Improving ethanol productivity through self-cycling fermentation of yeast: a proof of concept
Notice bibliographique
Résumé
BACKGROUND: The cellulosic ethanol industry has developed efficient strategies for converting sugars obtained from various cellulosic feedstocks to bioethanol. However, any further major improvements in ethanol productivity will require development of novel and innovative fermentation strategies that enhance incumbent technologies in a cost-effective manner. The present study investigates the feasibility of applying self-cycling fermentation (SCF) to cellulosic ethanol production to elevate productivity. SCF is a semi-continuous cycling process that employs the following strategy: once the onset of stationary phase is detected, half of the broth volume is automatically harvested and replaced with fresh medium to initiate the next cycle. SCF has been shown to increase product yield and/or productivity in many types of microbial cultivation. To test whether this cycling process could increase productivity during ethanol fermentations, we mimicked the process by manually cycling the fermentation for five cycles in shake flasks, and then compared the results to batch operation. RESULTS: Mimicking SCF for five cycles resulted in regular patterns with regards to glucose consumption, ethanol titer, pH, and biomass production. Compared to batch fermentation, our cycling strategy displayed improved ethanol volumetric productivity (the titer of ethanol produced in a given cycle per corresponding cycle time) and specific productivity (the amount of ethanol produced per cellular biomass) by 43.1 ± 11.6 and 42.7 ± 9.8%, respectively. Five successive cycles contributed to an improvement of overall productivity (the aggregate amount of ethanol produced at the end of a given cycle per total processing time) and the estimated annual ethanol productivity (the amount of ethanol produced per year) by 64.4 ± 3.3 and 33.1 ± 7.2%, respectively. CONCLUSIONS: This study provides proof of concept that applying SCF to ethanol production could significantly increase productivities, which will help strengthen the cellulosic ethanol industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».