CN111063391B - 一种基于生成式对抗网络原理的不可培养微生物筛选系统 - Google Patents
一种基于生成式对抗网络原理的不可培养微生物筛选系统 Download PDFInfo
- Publication number
- CN111063391B CN111063391B CN201911328120.3A CN201911328120A CN111063391B CN 111063391 B CN111063391 B CN 111063391B CN 201911328120 A CN201911328120 A CN 201911328120A CN 111063391 B CN111063391 B CN 111063391B
- Authority
- CN
- China
- Prior art keywords
- network
- culturable
- main controller
- principle
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 244000005700 microbiome Species 0.000 title claims abstract description 69
- 238000012216 screening Methods 0.000 title claims abstract description 34
- 238000007789 sealing Methods 0.000 claims abstract description 21
- 239000001963 growth medium Substances 0.000 claims abstract description 20
- 230000002503 metabolic effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000007788 liquid Substances 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 239000004615 ingredient Substances 0.000 claims description 14
- 230000002572 peristaltic effect Effects 0.000 claims description 14
- 241000894006 Bacteria Species 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 108700026244 Open Reading Frames Proteins 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 239000011148 porous material Substances 0.000 claims description 7
- 238000007671 third-generation sequencing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 239000002609 medium Substances 0.000 claims description 5
- 229920001817 Agar Polymers 0.000 claims description 4
- 239000008272 agar Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000002965 ELISA Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001580 bacterial effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000008485 antagonism Effects 0.000 claims 11
- 238000005086 pumping Methods 0.000 claims 1
- 238000013102 re-test Methods 0.000 claims 1
- 238000012258 culturing Methods 0.000 abstract description 4
- 238000013526 transfer learning Methods 0.000 abstract description 2
- 239000000306 component Substances 0.000 abstract 1
- 238000013508 migration Methods 0.000 abstract 1
- 230000005012 migration Effects 0.000 abstract 1
- 238000005070 sampling Methods 0.000 abstract 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 241000186361 Actinobacteria <class> Species 0.000 description 1
- 229930182555 Penicillin Natural products 0.000 description 1
