طراحی آزمایش با کمک مدل (mDoE) برای بهینه‌سازی فرایندهای زیستی میکروجلبک‌ها

فرایندهای زیست‌فناورانه، به‌ویژه آن‌هایی که با میکروجلبک‌ها سر و کار دارند، بسیار پیچیده‌اند و تحت تأثیر عوامل متعددی مانند شدت نور، pH، دما و در دسترس بودن مواد مغذی قرار دارند. روش‌های سنتی بهینه‌سازی مانند «تغییر یک عامل در هر بار» ناکارآمد و پرهزینه هستند. طراحی آزمایش (DoE) راهکار سیستماتیک‌تری برای بررسی این عوامل ارائه می‌دهد، اما همچنان به تعداد زیادی آزمایش نیاز دارد. برای رفع این مشکل، پژوهشگران طراحی آزمایش با کمک مدل (mDoE) را توسعه داده‌اند که ترکیبی از DoE آماری و مدل‌سازی مکانیکی است و هدف آن کاهش تعداد آزمایش‌ها و در عین حال افزایش درک فرایند است.

این مطالعه، عملکرد جعبه‌ابزار mDoE را برای بهینه‌سازی فرایندهای زیستی میکروجلبک‌ها بررسی می‌کند و دو مطالعه موردی را مورد توجه قرار می‌دهد:

1. Desmodesmus pseudocommunis در یک فتوبیوراکتور (PBR)، با تمرکز بر بهینه‌سازی شدت نور و pH.

2. Chlorella vulgaris در فلاسک‌های شیکر، با تمرکز بر بهینه‌سازی شدت و مدت زمان نوردهی.

نتایج نشان دادند که mDoE به طور قابل توجهی تعداد آزمایش‌های لازم را کاهش داده و در عین حال بازده زیست‌توده را افزایش می‌دهد.

مفاهیم کلیدی

1. طراحی آزمایش با کمک مدل (mDoE)

در mDoE، مدل‌های ریاضی فرایند با طراحی آزمایش سنتی ادغام می‌شوند تا امکان شبیه‌سازی آزمایش‌ها به‌صورت رایانه‌ای فراهم شود. به‌جای اجرای همه آزمایش‌های ممکن در آزمایشگاه، mDoE با استفاده از شبیه‌سازی‌ها نتایج را پیش‌بینی می‌کند و در نتیجه زمان و هزینه را کاهش می‌دهد.

روند کاری mDoE:

• مدل‌سازی ریاضی: یک مدل مکانیکی، فرایند زیستی را توصیف می‌کند.

• کوانتیفیکاسیون عدم قطعیت با مونت‌کارلو: برای شبیه‌سازی تغییرپذیری در اندازه‌گیری‌ها.

• طراحی آزمایش: برنامه‌ریزی ترکیب عوامل (مانند شدت نور، pH).

• ارزیابی محاسباتی: پیش‌بینی شرایط بهینه پیش از اعتبارسنجی آزمایشگاهی.

2. چرا میکروجلبک؟

میکروجلبک‌ها منابع ارزشمندی برای تولید زیست‌سوخت، مکمل‌های غذایی و تصفیه فاضلاب هستند. با این حال، رشد آن‌ها به‌شدت به شرایط محیطی وابسته است. بنابراین، بهینه‌سازی این شرایط برای مقیاس‌پذیری صنعتی اهمیت بالایی دارد.

مطالعه موردی ۱: Desmodesmus pseudocommunis در یک فتوبیوراکتور

هدف

افزایش بیشینه زیست‌توده با بهینه‌سازی شدت نور (I₀) و pH در یک فتوبیوراکتور صفحه‌ای.

روش‌ها

• مدل استفاده‌شده: نسخه ساده‌شده‌ای از یک مدل مکانیکی معتبر (Ifrim et al., 2014).

 • عوامل بررسی‌شده:

• شدت نور: 100 تا 800 میکرومول بر مترمربع بر ثانیه

• pH: بین 6 تا 8

• آزمایش‌ها: سه سری آزمایش برای اعتبارسنجی شبیه‌سازی‌ها انجام شد.

نتایج

 1. برآورد پارامترها:

• تنها یک آزمایش (I₀ = 400 و pH = 6.5) برای کالیبراسیون مدل کافی بود (ضریب تعیین R² = 0.97).

