کاربرد تکنیک های هوش مصنوعی در بهینه سازی پارامترهای موثر بر فرآیندهای بیوتکنولوژی

فرآیندهای بیوتکنولوژی به دلیل ماهیت غیرخطی، پیچیدگی ذاتی و تعاملات چندگانه میان پارامترها، با چالش بزرگی در بهینه سازی مواجه هستند. روش های سنتی مانند روش سطح پاسخ اگرچه در شرایط ساده کارآمدند، اما در فضای چندبعدی و رفتارهای غیرخطی سامانه های زیستی به شدت محدود می شوند. پژوهش حاضر با هدف بررسی کاربرد تکنیک های هوش مصنوعی در بهینه سازی پارامترهای موثر بر فرآیندهای بیوتکنولوژی انجام شد. این مطالعه با رویکرد ترکیبی شامل مرور نظام مند ۱۰۷ مقاله و شبیه سازی عددی انجام گردید. چهار الگوریتم هوش مصنوعی شامل شبکه عصبی مصنوعی، جنگل تصادفی، ماشین بردار پشتیبان و الگوریتم ژنتیک بر روی یک مجموعه داده فرضی ۲۰۰ نمونه ای (شش پارامتر ورودی و دو خروجی) ارزیابی شدند. نتایج نشان داد شبکه عصبی مصنوعی با ضریب تعیین ۰.۹۲۴ بهترین عملکرد را در پیش بینی بازده محصول داشت و نسبت به روش سطح پاسخ (۰.۷۸۳) برتری آشکاری نشان داد. الگوریتم ژنتیک با بهره گیری از مدل عصبی به عنوان جانشین، ترکیب بهینه پارامترها را شناسایی کرد که بازده محصول را از ۱۴.۶ به ۲۳.۷ گرم بر لیتر (بهبود ۶۲.۳ درصدی) رساند. تحلیل حساسیت نشان داد غلظت منبع کربن و سرعت اختلاط حساسترین پارامترها هستند. رویکرد ترکیبی شبکه عصبی-الگوریتم ژنتیک در قیاس با روش سطح پاسخ، بهبود ۲۸.۸ درصدی بازده و کاهش ۷۵ تا ۸۵ درصدی تعداد آزمایش های مورد نیاز را به ارمغان آورد. نتیجه گیری می شود که رویکرد ترکیبی هوش مصنوعی ابزاری کارآمد، کم هزینه و قابل اعتماد برای بهینه سازی فرآیندهای بیوتکنولوژی است که می تواند تعداد آزمایش ها را به طور چشمگیری کاهش دهد و بازده را به میزان قابل توجهی افزایش بخشد. پیشنهاد می شود پژوهش های آتی بر اعتبارسنجی رویکرد با داده های واقعی صنعتی و توسعه مدل های پویا متمرکز شوند.

کلیدواژه ها:

هوش مصنوعی ، بهینه سازی فرآیند ، بیوتکنولوژی ، شبکه عصبی مصنوعی ، الگوریتم ژنتیک.