專利名稱:一種在線檢測固態生物質生物轉化過程的方法
技術領域:
本發明涉及儀器分析領域,特別涉及一種非破壞性、在線測定固態生物質生 物轉化過程中基質和產物含量的方法。
背景技術:
在生物質的轉化過程中,生物轉化由于其對環境的友好性而成為研究熱點。 生物質的生物轉化主要包括微生物發酵(主要是固態發酵)和酶解。傳統的固態 發酵和現代固態發酵的底物基本上以農副產品為主,常用的發酵基質包括玉米秸 稈、小麥秸稈、水稻秸稈、麩皮、稻殼、玉米芯、玉米、小米、大豆、甘蔗渣、 木薯等。從來源分析,秸稈類生物質理所當然地是固態發酵的主要底物,尤其是 固態發酵生產的大宗產品,如燃料乙醇,生物柴油等。培養基的差異決定了發酵
過程眾多參數的測定差異,許多參數的測定不能套用液體發酵方法,如生物量, 在液體發酵時只需離心過程就可將菌體從發酵液中分離出來,而固態發酵中生物
量的測定就相當麻煩。固態發酵的生物量測定一般采用間接的測定方法,比如氨 基葡萄糖法(路秀玲等,2000,天津輕工業學院學報,第4期,57-62頁),而 木質纖維素組分分析的方法(Standard Bio腿ss Analytical Procedures, National Renewable Energy Laboratory,
http:〃www. nrel. gov/biomass/analytical—procedures, html )需要用至伏量的 化學試劑,而且過程漫長,效率低下,難以實現在線測定。固態發酵和液態發酵 相比是一個比較粗放的過程,這是因為這個過程往往難以找到合適的過程監控方 式,因而也難以做到在線控制只能憑經驗進行操作。生物質的酶解轉化由于對于 生物質燃料的渴求而受到廣泛的關注。其酶解過程的監測由于其過程中同時存在 固體和液體而很難用普通的分析方法進行快速檢測,有著和固態發酵相同的需 求。
近紅外光譜主要是由于分子振動的非諧振性使分子振動從基態向高能級躍 遷時產生的,記錄的主要是含氫基團X-H (X-C、 N、 0)振動的倍頻和合頻吸收, 不同基團(如甲基、亞甲基,苯環等)或同一基團在不同化學環境中的近紅外吸 收波長與強度都有明顯差別,近紅外光譜具有豐富的結構和組成信息,非常適合 用于碳氫有機物質的組成與性質測量。雖然NIR光譜的范圍非常寬,并且經常重 疊,但是它卻具有很強的區別生物學相似原料的能力,比如咖啡的不同品種,不 同來源的奶粉和中草藥。此外,近紅外光纖漫反射探頭可以用于少量樣品的測量、 遠程控制同時使整個操作過程更加方便。但是在固態發酵領域和生物質酶解過程 中尚無任何關于近紅外的相關專利文獻報道。
本發明的目的就是為了解決現有技術難以快速在線測定復雜固態基質成分 問題,充分利用近紅外光譜中所包含的豐富信息,提供一種在線、快速、操作簡 單、非破壞性測定不溶性生物質生物轉化過程參數的方法。本發明所述一種快速 測定生物質生物轉化過程參數的方法,其特征是,它包括如下步驟
(1) 選擇有代表性的生物質生物轉化過程,在轉化過程中定時取樣,獲得 的樣品作為建立多元回歸預測模型的標準樣品;
(2) 使用傅立葉變換近紅外光譜儀和光導纖維探頭測定標準樣品集中每個 生物質生物轉化樣品的漫反射光譜;
(3) 釆用相應的化學或物理分析手段測定標準樣品集中每個生物質生物轉 化樣品的過程參數,作為與樣品集近紅外光譜一一對應的化學值;
(4) 采用多元校正方法建立和優化多元回歸預測模型,以校TH集樣品的交 叉驗證均方差(RMSEVC).為指標優化光譜預處理方法和模型參數,以對未知樣品 的預測均方差'(RMSEP)考察模型的預測準確度,選取RMSECV和RMSEP盡可能小 的組合。RMSECV和RMSEP的計算公式如下<formula>formula see original document page 5</formula>
式中Ci是標準化學方法測得的值,C是NIR預測值,n是校正集樣品數, m是驗證集樣品數。
(5)在生物轉化過程中隨時采集近紅外圖譜,將光譜輸入預測模型,從而
發明內容通過模型在線確定生物轉化過程的過程參數。
本發明和背景技術相比,具有的有益效果是
(1) 功能強,可實現生物質轉化過程中多種參數的同時,在線測定。
(2) 使用方便,具有良好的移植性,當生物質轉化工藝發生變化時,通過 增加回歸預測模型的樣品數量可以很方便的實現對新工藝的適用性。
(3) 具有良好的經濟效益,傳統的測量手段在取樣、測定、數據分析等方 面要耗費大量的人力物力而且不能實現在線測量,而本方法很容易的 實現了在線測定。
具體實施例方式
實施例1用近紅外光譜法快速測定固態發酵過程中培養基的含水量 本發明實施例的流程如下.