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 229940049954 penicillin Drugs 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
- 235000013618 yogurt Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
Landscapes
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于生成式对抗网络原理的不可培养微生物筛选系统，该系统将不可培养微生物进行数据处理得到代谢网络和基因组数据，输入如图一所示模型，得到一系列培养基成分，系统自动取样、封板、培养、检测，得出培养结果。将这些结果输入训练网络改进参数优化模型，由于不可培养微生物和可培养微生物之间存在数据分布上的差异，利用迁移学习，基于生成式对抗网络的原理，将不可培养微生物作为目标域数据集，可培养微生物数据集作为源域数据集，通过生成式对抗网络的判别器原理，缩小源域与目标域之间的特征空间分布差异，完成可培养微生物到不可培养微生物的知识迁移，使我们的自动化系统更加完善，达到提高预测培养基配方准确率的目的。
Description
技术领域
本发明涉及生物信息学、人工智能、生物控制技术领域、自动化控制等技术领域，具体涉及一种基于生成式对抗网络原理的不可培养微生物筛选系统。
背景技术
众所周知，各种各样的微生物存在于世界的每一个角落。它给人类提供了很多方面的便捷，像是从放线菌的代谢产物里青霉素可以抑制病原菌的生长，乳酸菌把碳水化合物发酵成乳酸，是制备酸奶的好帮手；但同时也给人类带来一定困扰，例如养殖损失、水体污染、食物发霉等等。目前来说，在实验室可培养的微生物不到所有微生物的1%，能达到工业培养的更是微乎其微，使得人们对有益菌的利用和有害菌的了解产生了障碍。因此，寻找合适的培养基就成了利用不可培养微生物的研究重点。
微生物的培养基的本质是由基因控制和表达的表型的组合，并且与微生物的代谢情况密切相关。测序技术的不断发展使得环境中不可培养微生物的研究变为可能。三代测序无需扩增，有读长长的优点，再引入宏基因组测序的数据进行修正也可保证其准确率。基因组规模代谢网络模型是由基因组数据得到的，囊括微生物细胞内部发生的全部已知的生化反应。将代谢网络和三代测序结果一起作为微生物的数据特征训练神经网络，从而找寻微生物基因和代谢情况跟培养基组成成分的关系，达到预测培养基成分的目的。但是，许多微生物类群与实验室菌株的亲缘关系非常远，属于全新的科、目、门，这导致了不可培养微生物和实验室菌株基因组序列的分布差异过大，会大大降低神经网络的预测准确度。在本发明中，通过不可培养微生物培养基配方预测模型对不可培养的微生物培养基配方预测，然后通过自动化实验验证，并将结果更新到模型的训练集，自动化实验平台提高了实验效率，同时不断更新模型训练集，使得模型不断进行学习优化，从而提高模型对不可培养微生物培养基配方预测的准确性。
发明内容
本系统创新性地利用基于生成式对抗网络原理的模型，将可培养微生物作为源域，不可培养微生物作为目标域，缩小源域与目标域之间的差异，来进一步提升预测准确率。得到预测结果后，本系统自动取样、封板、培养、检测，验证预测结果的准确性，并用培养结果和预测结果继续优化模型。如若微生物被成功培养，则将该微生物培养基输入到数据库中，以供后人查阅。
一种基于生成式对抗网络原理的不可培养微生物筛选系统，其特征在于：包括如下步骤：数据处理、模型训练和全自动系统筛选。
作为优选，所述的不可培养微生物筛选系统的数据处理，其特征在于：将环境中的微生物同时进行三代测序和宏基因组测序，使用宏基因组测序结果来矫正和填充三代测序的结果，分箱后得到较为完整的单物种基因组草图。再将基因组草图进行基因注释和冗余序列去除，得到物种的开放阅读框序列，使用其构建基因组规模的代谢网络。
作为优选，所述的不可培养微生物筛选系统的模型训练，其特征在于：使用矩阵形式的代谢网络、测序数据和培养结果分别训练特征提取器一跟特征提取器二，两个特征提取器共同产生m*n维同纬度矩阵作为两个通道输入神经网络。神经网络经过一系列维度转变输出样本配方向量，输出配方结果。
作为优选，所述的不可培养微生物筛选系统的全自动系统筛选，其特征在于：获培养基配方结果，对每种配方及其具体的配料进行编码，通过串口将配料信息传输当主控制器；主控制器接收到配料信息后，通过控制对于配料的微型蠕动泵，抽取配料溶液，将溶液在软管中混合；配方混合完成后，主控制器控制龙门滑台将加液枪头移动到指定加液位置，达到指定位置后主控制器控制加液蠕动泵对酶标板进行加液；主控制器控制龙门滑台将加液枪头移动至液体回收烧瓶位置，达到指定位置后控制电磁阀和加液蠕动泵抽取纯水自动清洗软管。完成完成培养基配方加液后，主控制器控制滑台，将已经加液的孔板移动到加菌位置；完成加菌后，主控制器控制滑台，将完成加液的孔板移动到封板位置；完成封板后，主控器控制控制滑台将完成封板的96孔板移动至37℃恒温培养箱(系统上电后，立即开启恒温控制)处，进行恒温培养，培养时间根据不同菌种可自行设置；完成恒温培养后，主控器控制滑台，将完成培养的96孔板移动到光电检测位置，进行检测。生长的菌液，涂布到含有相同配方的半固体琼脂培养基上进行单菌落生长，挑选单菌落进行质谱仪鉴定和分析。主控制将检测结果传输到上位机，上位机自动将每种配方及其对应测试结果通过网络更新到数据库。数据库更新后，即更新学习网络训练集，学习网络重新学习，对模型进行优化，并自动使用测试集重新测试，验证模型准确率。
作为优选，所述的一种基于生成式对抗网络原理的不可培养微生物筛选系统其特征在于：一种基于生成式对抗网络原理的不可培养微生物筛选系统包括两部分组成，一是基于生成式对抗网络原理的不可培养微生物培养基配方预测模型，二是微生物培养及测量自动化平台。
