Revista de Farmacia e Investigación Farmacéutica Acceso abierto

Abstracto

Modelado y optimización de las condiciones de fermentación para la producción de glicolipopéptidos utilizando metodología de superficie de respuesta y enfoques de inteligencia artificial

Maurice G. Ekpenyong

Planteamiento del problema: La cepa IKW1 de Pseudomonas aeruginosa produjo un biosurfactante cuando se cultivó en un medio basal de aceite de girasol de fritura residual. El compuesto activo redujo la tensión superficial del caldo de fermentación a 24,62 dinas/cm a una concentración micelar crítica de 20,80 mg/L. Se identificó mediante cromatografía líquida de alto rendimiento y espectrometría infrarroja por transformada de Fourier como un glicolipopéptido. Demostró considerables capacidades de emulsión y formación de espuma, lo que sugiere su idoneidad para aplicaciones en formulaciones farmacéuticas y de detergentes. Sin embargo, el rendimiento del producto fue bajo, lo que hizo impracticable la producción a gran escala para las aplicaciones recomendadas. Varios investigadores han informado de una mejora del rendimiento mediante enfoques estratégicos de optimización del medio. Anteriormente, adoptamos la metodología de superficie de respuesta (MSR) para la optimización de los principales nutrientes y registramos un aumento encomiable del rendimiento. Más tarde, empleamos el diseño de Placket-Burman (PBD) y MSR para examinar y optimizar los nutrientes traza y obtuvimos una mejora significativa del rendimiento. Sin embargo, los informes de investigación indican que la red neuronal artificial (RNA) es un mejor enfoque de optimización. Metodología y orientación teórica: En este estudio, optimizamos las condiciones de fermentación como temperatura, pH, agitación y duración utilizando RSM, y comparamos los resultados con los obtenidos con ANN vinculada con algoritmo genético (ANN-GA) y optimización de enjambre de partículas (ANN-PSO). Hallazgos: Nuestros resultados mostraron que el modelo de respuesta del biosurfactante, predicho por una función cuadrática de RSM, fue significativo (P < 0,0001; R2 ajustado = 0,9911; RMSE = 0,034), estableciendo los niveles del factor a temperatura -32 °C, pH - 7,6, velocidad de agitación - 130 rpm y tiempo de fermentación - 66 h. La concentración máxima de glicolipopéptido fue 107,19 g / L con un rendimiento (Yp / x) de 4,24. Los resultados comparativos de ANN-GA (R2=0,9997; RMSE=0,055) y ANN-PSO (R2=0,9914, RMSE=0,047) mostraron que los ajustes de modelo y factor optimizado no fueron significativamente (P>0,05) diferentes de los obtenidos con RSM. Conclusión y significación: Esto sugiere que RSM, cuando se ejecuta meticulosamente, podría ser una herramienta de modelado y optimización tan buena como los métodos de redes neuronales.