第一步建模樣品集的制備,采用汽爆麥草和麥麩作為固態發酵的主要培養
基,調節培養基的在45_85%之間,培養基滅菌后接種綠色木霉在3(TC下在氣相 雙動態固態發酵反應器中進行固態發酵,培養到一定時間后,用作近紅外多元回 歸預測模型的校正集樣品,取出發酵樣品樣品的數量在50份為好,樣品集代 表性的好壞對預測模型的穩定性、適應性有很大影響。要求樣品中含水量的標準 差大些為好。
第二步固態發酵樣品的近紅外光譜的測定。本實施例采用美國Nicolet公司 生產的Nexus型傅立葉變換近紅外光譜儀,儀器參數設置為掃描譜區為 4000-10000cnT1 ,掃描次數為64次,分辨率為4 cm—'。樣品近紅外光譜的采集 通過光導纖維固體探頭,以漫反射方式進行。每次掃描采用的設置要保持一致, 同時掃描期間不要移動或轉動光纖探頭。
第三步固態發酵樣品的含水量的測定。取上述樣品,準確稱重,樣品在105 。C烘干至恒重。準確稱重,計算得樣品的含水量,標準樣品集中每一個樣品的含 水量和所采集的近紅外光譜一一對應。
'第四步預測數學模型的建立和優化。建立預測數學模型采用的多元校正方法 可以是偏最小二乘算法(PLS)、主成分回歸法(PCR)、逆最小二乘法(ILS)、人 工神經網絡法、支持向暈機和多元線性回歸法(MLR)等。本實施例應用美國
Nicolet公司的TQAnalyst6. 2版本定量分析軟件進行多元回歸模型昨校正和優 化。將標準樣品集中每個樣品的近紅外光譜和固態發酵樣品的含水量的化學值一 一對應輸入TQAnalyst6. 2定量分析軟件。利用在軟件中設置的自動尋找和優化 功能尋找建立模型的最佳條件,通過比較各種可能組合下預測模型的決定系數 (R2),選取R2盡可能大的組合。采用內部交叉證實對預測數學模型進行驗證。 內部交叉證實是指依次剔除建模樣品集中一個(或多個)樣品,用剩余樣品來建 模預測被剔除樣品的含量,比較被剔除樣品預測值與化學值的差異,由此判斷所 建模型的預測準確性,用交叉驗證均方差(RMSEVC)考察,RMSEVC越小,模型 預測準確性越高。最后通過預測均方差(RMSEP)考察模型的預測準確度。
本實施例獲得建立固態發酵樣品含水量多元回歸預測模型的最佳條件為最 佳主成分維數為IO ,最佳譜區范圍為8630-6880cm',最佳光譜預處理方法為 不經過任何預處理。模型的多重相關系數(RS.Q)為0.994,交叉驗證標準差 (RMSECV)為0. 00776。
第五步應用模型測定未知樣品建立好預測數學模型之后,就可以測定未知固 態發酵過程中的含水量變化。重復第二歩采集未知樣品的近紅外光譜,將光譜輸 入預測模型,計算機立即給出未知樣品的含水量。用本實施例建立的模型測定 10個固態發酵樣品的含水量,同時采用娛干法測定其含水量作為對比,預測值 和測定值用t檢驗檢驗后在0. 05的水平下無限制差別。
實施例2用近紅外光譜法快速測定固態發酵過程中培養基的生物量
本發明實施例的流程如下
第一步建模樣品集的制備,采用汽爆玉米秸稈和麥麩作為固態發酵的主要培
養基,調節培養基的含水量在75%左右,培養基滅菌后接種斜臥青霉在30C進行 固態發酵,培養到一定時間后,取出發酵樣品,用作近紅外多元回歸預測模型的 校正集樣品。樣品的數量在50份為好。