作为优选，所述的一种基于生成式对抗网络原理的不可培养微生物筛选系统其特征在于：采用高性能服务器和工业控制计算机和ARM控制器构成的控制系统，系统将三代测序结果一起作为输入数据，通过预测模型输出多种培养基配方，通过对配方及其具体配料进行编码，作为微生物培养及测量自动化平台输入，通过平台对模型预测配方进行自动化实验，将实验结果更新到数据库供模型不断学习优化，以提高模型预测培养基配方的准确率。
附图说明
图1是一种基于生成式对抗网络原理的不可培养微生物筛选系统模型原理框图。
图2是微生物培养及测量自动化平台系统示意图。其中，21是预测培养基的神经网络模型；22是试剂配方库，23是蠕动泵，24是液体分装模块，25是封板模块，26是恒温培养模块，27是OD值测量模块，28是琼脂单菌落培养模块，29是质谱菌落鉴定模块。
图3是一种基于生成式对抗网络原理的不可培养微生物筛选系统效果图。其中，31是包含配方的容器，32是多通道泵，33是搅拌器，34是加样器，35是封板机，36是提过适宜温度的培养箱，37是酶标仪，38是鉴定单菌落的质谱仪。
具体实施方法
实施例1：
如图3所示，本实施例的自动培养筛选系统主要由容器31，多通道泵32，搅拌器33，加样器34，封板机35，提供适宜温度的培养箱36，酶标仪37，和质谱仪38串联组成。
在得到三代测序数据和二代测序数据后，使用Canu软件进行序列纠错和拼接，再使用gapfiler结合二代数据进行GAP填充，得到但基因组完整的草图，再使用Prodigal软件进行基因注释，得到基因组的开放阅读框，使用carveme软件构建代谢网络模型，再使用COBRApy中的函数转换网络模型的格式便于利用。接下来使用python构建一个深度学习模型，其中包括两个特征提取器和一个全连接层神经网络。用已知的培养数据和基因组序列训练特征提取器1，用已知的培养数据和代谢网络训练特征提取器2，再将两个特征提取器得到的特征训练神经网络3，从神经网络3里得到预测的配方结果。配方结果通过软件进行编码，将编码后的配方作为输入，通过串口传输到微生物培养及测量自动化平台，平台主控制器通过控制微型蠕动泵抽取具体配料，各种配料通过T形3通宝塔连接头和软管连接起来，蠕动泵抽取的配料在软管中混合。主控制器控制XYZ龙门滑台将加液口移动到指定位置后，控制蠕动泵抽取混合后的液体，加到96孔板中。其中，每种配方加4个孔。完成一种配方加液后，主控制器通过控制蠕动泵抽取水，对软管进行冲洗，然后进行下一种配方加液。重复以上过程，直到完成所有配方加液。主控制器控制滑台，将加液的96孔板移动至加菌位置，达到加菌位置后，主控制器通过控制机械臂及自动分液枪对每个孔进行加菌，完成加菌后，主控制器控制滑台将96孔板移动到封板位置，达到封板位置后，通过控制夹爪机械臂，将96孔板移动至自动封板机，完成封板，完成一次封板后，夹爪机械臂将封板后的96孔板移动回滑台位置，重复以上封板步骤直到完成所有96孔板封板。完成封板后，主控制器控制滑台将封板后的96孔板移动到恒温培养箱进行培养，培养结束后，主控制器控制滑台将96孔板移动至光电检测位置进行OD值检测，将检测数据再次输入训练网络进一步更改参数优化模型。由于不可培养微生物和可培养微生物之间存在数据分布上的差异，利用迁移学习，基于生成式对抗网络的原理，将不可培养微生物作为目标域数据集，可培养微生物数据集作为源域数据集，通过生成式对抗网络的判别器原理，缩小源域与目标域之间的特征空间分布差异，从而完成可培养微生物到不可培养微生物的知识迁移，得到更为准确的预测结果。
上述所述，只是本发明的较佳实施方式而已，并不能对本发明进行全面限定，其他任何未背离本发明技术方案做的改变或等效置换方式，都在本发明的保护范围之内。
Claims (12)
1.一种基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：包括如下步骤：数据处理、模型训练和全自动系统筛选；其中，
所述不可培养微生物筛选方法的数据处理，将环境中的微生物同时进行三代测序和宏基因组测序，使用宏基因组测序结果来矫正和填充三代测序的结果，分箱后得到较为完整的单物种基因组草图，再将基因组草图进行基因注释和几余序列去除，得到物种的开放阅读框序列，使用其构建基因组规模的代谢网络；
所述不可培养微生物筛选方法的模型训练，使用矩阵形式的代谢网络、测序数据和培养结果分别训练特征提取器一跟特征提取器二，两个特征提取器共同产生m*n维同纬度矩阵作为两个通道输入神经网络，神经网络经过一系列维度转变输出样本配方向量，输出配方结果；
所述不可培养微生物筛选方法的全自动系统筛选，获培养基配方结果，对每种配方及其具体的配料进行编码，通过串口将配料信息传输当主控制器，主控制器接收到配料信息后，通过控制对于配料的微型蠕动泵，抽取配料溶液，将溶液在软管中混合；配方混合完成后，主控制器控制龙门滑台将加液枪头移动到指定加液位置，达到指定位置后主控制器控制加液蠕动泵对酶标板进行加液：主控制器控制龙门滑台将加液枪头移动至液体回收烧瓶位置，达到指定位置后控制电磁阀和加液蠕动泵抽取纯水自动清洗软管，完成培养基配方加液后，主控制器控制滑台，将已经加液的孔板移动到加菌位置；完成加菌后，主控制器控制滑台，将完成加液的孔板移动到封板位置；完成封板后，主控器控制滑台将完成封板的96孔板移动至37℃恒温培养箱，系统上电后，立即开启恒温控制处，进行恒温培养，培养时间根据不同菌种可自行设置；完成恒温培养后，主控器控制滑台，将完成培养的96孔板移动到光电检测位置，进行检测生长的菌液，涂布到含有相同配方的半固体琼脂培养基上进行单菌落生长，挑选单菌落进行质谱仪鉴定和分析，主控制将检测结果传输到上位机，上位机自动将每种配方及其对应测试结果通过网络更新到数据库，数据库更新后，即更新学习网络训练集，学习网络重新学习，对模型进行优化，并自动使用测试集重新测试，验证模型准确率。
