بهینه سازی تولید پروتئین های نوترکیب با الگوریتم های یادگیری ماشین

در این پژوهش، یک چارچوب هوشمند مبتنی بر الگوریتم های یادگیری ماشین با هدف بهینه سازی فرآیند تولید پروتئین های نوترکیب ارائه شده است. در این چارچوب، داده های مرتبط با شرایط کشت (مانند دما، pH، زمان القا و ترکیب محیط)، ویژگی های ژنتیکی (از جمله نوع میزبان، پلاسمید و پروموتر)، پارامترهای تخمیر (نرخ هوادهی، سرعت هم زدن، غلظت سوبسترا) و روش های القای بیان جمع آوری شدند. پس از انجام مراحل پیش پردازش داده ها شامل پاک سازی، نرمال سازی و انتخاب ویژگی های موثر، مدل های یادگیری ماشین شامل Random Forest، Support Vector Machine و XGBoost برای پیش بینی بازده تولید پروتئین آموزش داده شدند.نتایج حاصل از مقایسه عملکرد مدل ها نشان داد که الگوریتم XGBoost با کمترین میزان خطای پیش بینی و بالاترین دقت، عملکرد برتری نسبت به سایر الگوریتم ها دارد. این مدل به دلیل توانایی بالا در مدل سازی روابط غیرخطی و شناسایی متغیرهای کلیدی، قادر است تاثیر پارامترهای مختلف فرآیندی و زیستی را به صورت همزمان تحلیل کرده و ترکیب بهینه ای از شرایط عملیاتی را پیشنهاد دهد. علاوه بر این، تحلیل اهمیت ویژگی ها در مدل XGBoost امکان شناسایی عوامل بحرانی موثر بر بازده بیان پروتئین را فراهم می کند که می تواند به طراحی آزمایش های هدفمند و کاهش تعداد آزمایش های پرهزینه کمک نماید.در مجموع، نتایج این پژوهش نشان می دهد که به کارگیری الگوریتم های یادگیری ماشین، به ویژه XGBoost، می تواند به عنوان یک ابزار تصمیم یار قدرتمند در بهینه سازی تولید پروتئین های نوترکیب مورد استفاده قرار گیرد. این رویکرد ضمن افزایش بازده تولید و کاهش هزینه ها، زمینه ساز توسعه سیستم های زیست فناورانه هوشمند و حرکت به سوی کنترل و بهینه سازی بلادرنگ بیوراکتورها خواهد بود. پیشنهاد می شود در پژوهش های آتی، از داده های بلادرنگ بیوراکتور و الگوریتم های یادگیری تقویتی برای دستیابی به بهینه سازی پویا و تطبیقی فرآیند تولید پروتئین های نوترکیب استفاده شود.

کلیدواژه ها:

پروتئین نوترکیب ، یادگیری ماشین ، XGBoost ، بهینه سازی فرایند ، زیست فناوری ، تخمیر