免费文献传递   相关文献

Operation Strategy Optimization of Glycyrrhiza uralensis Fisch Cell Amplification Culture in a Stirring Bioreactor

甘草细胞放大培养中搅拌式反应器操作策略优化



全 文 :植物科学学报  2015ꎬ 33(6): 867~872
Plant Science Journal
    DOI:10􀆰 11913 / PSJ􀆰 2095 ̄0837􀆰 2015􀆰 60867
甘草细胞放大培养中搅拌式反应器操作策略优化
李雅丽1ꎬ2∗ꎬ 孟婷婷1ꎬ 张小利1ꎬ 付春华2ꎬ 余龙江2
(1􀆰 内蒙古科技大学数理与生物工程学院ꎬ 内蒙古包头 014010ꎻ
2. 华中科技大学生命科学与技术学院ꎬ 资源生物学与生物技术研究所ꎬ 武汉 430074)
摘  要: 为获得甘草细胞在反应器中放大培养的最佳条件ꎬ 在建立稳定的甘草细胞搅拌式生物反应器放大培养体
系的基础上ꎬ 分别以单因素和正交实验获得的数据为样本ꎬ 以细胞净增长生物量为考察指标ꎬ 运用 BP神经网络
耦合遗传算法对反应器操作策略进行优化ꎮ 结果表明ꎬ 接种量 6􀆰4%、 摇床转速 89 r / min、 通气速率 0􀆰1 vvm是
甘草细胞进行反应器培养的最优条件ꎻ 与传统的正交实验方法相比ꎬ 这种基于神经网络耦合遗传算法的优化方
法使反应器中细胞生物量的积累提高了 6􀆰9%ꎮ
关键词: 生物反应器ꎻ 甘草ꎻ 神经网络ꎻ 遗传算法ꎻ 植物细胞培养
中图分类号: Q943􀆰1          文献标识码: A          文章编号: 2095 ̄0837(2015)06 ̄0867 ̄06
      收稿日期: 2015 ̄05 ̄07ꎬ 退修日期: 2015 ̄06 ̄21ꎮ
  基金项目: 国家自然科学基金项目(31460064)ꎻ 内蒙古自治区高等学校“青年科技英才计划” (NJYT ̄15 ̄A08)ꎻ 内蒙古自然科学基
金(2013MS0512)ꎻ 内蒙古自治区高等学校科学研究项目(NJZY13152)ꎮ
  作者简介: 李雅丽(1976-)ꎬ 女ꎬ 内蒙古赤峰人ꎬ 博士ꎬ 教授ꎬ 主要研究方向为植物次生代谢调控(E ̄mail: btliyali@126􀆰 com)ꎮ
  ∗通讯作者(Author for correspondence􀆰 E ̄mail: btliyali@126􀆰 com)ꎮ
Operation Strategy Optimization of Glycyrrhiza uralensis
Fisch Cell Amplification Culture in a Stirring Bioreactor
LI Ya ̄Li1ꎬ2∗ꎬ MENG Ting ̄Ting1ꎬ ZHANG Xiao ̄Li1ꎬ FU Chun ̄Hua2ꎬ YU Long ̄Jiang2
(1. School of Mathematicsꎬ Physics and Biology Engineeringꎬ Inner Mongolia University of Science and Technologyꎬ
Baotouꎬ Inner Mongolia 014010ꎬ Chinaꎻ 2. Institute of Resource Biology and Biotechnologyꎬ College of Life
Science and Technologyꎬ Huazhong University of Science and Technologyꎬ Wuhan 430074ꎬ China)
Abstract: An amplification cultivation system using a stirred tank bioreactor was established to
obtain optimal conditions for licorice cell cultivation. The reactor operation strategy was
optimized using the BP neural network coupling genetic algorithmꎬ cell biomass accumulation
net growth indexꎬ and data from single factor and orthogonal experiments. Results showed that
an inoculum of 6􀆰4%ꎬ shaking speed of 89 r / min and aeration rate of 0􀆰1 vvm were the optimal
culture conditions for Glycyrrhiza uralensis Fisch cells in the bioreactor. Coupling genetic
algorithm optimization based on the neural network was compared with the traditional
orthogonal experimentsꎬ which showed that cell biomass accumulation increased by 6􀆰 9%.