2.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：将环境中的微生物同时进行三代测序和宏基因组测序，使用宏基因组测序结果来矫正和填充三代测序的结果，分箱后得到较为完整的单物种基因组草图。
3.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：再将基因组草图进行基因注释和冗余序列去除，得到物种的开放阅读框序列，使用其构建基因组规模的代谢网络。
4.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：使用矩阵形式的代谢网络、测序数据和培养结果分别训练特征提取器一跟特征提取器二，两个特征提取器共同产生m*n维同纬度矩阵作为两个通道输入神经网络。
5.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：神经网络经过一系列维度转变输出样本配方向量，输出配方结果。
6.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：获培养基配方结果，对每种配方及其具体的配料进行编码，通过串口将配料信息传输当主控制器；主控制器接收到配料信息后，通过控制对于配料的微型蠕动泵，抽取配料溶液，将溶液在软管中混合；配方混合完成后，主控制器控制龙门滑台将加液枪头移动到指定加液位置，达到指定位置后主控制器控制加液蠕动泵对酶标板进行加液；主控制器控制龙门滑台将加液枪头移动至液体回收烧瓶位置，达到指定位置后控制电磁阀和加液蠕动泵抽取纯水自动清洗软管。
7.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：完成培养基配方加液后，主控制器控制滑台，将已经加液的孔板移动到加菌位置；完成加菌后，主控制器控制滑台，将完成加液的孔板移动到封板位置；完成封板后，主控器控制滑台将完成封板的96孔板移动至37℃恒温培养箱，系统上电后，立即开启恒温控制处，进行恒温培养，培养时间根据不同菌种可自行设置；完成恒温培养后，主控器控制滑台，将完成培养的96孔板移动到光电检测位置，进行检测。
8.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：生长的菌液，涂布到含有相同配方的半固体琼脂培养基上进行单菌落生长，挑选单菌落进行质谱仪鉴定和分析。
9.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：主控制将检测结果传输到上位机，上位机自动将每种配方及其对应测试结果通过网络更新到数据库。
10.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：数据库更新后，即更新学习网络训练集，学习网络重新学习，对模型进行优化，并自动使用测试集重新测试，验证模型准确率。
11.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：一种基于生成式对抗网络原理的不可培养微生物筛选方法包括两部分组成，一是基于生成式对抗网络原理的不可培养微生物培养基配方预测模型，二是微生物培养及测量自动化平台。
12.如权利要求1所述的基于生成式对抗网络原理的不可培养微生物筛选方法，其特征在于：采用高性能服务器和工业控制计算机和ARM控制器构成的控制系统，系统将三代测序结果一起作为输入数据，通过预测模型输出多种培养基配方，通过对配方及其具体配料进行编码，作为微生物培养及测量自动化平台输入，通过平台对模型预测配方进行自动化实验，将实验结果更新到数据库供模型不断学习优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328120.3A CN111063391B (zh) | 2019-12-20 | 2019-12-20 | 一种基于生成式对抗网络原理的不可培养微生物筛选系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328120.3A CN111063391B (zh) | 2019-12-20 | 2019-12-20 | 一种基于生成式对抗网络原理的不可培养微生物筛选系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111063391A CN111063391A (zh) | 2020-04-24 |
| CN111063391B true CN111063391B (zh) | 2023-04-25 |
Family
ID=70302478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911328120.3A Active CN111063391B (zh) | 2019-12-20 | 2019-12-20 | 一种基于生成式对抗网络原理的不可培养微生物筛选系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111063391B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113450882B (zh) * | 2020-09-27 | 2022-03-01 | 深圳太力生物技术有限责任公司 | 一种基于人工智能的基础培养基配方开发方法及系统 |
