Marco Galardini 7 Giugno 2007

Soft Computing

Biotecnologia industrialeI microrganismi sono utilizzati da sempre per la produzione

di prodotti utili all’uomo (pane, vino, birra), ignorando la loro presenza.

A partire dal XIX secolo grazie agli studi di Koch, Pasteur e Vinogradiskij, è stato possibile l’isolamento e lo studio dei microrganismi.

Attualmente un gran numero di prodotti industriali sono prodotti su larga scala con l’ausilio dei microrganismi.

Vengono anche utilizzati in processi di risanamento delle acque, dei suoli e dell’aria inquinata.

Prodotti di fermentazione• Prodotti chimici (acido citrico)

• Alcol (etanolo)

• Additivi alimentari (aminoacidi)

• Antibiotici (penicillina)

• Prodotti farmaceutici (insulina)

• Enzimi (glucosio isomerasi)

• Cellule (lievito)

Perché la produzione sia conveniente è necessario:• Produrre in quantità elevata (impianti di grande

dimensione)• La materia prima sia poco costosa (prodotti di scarto)• La resa sia elevata• Il prodotto sia facilmente separabile dal resto del brodo

Coltura batch• La coltura in batch è un sistema chiuso• All'inizio della coltura vengono forniti tutti i nutrienti

necessari alla crescita cellulare.• La coltura in batch è un sistema vantaggioso per

ottenere rapidamente un'alta quantità di biomassa.

Coltura continua• La coltura in continuo è un sistema aperto, in cui nuovo

terreno di coltura è immesso costantemente, mentre quello che si è esaurito è eliminato.

• Produzione di biomassa costante nel tempo.• assenza di tempi morti.• possibile di controllare il processo regolando i flussi.

• La lunga durata del processo può portare a contaminazione.

• Le numerose divisioni cellulari possono portare all'accumulo di mutazioni nelle cellule.

Coltura fed batch• E’ un sistema aperto solo in entrata, ma non in uscita

(volume variabile).• La biomassa aumenta in proporzione ai nutrienti forniti,

fino a che la crescita non viene inibita (prodotti di scarto, assenza di ossigeno).

• Tecnica che consente il recupero della biomassa.

Complicazioni

I fattori da controllare sono molti:• Flusso di nutrienti / produttività / aerazione / agitazione• Bisogna garantire la sterilità• Controllo temperatura

In base al microrganismo usato ho diverse condizioni ottimali e un diverso comportamento

ogni microrganismo ha un diverso modello di crescita

questi modelli sono spesso complessi e non lineari

Bubble columnEsempio:

In questo tipo di reattori bisogna misurare il diametro medio delle bolle per determinare se l’agitazione è corretta!

Colture di fototrofi

Esempio:

Nel caso dei fototrofi è necessario controllare anche la quantità di luce e l’agitazione in modo che tutta la coltura sia illuminata

Ma bisogna impedire che troppa luce inibisca la crescita

Mass transferEsempio:

La concentrazione dei nutrienti e dell’ossigeno che arrivano alla cellula non è la stessa del brodo di coltura

• Bisogna considerare la diffusione attraverso i diversi film intorno al microrganismo (possono essere anche 8!)

Modelli matematici per il fed-batchEsempio:

Per descrivere la crescita del lievito in una coltura fed-batch vengono utilizzate 6 equazioni differenziali

Le varie variabili comprendono:

•[glucosio], [O2], [CO2], [etanolo].

•Feed-rate (flusso di nutrienti)

•Velocità di consumo del glucosio

•Coefficienti di mass transfer

•Altri

L’incognita è la biomassa

• Il calcolo delle 6 equazioni differenziali è “costoso”• Necessario conoscere molte variabili• Ogni microrganismo ha il suo modello di crescita

Soft computing:

• Fuzzy logic

• Neural network

Artificial Neural networkL’unità fondamentale del neural network è il neurone.

Esso riceve dati in ingresso che vengono elaborati in vario modo e “filtrati” tramite dei pesi.

L’informazione viene trasmessa ai neuroni successivi solo se viene superata una certa soglia di attivazione.