 2. شرایط بهینه:

• بیشترین رشد زیست‌توده در pH = 6.5 و I₀ = 602 به‌دست آمد، که رشد را نسبت به مرجع ۴۴٪ افزایش داد.

 3. اعتبارسنجی آزمایشی:

• مدل به‌خوبی روند رشد زیست‌توده را پیش‌بینی کرد (R² = 0.93).

نکته کلیدی

• کنترل pH از طریق تزریق CO₂ برای حفظ شرایط رشد حیاتی بود.

• رویکرد mDoE با حداقل تعداد آزمایش، شرایط بهینه را شناسایی کرد.

مطالعه موردی ۲: Chlorella vulgaris در فلاسک‌های شیکر

هدف

حداکثرسازی بازده زیست‌توده از طریق بهینه‌سازی شدت نور (I₀) و مدت نوردهی (L).

روش‌ها

• مدل اولیه (مدل 1): مبتنی بر سینتیک Monod و تضعیف نور با قانون لامبرت-بیر.

• مدل بهبود‌یافته (مدل 2): اضافه‌کردن محدودیت نیترات و بهبود تضعیف نور.

 • عوامل بررسی‌شده:

• شدت نور: 300 تا 1200 میکرومول بر مترمربع بر ثانیه

• مدت نوردهی: 1 تا 24 ساعت در روز

نتایج

 1. چرخه اول mDoE (مدل 1):

• شرایط بهینه پیش‌بینی‌شده: 1200 µmol/m²/s و 24 ساعت نوردهی.

• زیست‌توده آزمایشی: 5.7 گرم در لیتر، ولی مدل رشد را در تراکم بالا بیش‌برآورد کرده بود.

 2. چرخه دوم mDoE (مدل 2):

• افزودن محدودیت نیترات و بهبود مدل نور.

• همان شرایط بهینه تأیید شد، با 6.6 گرم در لیتر زیست‌توده (R² = 0.85).

نکته کلیدی

• حتی بدون مدل اولیه، mDoE توانست شرایط بهینه را با کارایی بالا تعیین کند.

• بهبود مدل بر اساس داده‌های اولیه، دقت پیش‌بینی را افزایش داد.

مزایای mDoE

 1. کاهش تلاش‌های آزمایشگاهی:

• طراحی سنتی نیازمند آزمایش‌های زیاد است؛ mDoE با شبیه‌سازی بسیاری از آن‌ها را حذف می‌کند.

 2. صرفه‌جویی در هزینه:

• آزمایش‌های کمتر، یعنی هزینه پایین‌تر.

 3. بهینه‌سازی دانش‌محور:

• ترکیب دانش پیشین (مدل‌ها) با داده‌های واقعی.

 4. قابلیت تعمیم:

• قابل استفاده در طیف گسترده‌ای از فرایندهای زیستی، از میکروجلبک تا کشت سلول پستانداران.

نتیجه‌گیری

جعبه‌ابزار mDoE کارایی بالایی در بهینه‌سازی فرایندهای زیستی میکروجلبک‌ها نشان داد:

• برای Desmodesmus pseudocommunis، تنها با یک آزمایش کالیبراسیون شرایط بهینه نور و pH مشخص شد.

• برای Chlorella vulgaris، حتی بدون مدل اولیه، شرایط بهینه نوری با دقت پیش‌بینی و در ادامه مدل اصلاح شد.

چرا این موضوع برای صنعت اهمیت دارد؟

• توسعه سریع‌تر فرایند: زمان رسیدن به بازار برای محصولات مبتنی بر جلبک کاهش می‌یابد.

• بازده بالاتر: بیشینه‌سازی زیست‌توده با حداقل ورودی.

• قابلیت انطباق: قابل استفاده در سایر کاربردهای زیست‌فناوری (مانند زیست‌سوخت، داروسازی).

با استفاده از mDoE، شرکت‌ها می‌توانند تحقیقات و توسعه را سرعت دهند، هزینه‌ها را کاهش داده و بهره‌وری را افزایش دهند.

جمع‌بندی نهایی

mDoE پلی است میان مدل‌سازی تئوری و آزمایش‌های عملی، و به بهینه‌سازی فرایندهای زیستی هوشمندانه‌تر، سریع‌تر و مؤثرتر کمک می‌کند.

منبع :

Model-assisted DoE applied to microalgae processes