Modeling and optimization of bioproduct formation with purple phototrophic bacteria using machine learning
Notice bibliographique
Résumé
Municipal and industrial wastewater, along with organic waste, can be transformed into valuable bioproducts using purple phototrophic bacteria. This study compares the performance of three machine learning models (Random Forest, XGBoost, and CatBoost) in predicting and optimizing the formation of key bioproducts: polyhydroxybutyrate, polyhydroxyvalerate, 5-aminolevulinic acid, coenzyme Q10, carotenoids, bacteriochlorophylls, and biomass. The models were trained on a dataset compiled from previous studies, using input variables such as reaction time, concentration of organic matter, ethanol, bicarbonate, levulinic acid, ferric citrate, mineral medium, and N, C/N ratio, illumination conditions (continuous or intermittent), operation mode (batch or semicontinuous), and volume exchange percentage. Bayesian optimization was applied to train and tune the models. Performance was assessed using R 2 , Pearson correlation, RMSE, and MAPE. CatBoost outperformed the others, showing higher predictive correlation and lower error. It was subsequently used for further optimization. Feature importance analysis identified reaction time, mineral medium concentration, and volume exchange percentage as key drivers of bioproduct synthesis. The Particle Swarm Optimization algorithm was applied to determine optimal conditions for each target compound. Under the conditions studied, predicted maximum yields were: 569 mg polyhydroxybutyrate/L, 45 mg polyhydroxyvalerate/L, 79 µmol 5-aminolevulinic acid/L, 13 mg coenzyme Q10/g dw, 7 mg carotenoids/g dw, 17 mg bacteriochlorophylls/g dw, and 2040 mg biomass/L. Optimization suggests that operating as a sequencing batch reactor and employing discontinuous illumination for most targets, along with a reduced mineral medium concentration, is beneficial. Results highlight that each bioproduct requires distinct operational settings, supporting the idea of clustering target compounds.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».