第二步固態發酵樣品的近紅外光譜的測定。本實施例采用芙國Nicolet公司 生產的Nexus型傅立葉變換近紅外光譜儀,儀器參數設置為掃描譜區為 4000-10000cm—1 ,掃描次數為64次,分辨率為4 cnf'。樣品近紅外光譜的采集 通過光導纖維固體探頭,以漫反射方式進行。
第三步固態發酵樣品的生物量的測定。取烘干的發酵樣品0.50g,研碎后用10mll2NHCl浸泡24小時,樣品中加入40ml蒸餾水在121。C下水解2小時,樣品 過濾后定容到50. 0 ml,取10. 0 ml用NaOH中和到pH7. 0后定容到25. 0 ml,取 1. 0 ml,加入1 ml乙酰丙酮試劑在9CTC保溫1小時,冷卻后加入6 ml乙醇和1 mlEhrlich試劑在65'C保溫IO分鐘,冷卻后在.530nm比色,根據標準曲線確定 氨基葡萄糖的含量。然后將這些數據換算成mg氨基葡萄糖/g濕樣品。由于根據 這些數據,再加上單位菌體生物量所含有的氨基葡萄糖的含量就可以得到基質中 的生物量含量,所以在某種意義上解決了氨基葡萄糖的問題就解決了生物量的測 定問題。標準樣品集中每一個樣品的生物量和所采集的近紅外光譜一一對應。
第四步預測數學模型的建立和優化。本實施例應用美國Nicolet公司的 TQAnalyst6.2版本定量分析軟件進行多元回歸模型的校正和優化,同樣可采用 其他商業化的同類型定量分析軟件來完成。
本實施例獲得建立固態發酵樣品生物量多元回歸預測模型的最佳條件為最 佳主成分維數為9 ,最佳譜區范圍為8630-6880cm-',最佳光譜預處理方法為 一階導數處理。模型的多重相關系數(RSQ)為0.999,交叉驗證標準差(脂SECV) 為0.0331mg/g。
第五歩應用模型測定未知樣品建立好預測數學模型之后,就可以測定未知固 態發酵樣品的生物量。重復第二歩采集未知樣品的近紅外光譜,將光譜輸入預測 模型,計算機立即給出未知樣品的生物量。'用本實施例建立的模型測定10個固 態發酵樣品的生物量,同時采用酸解比色法測定其生物量作為對比。預測值和測 定值用t檢驗檢驗后在0. 05的水平下無限制差別。
實施例3用近紅外光譜法快速測定固態發酵過程中培養基的纖維素酶
本發明實施例的流程如下
第一步建模樣品集的制備,采用汽爆玉米秸稈作為固態發酵的主要培養基,
調節培養基的含水量在75%左右,培養基滅菌后接種綠色木霉在30'C進行固態發 酵,培養到一定時間后,取出發酵樣品,用作近紅外多元回歸預測模型的校正集 樣品。樣品的數量在50份為好。
第二步固態發酵樣品的近紅外光譜的測定。本實施例采用芙國Nicolet公司 生產的Nexus型傅立葉變換近紅外光譜儀,儀器參數設置為掃描譜區為 4000-10000cnf1 ,掃描次數為64次,分辨率為4 cnT1。樣品近紅外光譜的采集
通過光導纖維固體探頭,以漫反射方式進行。
第三步固態發酵樣品的纖維素酶的測定。取一定量的固態發酵樣品,準確稱 重加入20倍的蒸餾水在室溫下浸泡4小時提取纖維素酶。提取結束后離心,上 清液吸使一定倍數后用DNS法測定纖維素酶的濾紙酶活。標準樣品集中每一個樣 品的纖維素酶和所采集的近紅外光譜一一對應。.