Key words: Bioreactorꎻ Glycyrrhiza uralensis Fischꎻ Neural networkꎻ Genetic algorithmꎻ Plant
cell culture
    甘草(Glycyrrhiza uralensis Fisch)为豆科多年
生草本或半灌木植物ꎬ 是世界上最古老、 应用最广
泛的中草药之一ꎬ 也因其具有特别的甜味被作为食
品添加剂广泛应用于食品行业[1]ꎮ 近年来ꎬ 由于
无序采挖、 生态环境恶化造成甘草主产区野生资源
濒临枯竭[2]ꎮ 利用植物细胞大规模培养生产有用
的次生代谢产物是解决目前部分天然产物资源短缺
的有效途径之一ꎮ 要实现通过药用植物细胞培养生
产天然活性成分的技术由实验室向规模生产的过
渡ꎬ 利用生物反应器培养并逐级放大是必不可少的
关键环节ꎮ 只有经过由摇瓶、 小型反应器到用于生
产的大型生物反应器的逐级放大培养并达到一定的
规模ꎬ 才具有产业化价值ꎮ 目前有关植物细胞培养
能够实现商业化生产天然活性物质的报道很少ꎬ 其
主要原因之一是植物细胞大规模培养体系是一个高
度非线性、 非结构化的复杂系统ꎬ 涉及诸多影响因
素ꎬ 其中发酵条件的选择对细胞生长和产物合成具
有重要的影响[3]ꎮ
由于发酵过程中各因子间的作用复杂ꎬ 仅用传
统的实验设计方法难以获得理想的发酵条件[4]ꎮ
人工神经网络是以前期的实验数据为基础ꎬ 经过有
限次的迭代计算获得一个能够反映实验所得数据之
间内在联系的数学模型ꎬ 根据样本拟合任何非线性
过程ꎬ 为发酵过程的模拟提供可行的方法ꎮ BP
(back propagation)神经网络是目前应用最广泛的
神经网络模型之一ꎬ 它能存贮和学习大量的输入 ̄
输出模式映射关系ꎬ 通过反向传播来不断调整网络
的权值和阈值ꎬ 使网络的误差达到最小ꎮ 遗传算法
(genetic algorithmsꎬ GA)是借鉴生物界自然选择
和群体进化机制形成的一种全局寻优算法ꎬ 是一种
求解复杂系统优化问题的方法ꎮ 通过遗传算法对人
工神经网络模型进行全局性搜索ꎬ 可以获得最佳实
验设计方案ꎮ 有研究表明遗传算法与人工神经网络
耦合在处理发酵培养及条件优化问题上较传统方法
优势明显[5]ꎮ 本研究拟利用人工神经网络耦合遗
传算法实现甘草细胞反应器培养操作策略的优化ꎬ
希望为最优发酵条件的设计提供一种更为准确有效
的方法ꎮ
1  材料与方法
1􀆰 1  材料、 仪器及试剂
实验材料为本实验室诱导得到并连续继代培养
20代以上的甘草细胞ꎮ 反应器培养在搅拌式反应
