Aplicación de patrones intensidad de luz esparcida en la estimación de biomasa
Resumen
Este trabajo describe una propuesta para estimar concentraciones de biomasa en cultivos de interés biotecnológico, por medio de los patrones de intensidad de luz esparcida. Para este estudio se implementó un sistema para realizar la adquisición de estos patrones, y se aplicaron técnicas de regresión polinomial y de vectores de soporte para estimar valores de concentración. Para determinar la efectividad de esta técnica se utilizó como instrumento de referencia un espectrofotómetro comercial. Los resultados obtenidos permiten observar similitudes de comportamiento de los parámetros del patrón de esparcimiento en comparación con la transmitancia y absorbancia medidos con espectrofotómetro. Los modelos de regresión obtenidos permiten solventar las limitantes de precisión del sistema de adquisición de patrones de intensidad de luz esparcida implementado.
Descargas
Citas
Bechiele P., Busse C., Solle D., Scheper T., Reardon K., (2015). Sensor Systems for Bioprocess Monitoring. Engineering in Life Sciences, 2015(15), 469-488. DOI: 10.1002/elsc.201500014
Arnáiz, C., Isac, L., & Lebrato, J. (2000). Determinación de la biomasa en procesos biológicos: Métodos directos e Indirectos. Tecnología del Agua- 205, 45–52.
Halvik I., Beutel S., and et al. (2022). On-line Monitoring of Biological Parameters in Microalgal Bioprocesses Using Optical Methods. Energies. 15, 875-901 DOI: 10.3390/en15030875
Kutschera A. & Lamb J. (2018) Cost Effective Density Determination of Liquid Cultured Microorganism Current Microbiology 75,231-236 DOI: 10.1007/s00284-017-1370-3
Madrid, R. & Felice, C. (2005). Microbial biomass estimation. Crit. Rev. Biotechnol., 25, 97–112.
Mao J., Yan Y., Eichstädt O., Chen X., Wang Z., Cui J. (2017). A noninvasive online system for biomass monitoring in shaker flasks using backward scattered light. Biotechnology and Bioprocess Engineering 22,161-169
Madkour F. F.,et al (2012) Production and nutritive value of Spirulina platensis in reduced cost media. Egytian Journal of Aquatic Research. 38,51-57
Myers J. A., Curtis B. S., Curtis W. R.,(2013) Improving Accuracy of cell chromophore concentration measurements using optical density. BMC Biophysics, 6,1-15.
Pedregoza F., Varoquaux G, Gramfort Alexandre (2011)Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research.
Peckov, A. (2012). A Machine Learning Approach to Polynomial Regression Doctoral Dissertation. Joˇzef Stefan International Postgraduate School. Ljubljana, Slovenia
Schmidt-Hager J., Ude C., Findeis M., John G. T., Scheper T., Beutel S. (2014) Noninvasive online biomass detector system for cultivation in shake flasks. Engineering in Life Sciences (14) 467-476. DOI: 10.1002/elsc.201400026
Smola A. and Schölkopf B. (2004) A tutorial on support vector regression. Statistics and Computing 14: 199-222. DOI: 10.1023/B:STCO.0000035301.49549.88
Takor R.(2012) Scale-up of microbial processes: Impacts, tools and open questions. Journal of Biotechnology. 160. 3-9. DOI: 10.1016/j.jbiotec.2011.12.010
Ude C. Schmid-Hager C. Findeis M. John G.T. Scheper T. Beutel S. (2014) Application of an Online-Biomass Sensor in an Optical Multisensory Platform Prototype for Growth Monitoring of Biotechnical Relevant Microorganism and Cell Lines in Single-Use Shake Flasks. Sensors 14: 17390-17405. DOI: 10.3390/s140917390