第四步預測數學模型的建立和優化。本實施例應用美國Nicolet公司的 TQAnalyst6.2版本定量分析軟件進行多元回歸模型的校正和優化,同樣可采用 其他商業化的同類型定量分析軟件來完成。
本實施例獲得建立固態發酵樣品纖維素酶多元回歸預測模型的最佳條件為 最佳主成分維數為10 ,最佳譜區范圍為8630-6880cnf',最佳光譜預處理方法為 一階導數處理加Noiris導數濾波處理。模型的多重相關系數(RSQ)為0.984, 交叉驗證標準差(RMSECV)為1. 69FPA/g。
第五步應用模型測定未知樣品建立好預測數學模型之后,就可以測定未知固 態發酵樣品的纖維素酶含量。重復第二步采集未知樣品的近紅外光譜,將光譜輸 入預測模型,計算機立即給出未知樣品的纖維素酶含量。用本實施例建立的模型 測定10個固態發酵樣品的纖維素酶,同時采用DNS法測定其纖維素酶作為對 比。預測值和測定值用t檢驗檢驗后在0. 05的水平下無限制差別。
實施例4用近紅外光譜法快速測定酶解過程中纖維素的含量變化
本發明實施例的流程如下
第一步建模樣品集的制備,采用汽爆玉米秸稈作為纖維素酶的酶解底物,調
節物料的pH為4.8,固液比為1:9,按照15IUFPA/g汽爆玉米秸稈的比例加入 纖維素酶,5(TC進行酶解,酶解到一定時間后,取出酶解樣品,用作近紅外多元 回歸預測模型的校正集樣品。樣品的數量在50份為好。
第二步酶解樣品的近紅外光譜的測定。本實施例采用美國Nicolet公司生產 的Nexus型傅立葉變換近紅外光譜儀,儀器參數設置為掃描譜區為 4000-lOOOOcnf1 ,掃描次數為64次,分辨率為4 cm—'。樣品近紅外光譜的采集 通過光導纖維固體探頭,以漫反射方式進行。
第三步固態發酵樣品的纖維素的測定。取一定量的酶解樣品,準確稱重,烘 干后用改進的濾袋法測定樣品中的纖維素含量。標準樣品集中每一個樣品的纖維素酶和所采集的近紅外光譜一一對應。
第四步預測數學模型的建立和優化。本實施例應用美國Nicolet公司的 TQAnalyst6. 2版本定量分析軟件進行多元回歸模型的校正和優化,同樣可采用 其他商業化的同類型定量分析軟件來完成。
本實施例獲得建立固態發酵樣品纖維素多元回歸預測模型的最佳條件為最 佳主成分維數為9 ,最佳譜區范圍為8630-428pcm—',最佳光譜預處理方法為 一階導數處理加Norris導數濾波處理。模型的多重相關系數(RSQ)為0. 994, 交叉驗證標準差(RMSECV)為1.09 %。
第五步應用模型測定未知樣品建立好預測數學模型之后,就可以測定未知酶 解樣品的纖維素含量。重復第二步采集未知樣品的近紅外光譜,將光譜輸入預測 模型,計算機立即給出未知樣品的纖維素l量。用本實施例建立的模型測定10 個酶解樣品的纖維素,同時采用改進的濾袋法測定其纖維素作為對比。預測值和 測定值用t檢驗檢驗后在0. 05的水平下無限制差別。
實施例5用近紅外光譜法在線監測微生物油脂積累過程
本發明實施例的流程如下
第一步酶解樣品的近紅外光譜的采集。本實施例采用美國Nicolet公司生產 的Nexus型傅立葉變換近紅外'光譜儀,儀器參數設置為掃描譜區為 4000-10000cm—1 ,掃描次數為64次,分辨率為4 cm—'。樣品近紅外光譜的采集 時直接將探頭插入固態發酵反應器的料層通過光導纖維固體探頭進行。
第二步固態發酵樣品的微生物油脂的測定。取一定量的發酵樣品,準確稱重, 用石油醚將發酵樣品中的油脂提出,定量。標準樣品集中每一個樣品的油脂含量 和所采集的近紅外光譜一一對應。
第三步預測數學模型的建立和優化。本實施例應用美國Nicolet公司的 TQAnalyst6.2版本定量分析軟件進行多元回歸模型的校IH和優化,同樣可采用 其他商業化的同類型定量分析軟件來完成。
本實施例獲得建立固態發酵樣品油脂多元回歸預測模型的最佳條件為最佳 主成分維數為10 ,最佳譜區范圍為8630-4080cm—',最佳光譜預處理方法為一 階導數處理加Norris導數濾波處理。模型的多重相關系數(RSQ)為0. 974,交 叉驗證標準差(RMSECV)為0. 0081g/g。第五步應用模型測定未知樣品建立好預測數學模型之后,就可以測定新的發 酵過程中的微生物油脂含量。重復第一歩采集未知樣品的近紅外光譜,將光譜輸 入預測模型,計算機立即給出未知樣品的微生物油脂含量。用上述樣品進行預測 時測定值與預測值間的預測誤差(固SEP)為0.5618%,預測值與化學測定值間 的相關系數為0.9631。
權利要求
