In vivo learning-based control of microbial populations density in bioreactors

要約

微生物をバイオファクトリーとして使用する場合の重要な問題は、細胞群集を所望の密度と組成に到達させて維持し、バイオマスを有用な化合物に効率的に変換できるようにすることである。
細胞密度をリアルタイムでスケーラブルに制御するための有望な技術プラットフォームは、バイオリアクターです。
この研究では、バイオリアクター内の \textit{単一} 細菌集団の密度を制御できる利用可能な制御アルゴリズムのツールボックスを拡張する学習ベースの戦略を開発しました。
具体的には、sim-to-real パラダイムを使用し、少数のデータを使用して調整された単純な数学モデルを採用して、コントローラーのトレーニング用の合成データを生成しました。
結果として得られたポリシーは、Chi.Bio として知られる低コストのバイオリアクターを使用して生体内で徹底的にテストされ、パフォーマンスと堅牢性が評価されました。
さらに、より従来のコントローラー (つまり、PI および MPC) とパフォーマンスを比較し、学習ベースのコントローラーが生体内で同様のパフォーマンスを示すことを確認しました。
私たちの研究は、バイオリアクター内の細胞密度を制御するための学習ベースの戦略の実行可能性を示し、微生物コンソーシアムの構成の制御への使用に向けて一歩前進しました。

要約(オリジナル)

A key problem toward the use of microorganisms as bio-factories is reaching and maintaining cellular communities at a desired density and composition so that they can efficiently convert their biomass into useful compounds. Promising technological platforms for the real time, scalable control of cellular density are bioreactors. In this work, we developed a learning-based strategy to expand the toolbox of available control algorithms capable of regulating the density of a \textit{single} bacterial population in bioreactors. Specifically, we used a sim-to-real paradigm, where a simple mathematical model, calibrated using a few data, was adopted to generate synthetic data for the training of the controller. The resulting policy was then exhaustively tested in vivo using a low-cost bioreactor known as Chi.Bio, assessing performance and robustness. In addition, we compared the performance with more traditional controllers (namely, a PI and an MPC), confirming that the learning-based controller exhibits similar performance in vivo. Our work showcases the viability of learning-based strategies for the control of cellular density in bioreactors, making a step forward toward their use for the control of the composition of microbial consortia.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google