器(BIOFLO IIIꎬ New Brunswick Scientificꎬ USA)
中进行ꎬ 包括 1个 7􀆰5 L 的玻璃罐体、 4 个不锈钢
挡板、 1个不锈钢加热底盘和 1个 6叶低剪切力平
滑搅拌桨ꎬ 内有温度探测计和灵敏度较高的 pH 电
极和溶氧电极ꎬ 可实时输出反应器系统的温度、
pH值和溶氧ꎻ KQ ̄100DB 型数控超声波清洗器
(昆山市超声仪器有限公司)ꎻ 超纯水仪(湖北睿
普)ꎻ UV ̄1600PC紫外可见分光光度计(上海美谱
达仪器)ꎻ 高压蒸汽灭菌器 YM ̄50(上海三申医疗
器械有限公司)ꎻ 恒温培养箱 ZHWY ̄2102 (上海智
城分析仪器有限公司)ꎻ 冷冻离心机 Thermo (美国
赛默飞世尔公司)ꎮ NAA、 2ꎬ4 ̄D、 6 ̄BA、 TTC 购
自 Sigma公司(USA)ꎻ 其他试剂均为国产分析纯ꎮ
1􀆰 2  实验方法
1􀆰 2􀆰 1  甘草细胞种子液的制备
从已建立的稳定生长的甘草细胞悬浮培养体系
中挑选生长良好、 分散均匀、 甘草悬浮细胞聚集
(细胞聚集体平均直径 1 mm 左右)的悬浮细胞作
为种子细胞ꎬ 采用改良的 MS 培养基 (MS0附加
30 g / L 蔗糖、 0􀆰5 mg / L NAA和 0􀆰5 mg / L 6 ̄BA)
继代培养甘草悬浮细胞 5 ~ 6 d后接入反应器ꎮ
1􀆰 2􀆰 2  反应器培养条件优化
反应器发酵培养条件为: 反应器装入甘草细胞
液 5 Lꎬ 培养温度 25℃ꎬ 分别以接种量 4%、 5%、
6%、 7%ꎬ 搅拌速度 60、 80、 100、 120、 140 r /
minꎬ 通气量 0􀆰05、 0􀆰1、 0􀆰15、 0􀆰2、 0􀆰25 vvm 进
行培养ꎮ 以培养 21 d后细胞净增长生物量为指标ꎬ
对影响发酵过程的主要因素(接种量、 搅拌速度和
通气量)进行单因素实验ꎬ 然后在单因素实验基础
上对接种量、 搅拌速度和通气速率进行 3因素 4水
平正交实验ꎮ 光照周期为 16 h / dꎬ 生长结束后检
测样品的细胞净增长生物量ꎬ 细胞生物量的定量分
析参考杨英等[6ꎬ7]的方法ꎮ
1􀆰 2􀆰 3  基于神经网络与遗传算法的反应器操作策
略优化
    (1)建立 BP神经网络模型
BP神经网络通过选择输入层神经元数、 隐含
层神经元数和输出层神经元数确定网络结构ꎬ 并对
所确定的网络进行训练ꎮ 实验以接种量、 搅拌速度
和通气速率 3个操作参数为模型输入参数ꎬ 以反应
器中甘草细胞生物量积累的净增加量为输出值ꎬ 选
取 20组单因素实验和正交实验的结果(去除明显
不符合条件的结果)作为网络输入ꎬ 用 Matlab.