1、一種在線檢測固態生物質生物轉化過程的方法,其基本步驟如下(1)選擇有代表性的生物質生物轉化過程中的樣品作為建立多元回歸預測模型的標準樣品集;(2)使用傅立葉變換近紅外光譜儀和光導纖維固體探頭測定標準樣品集中每個生物質生物轉化樣品的漫反射光譜;(3)采用相應的化學或物理方法測定標準樣品集中每個生物質生物轉化樣品的過程參數值,作為與樣品集近紅外光譜一一對應的化學值;(4)將第二步得到的每個標準樣品近紅外光譜數據經過預處理,采用多元校正方法建立和優化多元回歸預測模型,以校正集樣品的交叉驗證均方差(RMSEVC)為指標優化光譜預處理方法和模型參數,以對未知樣品的預測均方差(RMSEP)考察模型的預測準確度,選取RMSECV和RMSEP盡可能小的組合,RMSECV和RMSEP的計算公式如下<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mi>RMSECV</mi><mo>=</mo><msqrt> <mfrac><mrow> <mi>Σ</mi> <msup><mrow> <mo>(</mo> <msub><mover> <mi>C</mi> <mo>^</mo></mover><mn>1</mn> </msub> <mo>-</mo> <msub><mi>C</mi><mi>i</mi> </msub> <mo>)</mo></mrow><mn>2</mn> </msup></mrow><mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn></mrow> </mfrac></msqrt> </mrow>]]></math> id="icf0001" file="A20082C1.tif" wi="43" he="13" top= "120" left = "35" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths><maths id="math0002" num="0002" ><math><![CDATA[ <mrow><mi>RMSEP</mi><mo>=</mo><msqrt> <mfrac><mrow> <mi>Σ</mi> <msup><mrow> <mo>(</mo> <msub><mover> <mi>C</mi> <mo>^</mo></mover><mn>1</mn> </msub> <mo>-</mo> <msub><mi>C</mi><mi>i</mi> </msub> <mo>)</mo></mrow><mn>2</mn> </msup></mrow><mi>m</mi> </mfrac></msqrt> </mrow>]]></math> id="icf0002" file="A20082C2.tif" wi="41" he="13" top= "120" left = "84" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>式中Ci是標準化學方法測得的值, id="icf0003" file="A20082C3.tif" wi="2" he="5" top= "137" left = "106" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>是NIR預測值,n是校正集樣品數,m是驗證集樣品數(5)在生物轉化過程中隨時采集近紅外圖譜,將光譜輸入預測模型,從而通過模型在線確定生物轉化過程的過程參數。
2、 根據權利要求1所述的一種在線檢測固態生物質生物轉化過程的方法, 其特征在于,所述的生物質包括未經處理或經過粉碎、擠壓、汽爆、稀酸、熱水、 堿液、射線、有機溶劑處理的玉米秸稈、小麥秸稈、水稻秸稈、麩皮、稻殼、玉 米芯、玉米、小米、大豆、甘蔗渣、木薯或其中的組合。
3、 根據權利要求1所述的一種在線檢測固態生物質生物轉化過程的方法, 其特征在于,所述的過程參數包括發酵底物中的營養成分的含量,如葡萄糖、氨 基酸、蛋白質、油脂等可供微生物用作碳源,氮源的有機成分,包括發酵底物的 含水量,包括發酵底物中的pH值,包括發酵底物中的生物量,間接測定生物量 的成分包括氨基葡萄糖、麥角甾醇,蛋白質、核酸和ATP等,包括發酵過程的各種有機產物,如酶、蛋白質、氨基酸、有機酸、抗生素和維生素等。
4、根據權利要求1所述的一種在線檢測固態生物質生物轉化過程的方法, 其特征在于,所述的預處理包括平滑、中心化、歸一化、 一階或二階導數處理。
5、 根據權利要求1所述的一種在線檢測固態生物質生物轉化過程的方法, 其特征在于,所述的多元回歸方法包括偏最小二乘算法、主成分回歸法、逆最小 二乘法、多元線性回歸法、人工神經網絡法和支持向量機等。
6、 根據權利要求1所述的一種在線檢測固態生物質生物轉化過程的方法, 其特征在于,所述的生物質生物轉化過程包括固態發酵和木質纖維素原料酶解。
全文摘要
本發明涉及一種在線檢測固態生物質生物轉化過程的方法,其步驟為,選擇不少于50份有代表性的生物質生物轉化過程中的樣品作為標準樣品采集標準圖譜;以其他手段獲得目標過程參數;通過多元回歸建立定量模型以定量其他未知過程。本發明只需建立一個預測模型即可實現對生物轉化過程中的參數在線檢測,無需樣品制備,不消耗試劑,可實現對生物轉化過程的自動檢測和控制。本方法用于固態發酵含水量、生物量、油脂產量和纖維素酶的預測,預測相關系數分別達到了0.994,0.999,0.984和0.994。
文檔編號G01N21/47GK101339186SQ20081011820
公開日2009年1月7日 申請日期2008年8月7日 優先權日2008年8月7日
發明者李宏強, 陳洪章 申請人:中國科學院過程工程研究所