生物量(biomass)是微生物高密度发酵过程中必须监控的关键指标之一,常用细胞光密度(optical density,OD)来测定。相较于传统的取样离线检测,实时在位监测技术具有无损、反馈快速和污染减少等优点,能够有效调控和优化发酵过程。为实现发...生物量(biomass)是微生物高密度发酵过程中必须监控的关键指标之一,常用细胞光密度(optical density,OD)来测定。相较于传统的取样离线检测,实时在位监测技术具有无损、反馈快速和污染减少等优点,能够有效调控和优化发酵过程。为实现发酵过程中关键指标的实时反馈,本研究构建了一个基于漫反射近红外光谱仪的在位监测平台,用于虾青素的高密度发酵过程中生物量的监测。通过实施光谱异常值剔除、比较不同的光谱预处理方法以及间隔偏最小二乘法(interval partial least squares,i-PLS)光谱波段分析,结果表明在1417-1650 nm波长范围内存在虾青素发酵生物量的特征波段。在此波段基础上建立的生物量动态预测模型交互验证决定系数(determination coefficient of cross validation,Rcv2)和交叉验证均方根误差(root mean square error of cross validation,RMSECV)分别为0.973和9.32。经过3批次发酵的外部验证表明采用i-PLS方法建立的生物量模型在细胞光密度(OD600)2.46-180.50范围内进行监测,OD平均绝对误差(mean absolute error,MAE)为6.28,展现出较高的预测准确性和稳定性。这表明该模型在虾青素高密度发酵过程生物量监测中具有应用前景。展开更多
本文通过以玉米碴为原料,酿酒酵母、嗜酸乳杆菌、枯草芽孢杆菌及纳豆芽孢杆菌作发酵剂,以单菌和组合的方式对玉米进行发酵制成玉米粉,采用气相-离子迁移谱(Gas-chromatography ion mobility spectrometry,GCIMS)和气相色谱-质谱联用(Gas...本文通过以玉米碴为原料,酿酒酵母、嗜酸乳杆菌、枯草芽孢杆菌及纳豆芽孢杆菌作发酵剂,以单菌和组合的方式对玉米进行发酵制成玉米粉,采用气相-离子迁移谱(Gas-chromatography ion mobility spectrometry,GCIMS)和气相色谱-质谱联用(Gas Chromatography-Mass Spectrometry,GC-MS)方法对发酵玉米粉的挥发性风味成分进行分析。结果表明,GC-IMS共检出68种风味物质,包括醛类12种、醇类18种、酯类11种、酮类11种以及6种杂环类;根据图谱差异分析发现,发酵后玉米粉风味物质均发生变化,其醇类、酯类和酸类物质含量相对提高。GC-MS共检出59种风味物质,包含13种醛类、12种酯类、15种醇类、7种酸类、6种酮类和7种杂环类物质。两种技术共同检测出29种风味物质,其中正癸醛等10种醛类、5种醇类、2-壬酮、2-庚酮、己酸乙酯、甲酸甲酯、丁酸乙酯及4种酸类物质为发酵玉米粉的主要风味物质。根据香气含量分析,对比未发酵玉米粉,自然发酵水果香含量提高了24.64%,酿酒酵母发酵水果香和酒香含量分别提高了30.05%、85.05%,嗜酸乳杆菌发酵水果甜香和奶油蜂蜜香含量分别提高了36.56%、90.36%,枯草芽孢杆菌和纳豆芽孢杆菌发酵水果甜香花及苦杏仁香含量分别提高了18.05%、15.59%和38.68%、38.02%,组合发酵水果甜香花、草香含量分别提高了53.53%、48.08%,表明经过发酵制得的玉米粉风味独特。展开更多
文摘生物量(biomass)是微生物高密度发酵过程中必须监控的关键指标之一,常用细胞光密度(optical density,OD)来测定。相较于传统的取样离线检测,实时在位监测技术具有无损、反馈快速和污染减少等优点,能够有效调控和优化发酵过程。为实现发酵过程中关键指标的实时反馈,本研究构建了一个基于漫反射近红外光谱仪的在位监测平台,用于虾青素的高密度发酵过程中生物量的监测。通过实施光谱异常值剔除、比较不同的光谱预处理方法以及间隔偏最小二乘法(interval partial least squares,i-PLS)光谱波段分析,结果表明在1417-1650 nm波长范围内存在虾青素发酵生物量的特征波段。在此波段基础上建立的生物量动态预测模型交互验证决定系数(determination coefficient of cross validation,Rcv2)和交叉验证均方根误差(root mean square error of cross validation,RMSECV)分别为0.973和9.32。经过3批次发酵的外部验证表明采用i-PLS方法建立的生物量模型在细胞光密度(OD600)2.46-180.50范围内进行监测,OD平均绝对误差(mean absolute error,MAE)为6.28,展现出较高的预测准确性和稳定性。这表明该模型在虾青素高密度发酵过程生物量监测中具有应用前景。
