Journal de pharmacie et de recherche pharmaceutique Libre accès

Abstrait

Modélisation et optimisation des conditions de fermentation pour la production de glycolipopeptides à l'aide de la méthodologie des surfaces de réponse et d'approches d'intelligence artificielle

Maurice G Ekpenyong

Français : Énoncé du problème : La souche IKW1 de Pseudomonas aeruginosa a produit un biosurfactant lorsqu'elle a été cultivée dans un milieu de base d'huile de tournesol de friture usagée. Le composé actif a réduit la tension superficielle du bouillon de fermentation à 24,62 dynes/cm à une concentration micellaire critique de 20,80 mg/L. Il a été identifié par chromatographie liquide haute performance et spectrométrie infrarouge à transformée de Fourier comme un glycolipopeptide. Il a démontré des capacités d'émulsification et de moussage considérables suggérant une adéquation aux applications dans les formulations pharmaceutiques et détergentes. Cependant, le rendement du produit était faible, ce qui rendait la production à grande échelle pour les applications recommandées impraticable. Plusieurs chercheurs ont signalé une amélioration du rendement grâce à des approches d'optimisation stratégique du milieu. Auparavant, nous avons adopté la méthodologie de surface de réponse (RSM) pour l'optimisation des principaux nutriments et avons enregistré une augmentation louable du rendement. Plus tard, nous avons utilisé la conception de Placket-Burman (PBD) et la RSM pour filtrer et optimiser les oligo-éléments et avons obtenu une amélioration significative du rendement. Cependant, les rapports de recherche indiquent que le réseau neuronal artificiel (ANN) est une meilleure approche d'optimisation. Méthodologie et orientation théorique : Dans cette étude, nous avons optimisé les conditions de fermentation comme la température, le pH, l'agitation et la durée en utilisant RSM, et comparé les résultats à ceux obtenus avec ANN lié à un algorithme génétique (ANN-GA) et l'optimisation par essaim de particules (ANN-PSO). Résultats : Nos résultats ont montré que le modèle de réponse du biosurfactant, prédit par une fonction quadratique de RSM, était significatif (P<0,0001 ; R2 ajusté=0,9911 ; RMSE=0,034), fixant les niveaux de facteurs à une température de -32�C, un pH de -7,6, une vitesse d'agitation de -130 tr/min et une durée de fermentation de -66 h. La concentration maximale en glycolipopeptides était de 107,19 g/L avec un rendement (Yp/x) de 4,24. Les résultats comparatifs de l'ANN-GA (R2 = 0,9997 ; RMSE = 0,055) et de l'ANN-PSO (R2 = 0,9914, RMSE = 0,047) ont montré que les paramètres du modèle et des facteurs optimisés n'étaient pas significativement (P> 0,05) différents de ceux obtenus avec RSM. Conclusion et signification : Cela suggère que RSM, lorsqu'il est exécuté méticuleusement, pourrait être un outil de modélisation et d'optimisation aussi efficace que les méthodes de réseaux neuronaux.