R2010b编程ꎬ 隐层单元数确定为 10 个ꎬ BP 网络
的拓扑结构为 3 ̄10 ̄1ꎬ 根据 BP 网络模型的输出结
果检测网络的精度ꎬ 并检测网络的泛化能力ꎮ
    (2)利用遗传算法对得到的网络模型寻优
在得到神经网络模型基础上ꎬ 利用遗传算法对
反应器操作条件进行寻优处理ꎮ 实验采用浮点编码
868 植 物 科 学 学 报 第 33卷 
的方式对发酵过程中的接种量、 摇床转速、 通气速
率 3个因素在其各自取值范围内进行模拟推算ꎬ 以
甘草细胞净增长生物量为指标编写 M 文件作为适
应度函数ꎬ 程序通过 Matlab􀆰 R2010b 软件和其附
带的 GA 遗传算法工具箱编写完成ꎮ 遗传算法初始
种群数为 40、 遗传代数最大为 100 代、 交叉概率
0􀆰 6、 变异概率 0􀆰 08ꎬ 其他参数默认ꎮ
1􀆰 2􀆰 4  数据分析
实验数据均为 3次独立实验的平均值ꎬ 用平均
标准偏差表示样品的变异ꎮ 在反应器培养过程中ꎬ
每次取 3 个平行样ꎬ 数据用软件 SPSS 18􀆰 0 进行
统计分析和 ANOVA 单因素方差分析ꎬ 用 LSD 对
数据进行多重比对ꎬ Excel 2003 软件作图ꎮ
2  结果与分析
2􀆰 1  发酵条件单因素实验结果
2􀆰 1􀆰 1  接种量对细胞生长的影响
不同种子细胞液初始接种密度对细胞生长影响
的实验结果显示ꎬ 随着接种密度的增加ꎬ 悬浮细胞
的生长速率呈先升高后略下降的趋势ꎬ 当接种量达
6%时ꎬ 甘草细胞净增长生物量最大ꎬ 为 166􀆰75 g
FW / Lꎮ 由图 1 可以看出ꎬ 接种量为 6%和 7%时ꎬ
甘草细胞净增长显著高于接种量为 4%和 5%时的
c
b
a a
0
30
60
90
120
150
180
4% 5% 6% 7%
!"#$ Inoculation density
%
&

(
)
*
(
)
g
FW
/L
N
et
b
io
m
as
s
a、 b、 c表示在 0􀆰05水平上的差异显著性ꎮ 下同ꎮ
aꎬ b and c represent significant differences at the 0􀆰 05 level.
Same below.
图 1  不同初始接种密度对反应器中甘草细胞生长的影响
Fig􀆰 1  Influence of initial inoculum size on Glycyrrhiza
uralensis cell growth in the bioreactor
净增长ꎮ 不同初始接种密度对反应器中甘草细胞生
物量积累的方差分析结果见表 1ꎮ
2􀆰 1􀆰 2  搅拌速度对细胞生长的影响
实验结果显示ꎬ 不同搅拌速度对细胞生长的影
响不同ꎮ 随着搅拌速度的增加ꎬ 悬浮细胞的生长速
率也表现为先升高后降低的趋势ꎮ 当搅拌速度为
100 r / min时甘草细胞生长速率达到最大ꎬ 搅拌速
度继续增大ꎬ 生长速率反而下降ꎬ 可能是流体剪切
力过大的缘故(图 2)ꎮ 不同搅拌速度对反应器中甘
草细胞生物量积累的方差分析结果见表 1ꎮ
表 1  不同初始接种密度、 搅拌速度和通气速率对反应器中甘草细胞生物量积累的方差分析
Table 1  One ̄way ANOVA of Glycyrrhiza uralensis cell net biomass at different
initial inoculum sizeꎬ stirring speed and ventilation rate in the bioreactor
差异源
Sources of variation
平方和
Sum of squares
自由度
df
均方
Mean square
F值
F value
P值
P value
F临界值
F crit
接种密度间
Between inoculation density 7827.423 3 2609.141 110.9663 5.12 × 10
-9 3.490295
接种密度内
Within inoculation density 282.155 12 23.51292
合计  Total 8109.578 15
搅拌速度间
Between stirring speed 13602.48 4 3400.621 58.75464 5.52 × 10
-9 3.055568
搅拌速度内
Within stirring speed 868.175 15 57.87833
