MétaCan
Menu
Retour à la cohorte
Enregistrement W2894438413 · doi:10.1002/cjce.23350

Artificial neural network‐genetic algorithm (ANN‐GA) based medium optimization for the production of human interferon gamma (hIFN‐γ) in <i>Kluyveromyces lactis</i> cell factory

2018· article· en· W2894438413 sur OpenAlexvenueno aff
Silpa Unni, Ashish A. Prabhu, Rajat Pandey, Rohit Hande, Venkata Dasu Veeranki

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2018
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueViral Infectious Diseases and Gene Expression in Insects
Établissements canadiensnon disponible
Organismes subventionnairesIndian Institute of Technology GuwahatiIndian Council of Medical Research
Mots-clésArtificial neural networkAkaike information criterionKluyveromyces lactisResponse surface methodologyBox–Behnken designBiotechnologyMathematicsBiologyBiological systemChemistryChromatographyComputer scienceBiochemistryYeastArtificial intelligenceStatistics

Résumé

récupéré en direct d'OpenAlex

Abstract In the current investigation, we have adapted response surface methodology (RSM) and artificial neural network‐genetic algorithm (ANN‐GA) based optimization to develop a defined medium for maximizing human interferon gamma production from recombinant Kluyveromyces lactis (K. lactis). In the initial screening studies, sorbitol and glycine emerged as a carbon and nitrogen source respectively having higher influence on hIFN‐γ production. Substrate inhibition studies were performed by varying the initial substrate concentration, and we found maximum hIFN‐γ concentration at 50 g L−1 of sorbitol. Inhibition kinetics studies were carried out using 3 and 4‐parametric models. Among the estimated models, the Moser model was observed as the best fitted model followed by the Luong model with R2 values of 0.882 and 0.75, respectively. The model acceptability test was carried out using the extra sum of squares F‐test and Akaike information criterion (AIC). The Plackett‐Burman multifactorial design identified sorbitol, glycine, Na2HPO4, and MgSO4.7H2O as the parameters significantly influencing the hIFN‐γ production. Further, the Box‐Behnken design (BBD) followed by the artificial neural network coupled with genetic algorithm (ANN‐GA) was employed for the precise optimization of medium components. With ANN‐GA a maximum hIFN‐γ yield of 2.1 ±0.3 mg L−1 in shake flask level and 3.5 ±0.1 mg L−1 in reactor level was achieved. The findings of this study serve as a model for a process development strategy (bench scale to reactor scale) to achieve a high productivity of the desired protein from a microbial cell factory.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,219
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetViral Infectious Diseases and Gene Expression in InsectsTravaux en français237 207