फार्मेसी और फार्मास्युटिकल रिसर्च जर्नल खुला एक्सेस

अमूर्त

प्रतिक्रिया सतह पद्धति और कृत्रिम बुद्धिमत्ता दृष्टिकोण का उपयोग करके ग्लाइकोलिपोपेप्टाइड उत्पादन के लिए किण्वन स्थितियों का मॉडलिंग और अनुकूलन

मौरिस जी एकपेनयोंग

समस्या का विवरण: स्यूडोमोनास एरुगिनोसा स्ट्रेन IKW1 ने सूरजमुखी तेल-बेसल माध्यम में उगाए जाने पर बायोसर्फैक्टेंट का उत्पादन किया। सक्रिय यौगिक ने किण्वन शोरबा के पृष्ठ तनाव को 20.80 mg/L की महत्वपूर्ण मिसेल सांद्रता पर 24.62 dynes/cm तक कम कर दिया। इसे उच्च प्रदर्शन तरल क्रोमैटोग्राफी और फूरियर ट्रांसफॉर्म इंफ्रारेड स्पेक्ट्रोमेट्री द्वारा ग्लाइकोलिपोपेप्टाइड के रूप में पहचाना गया था। इसने काफी पायसीकरण और झाग बनाने की क्षमता का प्रदर्शन किया, जो दवा और डिटर्जेंट फॉर्मूलेशन में अनुप्रयोगों के लिए उपयुक्तता का सुझाव देता है। हालाँकि, उत्पाद की उपज कम थी, जिससे अनुशंसित अनुप्रयोगों के लिए बड़े पैमाने पर उत्पादन अव्यवहारिक हो गया। कई शोधकर्ताओं ने रणनीतिक माध्यम अनुकूलन दृष्टिकोणों द्वारा उपज में सुधार की सूचना दी है। पहले, हमने प्रमुख पोषक तत्वों के अनुकूलन के लिए प्रतिक्रिया सतह पद्धति (RSM) को अपनाया और सराहनीय उपज वृद्धि दर्ज की। बाद में, हमने ट्रेस पोषक तत्वों की जांच और अनुकूलन के लिए प्लैकेट-बर्मन डिज़ाइन (PBD) और RSM को नियोजित किया और महत्वपूर्ण उपज सुधार प्राप्त किया। हालाँकि, शोध रिपोर्ट संकेत देती है कि कृत्रिम तंत्रिका नेटवर्क (ANN) एक बेहतर अनुकूलन दृष्टिकोण है। कार्यप्रणाली और सैद्धांतिक अभिविन्यास: इस अध्ययन में, हमने RSM का उपयोग करके किण्वन की स्थितियों जैसे तापमान, pH, हलचल और अवधि को अनुकूलित किया, और परिणामों की तुलना आनुवंशिक एल्गोरिथ्म (ANN-GA) और कण झुंड अनुकूलन (ANN-PSO) से जुड़े ANN के साथ प्राप्त परिणामों से की। निष्कर्ष: हमारे परिणामों से पता चला कि RSM के एक द्विघात फ़ंक्शन द्वारा अनुमानित बायोसर्फेक्टेंट प्रतिक्रिया मॉडल महत्वपूर्ण था (P<0.0001; समायोजित R2=0.9911; RMSE=0.034), तापमान-32�C, pH-7.6, हलचल गति-130 rpm और किण्वन समय-66 h पर कारक स्तर निर्धारित करना। अधिकतम ग्लाइकोलिपोपेप्टाइड सांद्रता 107.19 ग्राम/लीटर थी, जिसकी उपज (Yp/x) 4.24 थी। एएनएन-जीए (आर2=0.9997; आरएमएसई=0.055) और एएनएन-पीएसओ (आर2=0.9914, आरएमएसई=0.047) से तुलनात्मक परिणाम दर्शाते हैं कि मॉडल और अनुकूलित कारक सेटिंग्स आरएसएम के साथ प्राप्त की गई सेटिंग्स से महत्वपूर्ण रूप से भिन्न नहीं थीं (पी>0.05)। निष्कर्ष और महत्व: इससे पता चलता है कि आरएसएम, जब सावधानीपूर्वक निष्पादित किया जाता है, तो न्यूरल नेटवर्क विधियों की तरह ही एक अच्छा मॉडलिंग और अनुकूलन उपकरण हो सकता है।