合计  Total 14470.66 19
通气速率间
Between ventilation rate 3851.097 4 962.7743 17.0283 1.89 × 10
-5 3.055568
通气速率内
Within ventilation rate 848.095 15 56.53967
合计  Total 4699.192 19
968  第 6期                    李雅丽等: 甘草细胞放大培养中搅拌式反应器操作策略优化
c
b
a
a
c
0
30
60
90
120
150
180
210
60 80 100 120 140
!" ( )r / min
Agitation
#
$
%
&

(
N
et
b
io
m
as
s
(
)
g
FW
/L
图 2  不同搅拌速度对反应器中甘草细胞生长的影响
Fig􀆰 2  Influence of different stirring speeds on
Glycyrrhiza uralensis cell
growth in the bioreactor
2􀆰 1􀆰 3  通气量对细胞生长的影响
实验结果表明ꎬ 通气速率对甘草细胞在反应
器中生长的影响显著 (图 3)ꎮ 在较低通气速率
(0􀆰 05 vvm)下ꎬ 细胞生长状态较差ꎮ 当通气速率
达到 0􀆰1 vvm 时ꎬ 净增长生物量达到最大值ꎬ 此
时反应器中甘草细胞生长最好ꎬ 表明 0􀆰1 vvm 通
气速率能够提供细胞生长代谢所需的 O2ꎮ 当通气
速率超过 0􀆰15 vvm 时ꎬ 会产生较大的湍流ꎬ 过量
的泡沫会覆盖在培养基表面ꎬ 产生“逃液”等副作
用ꎮ 不同通气速率对反应器中甘草细胞生物量积累
的方差分析结果见表 1ꎮ
a a
a ab
b
0
30
60
90
120
150
180
210
0.05 0.1 0.15 0.2 0.25
!"#$ ( )vvm
Ventilation rate
%
&

(
)
*
N
et
b
io
m
as
s
(
)
g
FW
/L
图 3  不同通气速率对反应器中甘草
细胞生长的影响
Fig􀆰 3  Influence of ventilation rate on Glycyrrhiza
uralensis cell growth in the bioreactor
2􀆰 2  甘草细胞反应器正交实验
在单因素实验基础上ꎬ 对接种量、 搅拌速度和
通气速率进行了 3因素 4水平的正交实验ꎬ 以培养
18 d的细胞净增加生物量作为考察指标ꎬ 实验结
果见表 2ꎮ
表 2  L9(34)正交实验结果
Table 2  Results and analysis of L9(34) orthogonal test
试验号
Test
number
因素  Factors
接种密度
Inoculum
size
(g FW / 100 mL)
搅拌速度
Stirring
speed
( r / min)
通气速率
Ventilation
rate
(vvm)
净增加
生物量
Net biomass
(g FW / L)
1 4% 60 0.05 112.5
2 4% 80 0.1 154.6
3 4% 100 0.15 135.2
4 4% 120 0.2 116.9
5 5% 60 0.1 163.8
6 5% 80 0.05 171.2
7 5% 100 0.2 162.4
8 5% 120 0.15 168.3
9 6% 60 0.15 172.4
10 6% 80 0.2 196.3
11 6% 100 0.05 188.9
12 6% 120 0.1 182.4
13 7% 60 0.2 184.6
14 7% 80 0.15 190.2
15 7% 100 0.1 187.2
16 7% 120 0.05 175.5
K1 519.2 633.3 648.1
K2 665.7 712.3 688
K3 740 673.7 666.1
K4 737.5 643.1 660.2
R 218.3 79 39.9
    注: K1~ K4表示 3个因素分别在各水平上所对应的细胞净增
长生物量之和ꎻ R表示极差ꎮ
Notes: K1- K4ꎬ sum of net cell biomass growth in three fac ̄
tors corresponding to four levelsꎬ respectivelyꎻ Rꎬ
range.
