnology for Biofuels,2013,doi:10. 1186 / 1754⁃6834⁃
6⁃60.
[12]   Michael A P,Mark R W,David C W, et al. cDNA isolation,
functional expression, and characterization of (+)⁃α⁃pinene
synthase and (⁃)⁃α⁃pinene synthase from loblolly pine ( Pinus
taeda): stereocontrol in pinene biosynthesis [ J ] . Archives of
Biochemistry and Biophysics,2003,411(2):267⁃276.
[13]   Li C,Bai J H,Cai Z L. Optimization of a cultural medium for
bacteriocin production by Lactococcus lactis using response surface
methodology[J] .Journal of Biotechnology,2002,93(1):27⁃34.
[14]   Li X Y,Liu Z Q,Chi Z M.Production of phytase by a marine yeast
Kodamaea ohmeri BG3 in an oats medium: optimization by
response surface methodology[ J] .Bioresource Technology,2008,
99:6386⁃6390.
[15]   Yuan L L,Li Y Q,Wang Y,et al.Optimization of critical medium
components using response surface methodology for phenazine⁃1
carboxylic acid production by Pseudomonas sp. M⁃18Q[J] .Journal
of Bioscience and Bioengineering,2008,105(3):232⁃237.
[16]   Jangwook P J,José V M,Joel H C.Multifactorial optimization of
endothelial cell growth using modular synthetic extracellular
matrices[J] .Integrative Biology,2011,3(3):185⁃196.
[17]   Jiang X,Zhang H,Yang J,et al. Induction of gene expression in
bacteria at optimal growth temperatures[J] .Applied Microbiology
and Biotechnology,2013,97(12):5423⁃5431.
[18]   Yang Jianming,Xian Mo,Su Sizheng,et al.Enhancing production
of bio⁃isoprene using hybrid MVA pathway and isoprene synthase
in E.coli[J] .PLoS One,2012,7(4):e33509.
[19]   He Shan, Wang Hongqiang, Wu Bin, et al. Response surface
methodology optimization for fermentation condition for rapid and
efficient accumulation of macrolactin A by marine Bacillus
amyloliquefaciens ESB⁃2[J] .Molecules,2013,18:408⁃417.
[20]   Yang Qiao, Han Wenju, Zhang Wenjun, et al. Identification of a
macrolactin A antibiotic⁃producing aarine Bacillus amyloliquefaciens
JY⁃863 strain and optimization of its fermentation conditions [ J].
Pharmaceutical Technology,2009,16:311⁃315.
[21]   Nel H A,Bauer R,Vandamme E J,et al.Growth optimization of
Pediococcus damnosus NCFB1832 and the influence of pH and
nutrients on the production of pediocin PD⁃1 [ J] . Journal of
Applied Microbiology,2001,91(6):1131⁃1138.
[22]   Zhang Chunhui,Ma Yujiu,Yang Fangxiao,et al. Optimization of
medium composition for butyric acid production by Clostridium
thermobutyricum using response surface methodology[J] .
Bioresource Technology,2009,100:4284⁃4288.
(责任编辑  周晓薇)
21 生  物  加  工  过  程    第 12卷