近日，中国农业大学工学院彭彦昆团队苏文浩研究员课题组在智能发酵领域取得重要进展。团队成功为发酵罐装上“火眼金睛”，实现了对微生物发酵全过程的实时深度洞察。相关成果发表于分析化学领域国际权威期刊《Microchemical Journal》（创刊于1957年）。该研究开发了一套由化学计量学赋能的智能近红外（NIR）传感平台，首次实现了马克斯克鲁维酵母（Kluyveromyces marxianus）高密度发酵过程中生物量与蛋白质含量的实时、原位、非破坏性定量监测。这一创新方案为微生物蛋白生产的过程控制与智慧化管理提供了强有力的技术支撑。
传统发酵长期以来就像开“盲盒”——微生物在罐里长得好不好、产出的蛋白质多不多，往往得靠人工取样送去化验，等结果出来时，发酵状态早变了。这种“后知后觉”不仅费时费力，还容易因为操作误差导致每一批产品的质量像坐“过山车”。在生物制造高度自动化的今天，智能发酵控制不再是“加分项”，而是“必选项”。它让生产从“靠经验、凭感觉”变成了“看数据、精准控”，通过实时掌握微生物的每一步动态，不仅能像开启“上帝视角”一样避开生产风险，更能极大提升原料的转化效率，确保每一批产品都能达到最高标准，真正实现生物制造的提质增效。
随着全球对可持续蛋白需求的日益增长，马克斯克鲁维酵母凭借其生长效率高、生物量产量大及耐热性强等显著优势，已成为替代蛋白领域的重要研究热点，能够通过高密度发酵将营养物质高效转化为富含蛋白质的生物质。然而，当前发酵过程的质量控制仍面临严峻挑战：传统的蛋白质和生物量检测方法（如杜马斯燃烧法及干燥称重法）通常耗时较长、具有破坏性且无法实现工业化实时监控，而离线采样过程中的测量延迟与潜在的微生物污染风险进一步限制了生产效率。为此，该研究开发了一套结合近红外光谱技术与先进机器学习算法的智能化监控系统，实现了关键品质指标的原位、快速、非破坏性监测，为提升发酵过程的可控性与产品质量稳定性提供了核心技术保障。
该研究针对马克斯克鲁维酵母发酵过程中生物量与蛋白质含量难以实时定量监控的瓶颈，成功构建了一套软硬件深度集成的智能化近红外监测系统。该系统通过浸入式光纤探头实现原位光谱采集，并深度融合了高稳定性光谱特征提取算法与先进的非线性学习模型，为微生物蛋白的智慧化生产提供了全流程、自动化、非破坏性的解决方案 。
1.工业级原位传感硬件体系的深度集成
研究团队成功开发了一套集成了高强度近红外光源与TP-N600-7D-1M-ST 浸入式光纤探头的在线传感硬件平台。该探头通过标准的PG13.5接口直接插入 5 L发酵罐内部，实现了发酵液信息的原位实时采集，从根本上规避了传统离线取样分析所带来的测量时滞与微生物污染风险。针对高密度发酵环境中高浑浊度底物及机械搅拌产生的复杂干扰，系统采用多重连续扫描信号平均技术，显著增强了光谱数据的信噪比与基线稳定性，为后续精准建模奠定了坚实的物理数据基础。
2.多维预处理策略探究
为建立稳健的预测模型，研究系统探究了 Savitzky–Golay平滑（SG）、标准正态变量变换（SNV）、一阶导数（1st）及其四种组合序列（SG+SNV、SG+1st、SNV+1st、SG+1st+SNV）共七种预处理策略。
(a)Raw spectral image; (b–h) Spectral images after preprocessing with SG, SNV, 1st, SG+SNV, SG+1st, SNV+1st, and SG+1st+SNV, respectively.
图 2 原始光谱与预处理光谱的对比
3.稳定性驱动的特征精炼与稳健预测模型
对近红外光谱维数高、冗余重叠严重的难题，研究引入了增强稳定性-无信息变量消除法（ES-UVE）。该策略通过多轮随机噪声仿真与变量稳定性指标量化，精准识别并剔除无信息变量，实现了光谱特征的深度解耦与维度压缩，将蛋白质与生物量的特征波段分别精炼至11个和9个。依托核心特征构建的 RFR 引擎充分发挥集成学习优势，精准建立了光谱信号与多组分浓度间的非线性映射关系。性能验证显示，生物量预测的R²p达到 0.938，RMSEP为 0.411 g/100 mL；蛋白质预测的R²p达到 0.903，RMSEP 为1.593%，实现了检测精度与泛化能力的同步跨越。
(a) Relationship between the number of selected feature wavelengths and RMSECV for protein content; (b) Relationship between the number of selected feature wavelengths and RMSECV for biomass content.(c)Feature Wavelength Distribution of protein Content, (d) Feature Wavelength Distribution of biomass Content
图 3 特征变量数量与 RMSECV 的关系
4.全流程自动化在线监测平台的设计与应用全流程自动化在线监测平台的设计与应用
研究基于 Python 语言与 PyQt 框架开发了具备直观图形用户界面（GUI）的在线监控软件，实现了光谱自动获取、多级预处理算法运行与品质指标反演的同步自动化。系统预设以 30 分钟为间隔自动触发监测任务，能够实时、动态地展示发酵全周期内蛋白质（随氮源消耗下降）与生物量（随细胞增殖上升）的演变趋势曲线。
在独立发酵批次的实战验证中，系统表现出卓越的追踪性能。预测值精准随动于蛋白质含量的动态演变，仅在个别时间点出现细微波动，证明模型已有效捕捉发酵过程中的化学信息波动；蛋白质预测最终实现了R²=0.896、RMSE 为2.840%、MAE 为 2.213% 以及 Bias 为 -0.519% 的优异成绩。同时，生物量预测曲线与实测值高度重合，展现出极佳的拟合性能，其 R²达到 0.896，RMSE 为 0.750 g/100 mL，MAE 为 0.453 g/100 mL，且Bias仅为 -0.203 g/100 mL。这一智慧化平台的应用，不仅为发酵过程的精准反馈调控提供了关键数据支撑，更为微生物蛋白生产的数字化转型与智能化管理开辟了新路径。
5.结论
该研究成功开发并验证了一套基于原位近红外光谱的在线监测系统，通过浸入式光纤探头实时获取马克斯克鲁维酵母发酵过程中的动态信息。研究结果证实，相比全光谱建模，采用ES-UVE特征精炼策略显著提升了系统预测的精确度与效率，确立了ES-UVE-RFR为最优预测模型。该系统集成的自动化监控平台实现了生物量与蛋白质含量的全流程实时追踪，为工业规模的过程优化与品质稳控提供了关键技术支撑。未来研究将致力于进一步增强系统的鲁棒性，并在工业生产中深度评估其对发酵效率与产品质量的影响。
完成单位: 中国农业大学
通讯作者: 工学院 苏文浩 研究员
主要参与: 硕士研究生 乔锦华、胡光曜等
资助项目: 本研究得到国家自然科学基金（项目编号：32371991、32101610）、北京市科学技术委员会（项目编号: Z231100003723003, Z221100007122004）、中国农业大学“2115 人才发展计划”以及北京市平谷区高层次人才工作室建设项目的资助。
论文题目: Chemometrics-powered intelligent NIR sensing platform for real-time quantification of biomass and protein in microbial protein production
期刊: Microchemical Journal
DOI: https://doi.org/10.1016/j.micro 2026.116991
【图文来源】乔锦华
【图文编辑】乔锦华
【校对】张琦沅
【审核】王启
10个月宝宝每天需要喝多少奶粉？
