在微生物的发酵技术研究中，高效的发酵条件优化方法是近年来的研究热点和难点。目前，应用得较多的方法是正交试验设计法和响应面设计法，但它们需要较多的试验次数，效率较低，因此，不能广泛应用于工业发酵条件的优化上。如何减少发酵条件优化所需的实验次数，提高优化效率，成为优化方法发展的关键。在此基础上，方开泰教授提出了均匀设计方法，能显著减少试验次数，但是相应的优化精度下降。

　　中国科学院成都生物研究所谭红课题组将计算机人工智能技术与统计学方法相结合，提出了基于均匀设计的人工神经网络优化方法，并成功应用于伊枯草菌素A的发酵条件优化，伊枯草菌素A的产量提高34.6%。研究表明，与均匀设计方法相比，在对发酵条件的优化上，人工神经网络能够建立更加精确的模型，并且具有更佳的拟合能力、预测能力和泛化能力。同时，当神经网络与遗传算法连用时，神经网络方法同样能高效地进行因素的敏感性分析，但是却比均匀设计方法具有更好的优化精度。

　　该研究提出的基于均匀设计的神经网络方法，具有较少的试验次数需求和更高的优化精度，能极大地降低发酵优化研究成本，提高效率。这是首次将该方法应用于微生物发酵条件优化研究。

　　该研究受国家支撑项目资助。

　　文章链接