I pesi nei neuroni sono ottenuti tramite addestramento.

Vari tipi di reti

(feedforward, recurrent, modular, associative)

Vari tipi di apprendimento

(supervised, unsupervised, reinforcement)

Utilizzi:• Mancanza di modelli matematici• Dati potenzialmente errati• Data mining• Bioinformatica

Artificial Neural networkE’ possibile sfruttare la capacità dei neural network di

costruire un modello a partire dai dati sperimentali.

Non presuppone di conoscere il modello di crescita o tutte le variabili del pocesso.

Il primo scopo del lavoro è quindi sviluppare un neural network che predica la biomassa prodotta solo sulla base del feed-rate.

Architettura del neural networkNetwork “recurrent” e “dynamic” (il network è capace di considerare

l’andamento temporale del processo)

Input primo blocco: feed-rate, volume

Output primo blocco: [O2]

Input secondo blocco: [O2], feed-rate, volume

Output secondo blocco: biomassa

Funzione d’attivazionePesi Input del network Deviazione del neuroneOutput del second hidden layerOutput del first hidden layer

Gli altri due tipi di neuroni hanno lo stesso tipo di comportamento; l’ultimo produce come risultato la biomassa

Peso Deviazione del neurone

Simulazione del processoPer il processo di apprendimento del network sono stati utilizzati dati

generati con il modello matematico, utilizzando 5 differenti profili di

feed-rate.

Square Saw

Industrial Stair-shaped

Training del networkAlgoritmo LMBP (efficiente)

Training data / validation data (2 profili di feed-rate diversi)

Viene misurato l’errore sulla biomassa Quando l’errore inizia a salire, viene interrotto l’apprendimento e utilizzati i pesi e

le deviazioni del minimo

Due strategie:• Training separato• Training unito

Testati più network, ognuno con un diverso numero di neuroni e di delays

Per ogni struttura sono testati 50 network

First hidden layer: 12 neuroni Second hidden/output layer: 1 neuroneThird hidden layer: 10 neuroni

Predizione della biomassa

L’errore è massimo all’inizio del processo ma rimane sempre al di sotto dell’8%.

Ottimizzazione del feed rateIl secondo obbiettivo dello studio è quello di ottimizzare il

feed-rate ed ottenere quello che massimizza la quantità finale di biomassa

Utilizzo un algoritmo genetico

modello matematico

modello ricavato dal neural network

Algoritmi geneticiSfruttano i meccanismi naturali della genetica per arrivare alla soluzione di un problema

• Popolazione iniziale di individui (soluzioni) random• Valutazione della fitness (costo) delle soluzioni• Selezione delle soluzioni e operazioni di mutazione e crossing-over• Generazione delle popolazioni successive

Ottimizzazione del feed rate• La popolazione in questo caso è un vettore con n=150.• Ogni posizione del vettore è un valore del feed-rate ad un

determinato punto del processo.

• Il costo è determinato a partire dalla biomassa finale prodotta

• L’algoritmo è modificato per compensare le fluttuazioni e per rendere più “liscio” l’andamento del feed-rate

Ottimizzazione del feed rate

Modello

matematico

Modello

neural network

La quantità finale di biomassa è pressochè identica

Verifica sperimentaleIl metodo sviluppato viene testato in un piccolo reattore

Le prime nove run servono per creare il neural network

Nell’ultima utilizzo il modello del neural network ed ottengo il miglior feed-rate con l’algoritmo genetico

Il tempo per la fermentazione è ridotto di 4 ore e la biomassa è superiore rispetto a quella ottenuta con i feed-rate tradizionali

ConclusioniIl soft computing permette di coltivare con buone rese i microrganismi anche senza conoscerne il modello di crescita

E’ possibile immaginare un applicazione di queste tecniche a microrganismi poco noti che producono prodotti particolari, spesso utili nella medicina (prodotti farmaceutici) o nella chimica dei materiali (bioplastiche)

L’interazione fra l’algoritmo genetico e il neural network va comunque migliorata

-Fine-