An on-line optimization algorithm for fed-batch cultures of recombinant yeasts to determine the optimal substrate feed rate profile has been developed. Its development involved four key steps: (1) development of reliable process model, (2) development of optimization algorithm, (3) design of on-line model update algorithm to be incorporated into the optimization algorithm and (4) ex-perimental validation. Artificial intelligence technique was used in each step to effectively handle the complex and nonlinear systems with a high computa-tional efficiency which was essential for on-line purposes. A recombinant Sac-charomyces cerevisiae producing human parathyroid hormone (hPTH) was chosen as the model strain.
Three optimization strategies (GA I, GA II, and GA III) based on genetic algorithms were developed in the simulation study. The performances of those three algorithms were compared with one another and with that of a variational calculus approach. GA III, in which the length of feeding intervals and the feed rate in each interval were simultaneously optimized showed the best perform-ance and was selected to be used in the subsequent experimental study.
To confer an adaptability to GA III, an on-line model update algorithm $(GA_MU)$ was developed and incorporated into GA III. The resulting on-line op-timization algorithm was experimentally applied to fed-batch cultures of re-combinant yeast with the same promoter and a similar plasmid size to the model strain, to maximize the cell mass concentration. It followed the actual process quite well and gave a 2.4-fold higher cell mass concentration than the open-loop control strategy, GA III with no model update by $GA_MU$.
A linguistic process model based on self-organizing genetic-fuzzy system was developed in order to overcome the major weakness, a structural inaccu-racy in using a deterministic mathematical model. Attractive features of the model include that its structure is generated by itself and that the structure can be modified easily whenever the discrepancy between the model-prediction and the measured data becomes larger than a certain threshold value. The effective-ness of the modeling scheme was demonstrated under conditions of poor initial parameter estimates and incorrect model assumptions. When a priori information on the process is quite limited and/or a fast on-line modification of the model is required, this modeling algorithm can be a very useful tool.
A series of fed-batch culture experiments were conducted with the model strain, a hPTH producing recombinant S. cerevisiae to characterize the process dynamics as well as the relationships among cell growth, galactose con-sumption, and hPTH production. Experimental results suggested that the pro-ductivity could be maximized by fed-batch cultivation under conditions of ac-tive cell growth and galactose consumption, with a dual feeding of glucose and galactose. An on-line optimization algorithm modified for dual feeding was ap-plied for the optimization of hPTH production. It was found to be very success-ful in maintaining cell growth and galactose consumption at high levels, thus resulting in significant improvements in the productivity (up to 2.1 times) and intact hPTH concentration (up to 1.5 times) compared with the case of an in-termittent glucose and galactose, or galactose feeding.
재조합 효모 유가식 배양 시스템에서의 온라인 최적화 전략 개발에 관한 연구를 수행하였다. 본 연구에서 개발하고자 하는 제어 전략은 다음과 같은 네가지 과정을 거쳐 완성되었다. (1) 구문들로 표현되는 모델 개발, (2) 모델에 기반한 최적 제어 전략 수립, (3) 실시간으로 모델을 개선하는 전략 개발 및 최적 제어 알고리듬과 모델 개선 알고리듬의 통합, (4) 실험을 통한 알고리듬의 효용성 검토, 복잡하고 시변적이며 비선형적인 생물공정 특유의 문제들을 쉽게 다루기 위해 각 단계마다 인공지능 기법이 도입되어 사용되었다. 본 연구에 사용된 모델 시스템은 외래 human parathyroid hormaon (hPTH) 단백질을 생산하는 재조합 효모 유가식 배양 공정이다.
유전자 알고리듬에 기반하고 각기 다른 특성을 지닌 세가지 최적화 전략을 개발하였다. 전산모사를 통해 각 전략끼리, 그리고 변분법과의 성능차이를 살펴보았다. 본 연구에서 개발된 최적화 알고리듬은 유전자 알고리듬이 지니고 있는 고유의 특성, 개체군을 한꺼번에 탐색하고 간단한 구조를 지니는 장점으로 변분법보다 더 나은 성능을 나타내었다. 기질 공급 시간과 기질 공급 속도 모두를 변수로 하여 최적화를 수행하는 GA III이 가장 좋은 결과를 보였으며 이 전략을 이후 실험에 사용하였다.
알고리듬에 적응 능력을 부여하기 위하여 온라인 모델 업데이트 기법 $(GA_MU)$을 개발하였고 이를 최적화 알고리듬인 GA III에 결합시켰다. 결합된 최적화 알고리듬을 재조합 효모 유가식 배양에 적용함으로써 그 효용성을 살펴 보았다. 개발된 최적화 알고리듬은 실제 공정을 잘 나타낼 수 있었으며 개발 루프 제어 전략보다 2.2배 높은 성능지수(최종 균체량)를 얻을 수 있었다.
수식에 의해 표현되는 결정론적 모델의 약점을 보완한 자기 구성 유전자-퍼지 모델을 개발하였다. 이 모델의 강점은 스스로 모델 구조를 생성하고 실제 공정과 오차가 발생할 경우 쉽게 구조를 개선할 수 있다는데 있다. 잘못된 초기 매개변수와 모델 구조를 가졌을 때 모델이 얼마나 효과적으로 실제 공정을 모사하는지를 살펴봄으로써 모델링 알고리듬의 효능을 검증하였다. 본 연구에서 개발된 모델링 알고리듬은 공정에 대한 사전 지식이 부족하고 빠른 온라인 적응 능력을 요구하는 시스템의 제어에 효과적으로 사용될 수 있을 것이다.
재조합 효모를 이용한 hPTH 단백질 생산 공정의 특성을 살펴보기 위해 유가식 배양을 수행하였다. hPTH 생산시 균체 성장과 갈락토오즈 소모가 배출 가스상에 어떠한 영향을 미치는지를 검토함으로써 실시간으로 공정 상태를 파악할 수 있었다. 유가식 배양 결과를 통해 활발한 균체 성장과 갈락토오즈 소모가 유지될 때 높은 공정 성능을 기대할 수 있다는 결론을 얻었다. 최종적으로, hPTH 생산 공정에 자기구성 유전자-퍼지 시스템과 GA I, $GA_MU$를 결합한 온라인 최적화 알고리듬을 적용하였다. 이 전략을 통해 균체 성장과 갈락토오즈 소모를 높은 수준에서 유지시킬 수 있었고 그결과 기존의 방법보다 놓은 부피 생산성 (2.1배)과 hPTH 농도 (1.5배)를 얻을 수 있었다.