| CN114121161B (zh) * | 2021-06-04 | 2022-08-05 | 深圳太力生物技术有限责任公司 | 一种基于迁移学习的培养基配方开发方法及系统 |
| CN113793643A (zh) * | 2021-08-19 | 2021-12-14 | 天津科技大学 | 一种基于图论和贪婪算法挖掘组学数据的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103255110A (zh) * | 2006-08-25 | 2013-08-21 | 美国国有健康与人类服务部(马里兰州) | 修饰的安卡拉痘苗病毒基因的基因组中保守基因之间的基因间位点 |
| WO2017210225A1 (en) * | 2016-05-31 | 2017-12-07 | Q Bio, Inc. | Tensor field mapping |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009149519A1 (en) * | 2008-06-12 | 2009-12-17 | Winwick Business Solutions Pty Ltd | System for cultivation and processing of microorganisms and products therefrom |
| CN101514347B (zh) * | 2009-03-20 | 2011-04-13 | 国家海洋局第三海洋研究所 | 具氨苄青霉素抗性的质粒t5与dna序列及构建方法 |
| PT3344776T (pt) * | 2015-09-04 | 2021-08-03 | Synthetic Genomics Inc | Microorganismos recombinantes de algas com aumento de produtividade |
| EP3231874A1 (en) * | 2016-04-14 | 2017-10-18 | Curetis GmbH | Using the full repertoire of genetic information from bacterial genomes and plasmids for improved genetic resistance tests |
| CN106950212B (zh) * | 2017-04-30 | 2019-12-27 | 海南大学 | 一种快速检测微生物的基于星状环糊精的荧光传感器 |
| US10325673B2 (en) * | 2017-07-25 | 2019-06-18 | Insilico Medicine, Inc. | Deep transcriptomic markers of human biological aging and methods of determining a biological aging clock |
| EP3486816A1 (en) * | 2017-11-16 | 2019-05-22 | Institut Pasteur | Method, device, and computer program for generating protein sequences with autoregressive neural networks |
| IL311528A (en) * | 2018-02-17 | 2024-05-01 | Regeneron Pharma | GAN-CNN for MHC peptide binding prediction |
| CN108595916B (zh) * | 2018-05-10 | 2020-10-20 | 浙江工业大学 | 基于生成对抗网络的基因表达全谱推断方法 |
| CN110136773A (zh) * | 2019-04-02 | 2019-08-16 | 上海交通大学 | 一种基于深度学习的植物蛋白质互作网络构建方法 |
-
2019
- 2019-12-20 CN CN201911328120.3A patent/CN111063391B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103255110A (zh) * | 2006-08-25 | 2013-08-21 | 美国国有健康与人类服务部(马里兰州) | 修饰的安卡拉痘苗病毒基因的基因组中保守基因之间的基因间位点 |
| WO2017210225A1 (en) * | 2016-05-31 | 2017-12-07 | Q Bio, Inc. | Tensor field mapping |
Non-Patent Citations (2)
| Title |
|---|
| 杨朔 ; 陈丽芳 ; 石 ; 毛一鸣 ; .基于深度生成式对抗网络的蓝藻语义分割.计算机应用.2018,(第06期),全文. * |
| 杨柳 ; 李志辉 ; 林立彬 ; .激素对不同种源樟树体胚发生的影响.中南林业科技大学学报.2018,(第12期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111063391A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111063391B (zh) | 一种基于生成式对抗网络原理的不可培养微生物筛选系统 | |