由表 2可以看出ꎬ 各因素对甘草细胞生物量积
累的影响顺序为: 接种密度> 搅拌速度> 通气速
率ꎬ 其中接种密度对甘草细胞在反应器中的生长有
显著影响ꎬ 通气速率、 搅拌速度的影响相对较小ꎮ
根据正交实验的结果确定最优的组合条件为: 接种
量 6%、 搅拌速度 80 r / min、 通气速率0􀆰 1 vvmꎮ
在此条件下进行甘草细胞反应器发酵培养ꎬ 细胞净
增长生物量的最大值为 212􀆰3 g FW / Lꎮ
2􀆰 3  遗传算法与神经网络训练
2􀆰 3􀆰 1  BP神经网络模型训练
选取 20组单因素实验和正交实验的结果作为
网络输入ꎬ 用Matlab􀆰R2010b编程ꎬ 采用 BP网络
结构ꎬ 隐层单元数为 10 个ꎬ BP 网络的拓扑结构
为 3 ̄10 ̄1ꎬ 各层的传递函数分别为 tansig 和 pure ̄
linꎬ 训练函数为 trainlmꎬ 目标误差为 0􀆰0004ꎬ 训
练 60次以后ꎬ 误差接近于零ꎬ 网络性能基本达到
078 植 物 科 学 学 报 第 33卷 
设定要求(图 4)ꎮ 为了更准确地测试网络的性能ꎬ
必须从训练样本以外的数据样本中选取测试样本ꎮ
因此ꎬ 选择实验数据中没有进行训练的 3组样本点
以外的实验点验证网络性能ꎬ 代入神经网络模型中
进行测试ꎬ 结果相对误差均小于 5%ꎬ 证明该网络
模型具有较好的泛化能力ꎮ 在已知接种量、 搅拌速
度和反应器通气速率的前提下ꎬ 预测得出细胞生物
量的积累量(表 3)ꎮ
100
10-1
10-2
10-3
10-4
0 10 20 30 40 50 60 70
!"#$ Training times
%
&
Er
ro
r
图 4  BP神经网络模型的误差下降曲线
Fig􀆰 4  Error drop curve of BP network model
表 3  BP神经网络拟合效果
Table 3  Matching effect of BP neural network
真实值
Actual value
(g FW / L)
预测值
Predicted value
(g FW / L)
相对误差
Relative error
(%)
168.7 175.6 4.1
172.6 169.3 -1.9
172.7 180.1 4.8
2􀆰 3􀆰 2  利用遗传算法对得到的网络模型寻优
在 Matlab􀆰R2010b 平台上ꎬ 以甘草细胞净增
长生物量为指标编写的 M 文件作为适应度函数ꎬ
遗传算法初始种群数为 40ꎬ 遗传代数为 100 代ꎬ
交叉概率 0􀆰6ꎬ 变异概率 0􀆰08ꎬ 经过 61 代的遗传
优化ꎬ 适应度趋于稳定ꎬ 得出最佳条件为: 接种量
6􀆰4%、 搅拌速度 89 r / min、 通气速率 0􀆰1 vvmꎮ
在此条件下对甘草细胞进行反应器培养ꎬ 细胞净增
长生物量达到 227􀆰1 g FW / Lꎬ 与正交实验优化条
件相比ꎬ 反应器中细胞的生物量积累提高了
6􀆰9%ꎮ
3  讨论
目前ꎬ 神经网络耦合遗传算法在工程领域的应
用较多ꎬ 在发酵过程优化中也显示出很好的应用前
景[8-10]ꎮ 郭慧慧[11]基于 BP 神经网络与遗传算法
对苏云金芽胞杆菌(Bacillus thuringiensis)发酵条
件进行优化ꎬ 利用寻得的最佳发酵培养基培养的菌
株产孢量为 6􀆰3 × 108 / mLꎬ 与响应面优化的结果
相比提高了 7􀆰7%ꎮ 陆震鸣等[12]分别采用人工神经
网络和响应面法对樟芝(Antrodia camphorata)发
酵过程进行建模ꎬ 同时采用遗传算法优化发酵培养
基组成ꎬ 结果表明人工神经网络模型比响应面模型
具有更好的实验数据拟合能力和预测能力ꎮ 本研究
以细胞接种密度、 反应器搅拌速度与通气速率为考
察因素ꎬ 以单因素实验和正交实验所得数据为样
本ꎬ 建立了甘草细胞反应器培养操作条件与细胞生
物量积累之间对应关系的 BP 神经网络模型ꎬ 并运
用遗传算法对建立的模型进行寻优ꎬ 得到了反应器
中细胞生长的最佳条件ꎮ 经验证ꎬ 与传统的正交优
化方法所得结果对比细胞的生物量积累提高了
6􀆰9%ꎬ 表明人工神经网络与遗传算法能有效地应
用于发酵培养基优化中ꎬ 相对于一些常规优化法其
具有准确度高、 预测性能好的特点ꎬ 不仅能有效提
高生物量ꎬ 还大大减少了繁琐的实验工作量、 缩短
了研究周期ꎮ 本研究也为优化其他植物细胞培养等
复杂的非线性发酵过程提供了借鉴方法[13]ꎮ
参考文献:
[ 1 ]   Zhang QYꎬ Ye M. Chemical analysis of the Chi ̄
nese herbal medicine Gan ̄Cao ( licorice) [ J] .
