Applying Design of Experiments and Machine Learning algorithms to define the consumption envelope of lactic acid

Abstract

Because of the climate crisis, the scientific community has been developing and exploring carbon neutral alternatives to fossil fuels. Although it is not as well-known as wind or solar energy, the use of microbial cell factories to produce biofuels and other bioproducts is gaining prominence lately. Nonetheless, on the long term, those processes require an important optimization to make them feasible and economically profitable. Historically, this optimization has been carried out by using suboptimal methods (e.g. COST: change one single variable at a time). Nevertheless, by applying the proper experimental design and by using the adequate computational tools, we can obtain solid results without investing too much time or effort. In this project, we aim to use design of experiments (DoE) and some Machine Learning algorithms to optimize a bioindustrial process for the company Photanol, whose goal is to turn CO2 and sunlight into organic acids by cultivating genetically engineered strains of the photosynthetic cyanobacteria Synechocystis PCC 6803. Without going yet into further detail, our goal is to - through the use of classifiers- identify those combinations of pH, temperature and osmolarity (π) that result in a safe lactate consumption rate of the biological pollutants that inhabit our photobiorreactors (β < 0.1 mM/day).

Com a conseqüència de la crisis climàtica, la comunitat científica està dedicant cada vegada més esforços en el desenvolupament d’alternatives sostenibles als combustibles fòssils. Encara que no es tant conegut com l’energia eòlica o solar, l’ús de microorganismes i/o dels seus components cel·lulars per a la producció de biocombustibles i altres bioproductes està guanyant rellevància. No obstant, a llarg termini, aquests processos requereixin una important optimització per a que siguin econòmicament rentables. Històricament, aquesta optimització s’ha fet de forma un tant precària i a través de l’ús de mètodes subòptims (p.e. COST: change one single variable at a time). En qualsevol cas, si apliquem un disseny experimental i les eines computacionals adequades, podem obtenir resultats força robustos sense invertir ni massa temps ni massa esforç. En aquest projecte, volem aplicar el disseny d’experiments (DoE) i alguns algoritmes de Machine Learning (Naive Bayes, Support Vector Machines, Random Forests, Artificial Neural Networks) per a optimitzar un procés bioindustrial per a l’empresa Photanol, l’objectiu de la qual es transformar CO2 i llum solar en àcids orgànics a partir de soques modificades genèticament del cianobacteri Synechocystis PCC 6803. Sense entrar més en detall, la nostra finalitat és -mitjançant l’ús de classificadors- identificar aquelles combinacions de pH, temperatura i osmolaritat (π) que resulten en una taxa de consum d’àcid làctic -dels contaminants biològics que habiten els nostres reactorssegura (β < 0.1 mM/dia).