| Pham et al. | Cultivation of unculturable soil bacteria | |
| Zengler et al. | A road map for the development of community systems (CoSy) biology | |
| Bareither et al. | Automated disposable small scale reactor for high throughput bioprocess development: a proof of concept study | |
| Alford | Bioprocess control: Advances and challenges | |
| US11525836B2 (en) | Automated bioprocess development | |
| Zhang et al. | Adaptive evolution of synthetic cooperating communities improves growth performance | |
| Moser et al. | Mechanistic mathematical models as a basis for digital twins | |
| US11939563B2 (en) | Continuous automated perfusion culture analysis system (CAPCAS) and applications of same | |
| Zhao et al. | Precise prediction of promoter strength based on a de novo synthetic promoter library coupled with machine learning | |
| Janzen et al. | Implementation of a fully automated microbial cultivation platform for strain and process screening | |
| Zhang et al. | A multi-scale study of industrial fermentation processes and their optimization | |
| Arjes et al. | Construction and characterization of a genome-scale ordered mutant collection of Bacteroides thetaiotaomicron | |
| Connors et al. | Model-guided design of the diversity of a synthetic human gut community | |
| CN110544507A (zh) | 基于组学整合技术调控固态发酵的方法及系统和应用 | |
| Liu et al. | Quantitative and analytical tools to analyze the spatiotemporal population dynamics of microbial consortia | |
| Venturelli et al. | What is the key challenge in engineering microbiomes? | |
| Komives et al. | Bioprocessing technology for production of biopharmaceuticals and bioproducts | |
| US20230399689A1 (en) | Systems and methods for integration of microbial sequencing with growth recipes | |
| Lan et al. | High-throughput single-cell sequencing of multiple invertible promoters reveals a strong determinant of bacterial population heterogeneity | |
| Ghosh et al. | Modeling and kinetics of fermentation technology | |
| Valente et al. | Modelling fed-batch fermentation processes: an approach based on artificial neural networks | |
| Dutta et al. | Phenomenological models as effective tools to discover cellular design principles | |
| Braniff | Optimal Experimental Design Applied to Models of Microbial Gene Regulation | |
| Galvanauskas et al. | Model-based design of biochemical processes: simulation studies and experimental tests |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |