Revista de Farmácia e Pesquisa Farmacêutica Acesso livre

Abstrato

Modelagem e otimização de condições de fermentação para produção de glicolipopeptídeos usando metodologia de superfície de resposta e abordagens de inteligência artificial

Maurice G Ekpenyong

Declaração do Problema: A cepa IKW1 de Pseudomonas aeruginosa produziu um biossurfactante quando cultivada em meio basal de óleo de girassol de fritura residual. O composto ativo reduziu a tensão superficial do caldo de fermentação para 24,62 dinas/cm em uma concentração micelar crítica de 20,80 mg/L. Foi identificado por cromatografia líquida de alta eficiência e espectrometria de infravermelho por transformada de Fourier como um glicolipopeptídeo. Demonstrou capacidades consideráveis ​​de emulsificação e formação de espuma, sugerindo adequação para aplicações em formulações farmacêuticas e detergentes. No entanto, o rendimento do produto foi baixo, tornando a produção em larga escala para aplicações recomendadas impraticável. Vários pesquisadores relataram melhoria de rendimento por abordagens estratégicas de otimização de meio. Anteriormente, adotamos a metodologia de superfície de resposta (RSM) para otimização de nutrientes principais e registramos um aumento de rendimento louvável. Mais tarde, empregamos o design Placket-Burman (PBD) e RSM para rastrear e otimizar nutrientes traço e obtivemos melhoria significativa de rendimento. No entanto, relatórios de pesquisa indicam que a rede neural artificial (ANN) é uma abordagem de otimização melhor. Metodologia e Orientação Teórica: Neste estudo, otimizamos as condições de fermentação como temperatura, pH, agitação e duração usando RSM, e comparamos os resultados com aqueles obtidos com ANN vinculado ao algoritmo genético (ANN-GA) e otimização de enxame de partículas (ANN-PSO). Resultados: Nossos resultados mostraram que o modelo de resposta do biossurfactante, previsto por uma função quadrática de RSM, foi significativo (P<0,0001; R2 ajustado=0,9911; RMSE=0,034), definindo os níveis do fator em temperatura-32°C, pH-7,6, velocidade de agitação-130 rpm e tempo de fermentação-66 h. A concentração máxima de glicolipopeptídeo foi de 107,19 g/L com um rendimento (Yp/x) de 4,24. Resultados comparativos de ANN-GA (R2=0,9997; RMSE=0,055) e ANN-PSO (R2=0,9914, RMSE=0,047) mostraram que o modelo e as configurações de fator otimizadas não foram significativamente (P>0,05) diferentes daquelas obtidas com RSM. Conclusão e significância: Isso sugere que RSM, quando executado meticulosamente, pode ser uma ferramenta de modelagem e otimização tão boa quanto os métodos de rede neural.