单细胞拉曼光谱(SCRS)技术具有快速、 灵敏和无标记的优势, 可以从单细胞水平上研究细胞结构, 本文为实时监测单细胞微生物生长代谢变化, 提出了基于谱聚类和SCRS的细胞生长检测方法, 并采集600个同步培养的发酵工程菌-大肠杆菌SCRS数据作为实验数据, 采集300个发酵益生菌-枯草芽孢杆菌SCRS数据验证方法适用性。 首先, 对同步培养的菌落测量OD600生长曲线作为微生物群体水平上生长时期标签; 其次, 应用t-SNE对群体细胞SCRS数据进行可视化分析, 指导谱聚类对高维SCRS数据聚类分析, 并应用轮廓系数和CH index评估最佳聚类簇, 赋予每个SCRS数据簇标签; 最后, 应用三次样条插值拟合统计SCRS数据簇标签和生长时期标签交集, 精准识别群体中共存的生长时期异质数据, 实现对单细胞微生物生长时期精准鉴定。 结果表明, 基于谱聚类与SCRS的细胞生长分析方法根据同步培养的群体细胞生长曲线, 设置2维嵌入空间维度和基于最近邻的谱聚类相似度计算方法, 有效检测三个生长时期最佳聚类簇中9%和4.3%异质数据。 提出的无监督检测单细胞生长的方法, 借助谱聚类无需标记就可以直接根据SCRS数据特征进行建模, 并能够对任意形状的高维SCRS数据聚类且快速收敛的优势, 实现了对两种发酵工程菌和发酵益生菌细胞滞后期、 对数期和稳定期的精准识别, 真正意义上实现从单细胞水平上检测细胞生长, 为发酵工程提供更加精准、 实时的调控指导, 具有重要的工程应用价值。

应用拉曼镊子采集了3个酵母菌株在乙醇发酵不同时段的单细胞光谱，并利用多元曲线分辨-交替最小二乘(MCR-ALS)方法对光谱数据进行挖掘，以提取与特定生物分子相关的光谱曲线，了解不同酵母菌株的乙醇发酵代谢差异与适应机制。结果发现：工业菌株Bp1的发酵性能最好，实验室菌株INVSc1次之，而W303a菌株最差；MCR-ALS可从3个菌株中分别解析得到5个、5个和3个代表不同类型的生物大分子光谱曲线；Bp1菌株会增加麦角甾醇的含量和三酰基甘油的积累，以赋予细胞更高的乙醇耐受性；同时，不同生物大分子在Bp1细胞间的含量相对均一，而INVSc1和W303a菌株的胞间异质性比较大，显示出细胞异质性对菌株的发酵性能和发酵效率有重要的影响。拉曼光谱结合MCR-ALS，可以作为一个简单而强大的工具，用于快速分析酵母细胞在发酵过程中的代谢变化，进一步了解酵母细胞的抗逆机制。

为了研究鱼类疖疮病的生物防治方法, 以引起鱼类疖疮病的病原菌杀鲑气单胞菌(Aeromonas salmonicida)为指示菌, 从土壤中筛选到对该致病菌有较强拮抗活性的放线菌I6, 经16S rRNA分析鉴定为链霉菌(Strptomyces sp.)。链霉菌I6的次级代谢产物对杀鲑气单胞菌具有很强的抗菌活性且对鱼类无毒力, 在鱼类疖疮病的治疗和防控中具有应用潜力。为了提高链霉菌I6抗菌活性物质的产量, 对该I6菌株进行发酵条件优化, 确定其最佳发酵培养基为AM3-1, 最适初始pH为7～8, 最佳培养时间为5 d, 种子液最适菌龄为36 h。所有这些研究结果表明, 链霉菌I6对鱼类疖疮病病原菌杀鲑气单胞菌有显著抑制作用, 在渔业生物防治中有潜在的开发应用价值。

发酵作为影响红茶品质形成的重要流程, 发酵品质程度的判断主要基于人工经验, 难以实现准确客观的评价。 该研究主要针对于工夫红茶发酵工序, 以不同发酵时序下的样品为对象, 利用高光谱检测技术并结合化学计量学方法, 对制备的不同发酵程度的样本进行无损检测和智能判别。 首先利用高光谱成像仪（400～1 000 nm）采集工夫红茶发酵样品的高光谱数据, 并根据气温、 茶叶嫩度、 萎凋情况、 揉捻过程、 发酵叶颜色及香气等现场生产信息, 将6个不同发酵时序下的样本, 根据发酵程度依次划分为3类（轻度发酵、 适度发酵、 过度发酵）。 为了降低采集高光谱信息时因培养皿中发酵叶的不平整而产生的散射现象对光谱数据的影响, 选取标准正态变量变换算法（standard normal variate, SNV）与多元散射校正算法（multiplicative scatter correction, MSC）对全波段光谱进行预处理, 将预处理后的光谱数据进行主成分分析（principal components analysis, PCA）, 分别得到前3个主成分的三维载荷图, 根据样本在图中的空间分布特征, 因而选择效果较好的SNV预处理方法。 以全波段光谱最优主成分作为模型输入量, 建立邻近算法(K-nearest neighbor, KNN)、 随机森林（random forests, RF）、 极限学习机（extreme learning machine, ELM）判别模型, 识别率分别为63.89%, 94.44%和86.11%, 结果表明, 非线性模型（RF、 ELM）识别率较高, 其中RF模型性能优于ELM模型。 为比较基于全波段与特征波长建立的工夫红茶发酵品质程度模型判别效果, 采用连续投影算法（successive projections algorithm, SPA）提取31个特征波长进行PCA降维处理, 以特征波长最优主成分作为模型输入量, 构建SPA-KNN, SPA-RF和SPA-ELM判别模型, 识别率分别为83.33%, 91.67%和91.67%。 通过SPA对变量筛选后, SPA-KNN和SPA-ELM模型性能明显提高, SPA-RF模型识别准确度略有下降。 与特征波长建立的模型相比, 全波段建立的RF模型性能最佳, 对工夫红茶轻度发酵、 适度发酵、 过度发酵的判别率分别达到了100%, 83.33%和83.33%。 研究结果为推进红茶智能化、 数字化加工的实现, 提供了理论基础和科学依据。

