编辑推荐：
在食品加工废水生产单细胞蛋白（SCP）领域，系统性能受多种因素影响，难以预测。研究人员运用集成学习算法建模。结果显示，基于高斯过程回归（GPR）的模型预测效果佳，能助力优化 SCP 生产，推动可持续发展。
随着全球对可持续蛋白质来源需求的增加以及环境问题日益受到关注，寻找创新的蛋白质生产方式迫在眉睫。微生物单细胞蛋白（SCP）合成，作为一种极具潜力的解决方案，能够将富含营养的食品加工废水转化为有价值的蛋白质，既减少了废弃物，又降低了对环境的危害。大豆加工产业在食品行业占据重要地位，其产生的大量废水富含可生物降解的营养物质，本是生产 SCP 的优质底物，却常被当作污染物处理。
然而，利用食品加工废水生产 SCP 面临诸多挑战。在实际生产中，反应器内微生物群落的动态变化极易受到进水成分、曝气速率以及碳氮源等营养需求变化的影响。在小型食品加工厂的处理系统里，进水成分的波动常常导致系统处于非稳态，这不仅增加了管理成本，还影响了 SCP 的产量和环境效率。传统的基于数学建模的过程控制方法，由于生物系统的高度非线性和复杂性，难以满足在动态环境下高效实时决策的需求。
为了解决这些问题，来自多个研究机构（文中未明确具体研究机构）的研究人员开展了一项关于利用集成学习预测序批式反应器中食品加工废水单细胞蛋白产量的研究。他们通过一系列实验和分析，建立了多种预测模型，最终发现基于高斯过程回归（GPR）的集成模型在预测关键出水和生物质变量方面表现优异，显著优于线性回归模型。这一研究成果对于优化 SCP 生产过程、提高蛋白质资源利用效率具有重要意义，相关论文发表在《Bioresource Technology》上。
研究人员开展研究时用到的主要关键技术方法包括：首先，采用序批式反应器（SBRs）进行实验，其操作灵活，适用于小规模研究。其次，运用集成学习算法，如支持向量回归集成、高斯过程回归（GPR）集成、随机森林和极端梯度提升等构建预测模型。同时，进行相关性分析和输入特征选择，去除冗余特征，提高模型可靠性和效率 。
单细胞蛋白生产工作流程设计
研究采用了基于大豆加工废水生产 SCP 的工作流程，该流程参考了之前发表的研究成果。选用序批式反应器（SBRs），其接种物来源于同一废水源的好氧反应器。这种反应器操作灵活，适合小规模研究，为后续实验奠定了基础。
相关性分析和输入特征选择
在构建模型时，分析输入特征间的相关性并筛选特征至关重要。研究发现，当皮尔逊相关系数（PCC）的绝对值大于 0.8 时，相关性较强，可能导致模型冗余。通过筛选，去除冗余特征，提高了预测的可靠性和效率，为后续构建更精准的模型提供了保障。
模型性能评估
研究人员对多种集成学习模型进行训练和测试，包括支持向量回归集成、高斯过程回归（GPR）集成、随机森林和极端梯度提升等。结果显示，基于 GPR 的集成模型在预测生物质产量等关键变量时表现最佳，决定系数（R2）达到 0.72 ，远高于线性回归的 R2（0.4），且能有效避免过拟合。这表明基于 GPR 的集成模型能更准确地预测 SCP 生产性能，为实际生产提供更可靠的依据。
研究结论表明，基于 GPR 的集成模型在预测连续流入序批式反应器系统中，利用大豆加工废水生产 SCP 的性能方面，表现优于其他算法。该模型仅使用基于废水特性和操作参数确定的最具影响力的输入特征，就能有效预测系统性能，提高了成本效益。这一研究成果为优化 SCP 生产过程提供了有价值的见解，有助于确定最佳操作策略，推动蛋白质资源的高效利用，促进可持续食品系统的发展。同时，该研究也为解决食品加工废水处理和可持续蛋白质生产问题提供了新的思路和方法，在资源回收和环境保护领域具有广阔的应用前景。