Chromatogrꎬ 2009ꎬ 1216 (11): 1954-1969.
[ 2 ]   董静洲ꎬ 易自力ꎬ 蒋建雄. 我国药用植物资源研究概
况[J] . 医学研究杂志ꎬ 2006ꎬ 35(1): 67-69.
[ 3 ]   Kelly Wꎬ Gigas B. Using CFD to predict the be ̄
havior of power law fluids near axial ̄flow impellers
operating in the transitional flow regime[J] . Chem
Eng Sciꎬ 2003ꎬ 58(10): 2141-2152.
[ 4 ]   Mousa NAꎬ Siaguru Pꎬ Wiryowidagdo Sꎬ Wagih
ME. Establishment of regenerative callus and cell
suspension system of licorice ( Glycyrrhiza gla ̄
bra) for the production of the sweetener glycyrrhi ̄
zinin vitro[J] . Sugar Techꎬ 2007ꎬ 9(1): 72-82.
[ 5 ]   Nagata Yꎬ Chu KH. Optimization of a fermentation
medium using neural networks and genetic algo ̄
rithms[J] . Biotechnol Lettꎬ 2003ꎬ 25(21): 1837-
178  第 6期                    李雅丽等: 甘草细胞放大培养中搅拌式反应器操作策略优化
1842.
[ 6 ]   杨英. 甘草细胞培养合成甘草黄酮及其调控研究
[D] . 武汉: 华中科技大学ꎬ 2007.
[ 7 ]   Yang Yꎬ He Fꎬ Yu LJ. Dynamics analyses of nutri ̄
ents consumption and flavonoids accumulation in
cell suspension culture of Glycyrrhiza inflata[ J] .
Biologia Plantarumꎬ 2008ꎬ 52(4): 732-734.
[ 8 ]   王莹ꎬ 仇宏伟. 基于神经网络和遗传算法的岩藻多糖
酶发酵培养基优化[J] . 青岛农业大学学报: 自然
科学版ꎬ 2014ꎬ 31(2): 131-135.
[ 9 ]   周勇ꎬ 郑毅ꎬ 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ꎬ 2013ꎬ 33(9): 73-78.
[10]   Luo JFꎬ Lin WTꎬ Cai XLꎬ Li JY. Optimization of fer ̄
mentation media for enhancing nitrite ̄oxidizing ac ̄
tivity by artificial neural network coupling genetic
algorithm[J] . Chin J Chem Engꎬ 2012ꎬ 20(5):
950-957.
[11]   郭慧慧. 基于 BP 神经网络与遗传算法的苏云金芽
胞杆菌发酵优化[J] . 生物技术进展ꎬ 2013ꎬ 3(2):
137-139.
[12]   陆震鸣ꎬ 何喆ꎬ 许泓瑜ꎬ 史劲松ꎬ 许正宏. 基于人工
神经网络-遗传算法的樟芝发酵培养基优化[J] . 生
物工程学报ꎬ 2011ꎬ 27(12): 1773-1779.
[13]   高爱同ꎬ 毕珂ꎬ 齐育平ꎬ 蒋冬花. BP 神经网络和遗
传算法在乳酸菌发酵参数优化中的应用[J] . 应用
与环境生物学报ꎬ 2014ꎬ 20(1): 112-116.
(责任编辑: 张 平)
278 植 物 科 学 学 报 第 33卷