本试验采用滤纸片法和牛津杯法测定了汤姆青霉PT95(Penicillium thomii PT95)发酵液对金黄色葡萄球菌(Staphyloccocus aureus)、枯草芽孢杆菌(Bacillus subtilis)、大肠杆菌(Escherichia coli)、酿酒酵母(Saccharomyces cerevisiae)、黑根霉(Rhizopus nigricans)、德氏乳杆菌(Lactobacillus delbrueckii)、植物乳杆菌(Lactobacillus plantarum)的抑制作用, 从而筛选出抑菌效果最佳的菌株。同时测定了汤姆青霉PT95发酵液的最小抑菌质量浓度, 并以抑菌圈直径大小为指标, 采用单因素试验对碳源、氮源、无机盐等培养条件进行优化。结果表明: 汤姆青霉PT95对枯草芽孢杆菌的抑制作用最为明显, 抑菌率最大且高达65.4%。最优培养基配方为葡萄糖8.64 g/L、蛋白胨5.00?g/L、MgSO4·7H2O 0.30?g/L、NaCl 3.00?g/L、琼脂20.00 g/L、pH7.0～7.2。汤姆青霉PT95菌株的发酵产物中存在抑菌物质, 通过优化培养有助于提高汤姆青霉PT95菌株的抑菌活性。

本文研究了不同碳源对须糖多孢菌生长以及丁烯基多杀菌素生物合成的影响, 通过寻找优势碳源优化发酵培养基配方, 促进须糖多孢菌丁烯基多杀菌素的生物合成。试验共设11个处理, 1个对照, 通过单因素试验比较不同处理组菌体OD600值和丁烯基多杀菌素产量, 筛选获得最优碳源及其发酵培养基配方。结果表明, 除可溶性淀粉和木糖外, 须糖多孢菌在9种碳源中都能进行生长, 对不同构型碳源显示较好的利用率。在以半乳糖、葡萄糖、果糖和甘露糖作为碳源时具有较好的生长速率, 而以甘露糖为碳源时能显著促进丁烯基多杀菌素的合成。选择甘露糖最佳添加浓度为5 g/L, 须糖多孢菌最高菌体浓度和丁烯基多杀菌素产量分别是初始配方条件的1.32倍和1.78倍, 显著提高了丁烯基多杀菌素的产量。上述结果为培养基碳源对丁烯基多杀菌素生物合成影响机制的研究及丁烯基多杀菌素大规模工业化发酵生产提供了科学依据和新的技术途径。

近红外技术广泛应用于食品、 药品等生产过程和产品质量检测, 具有样品无需预处理、 成本低、 无破坏性、 测定速度快等优点。 但是, 全光谱数据维数高、 冗余信息多, 直接应用于建模会导致模型复杂性高、 稳定性差等问题。 siPLS是最常见的光谱数据降维方法, 但是难以处理光谱数据的共线性问题。 LASSO是一种相对新的数据降维方法, 但在小样本应用中具有不稳定性。 针对siPLS和LASSO在近红外光谱数据应用中存在的问题, 提出了基于siPLS-LASSO的近红外特征波长选择方法, 并将其应用于秸秆饲料蛋白固态发酵过程pH值监测。 该方法首先采用siPLS算法, 实现对光谱波长最佳联合子区间的优选; 然后, 对优选联合子区间使用LASSO算法进行特征波长选择, 在此基础上建立PLS校正模型。 同时, 将siPLS-LASSO方法与其他传统特征波长选择方法进行了对比。 结果表明: 建立在siPLS-LASSO方法优选33个特征波长基础上的PLS模型预测结果更好, 其预测方差(RMSEP)和相关系数(Rp)分别为0071 1和0980 8; 所提siPLS-LASSO方法有效选取了特征波长, 提高了模型预测性能。

为了提高乙醇固态发酵过程在线监测的精度, 开展了基于傅里叶近红外光谱(FT-NIRS)分析技术的乙醇固态发酵过程参数快速定量检测研究。采用联合区间偏最小二乘法(siPLS)对标准正态变量变换(SNV)预处理后的光谱进行特征波长区间优选; 引入遗传算法(GA)、竞争自适应重加权采样(CARS)法和迭代保留信息变量(IRIV)法从优选后波长区间中进一步筛选特征波长变量; 最后, 建立不同变量筛选方法所得特征波长的乙醇固态发酵过程参数(乙醇和还原糖含量)的偏最小二乘(PLS)预测模型。实验结果显示, 与GA和CARS方法相比, IRIV方法所得的波长变量数最少; 其中, 与乙醇和还原糖相关的特征变量个数分别为43和40; 在验证集中, PLS预测模型乙醇含量的验证集均方根误差(RMSEP)和预测相关系数Rp分别为0.2511和0.9934, 还原糖含量的RMSEP和Rp分别为0.1730和0.9926, 其预测精度亦高于其他方法所得结果。实验结果表明, 利用近红外光谱分析技术实现乙醇固态发酵过程关键参数的在线检测是可行的; 并且IRIV方法是一种有效近红外光谱特征波长优选方法, 可提高预测模型精度。