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。

“奶油感”是最受消费者喜好的发酵乳感官属性, 反映令人愉悦的特征。 为开发无添加但“奶油感”增强型的发酵乳, 首先必须明确具备高“奶油感”发酵乳的质构特征。 目前关于发酵乳“奶油感”的定义和评价标准尚未统一, 关键质构特征尚不清晰。 前人研究表明, 发酵乳的凝胶网络形成过程及强度、 稳定性和表观黏度可能是影响发酵乳感官感知的主要因素。 该研究采用多种光谱学手段, 解析具有不同强度“奶油感”发酵乳的关键质构特征。 以经描述型感官评价得到的五种具备不同“奶油感”强度的发酵乳为研究对象, 通过多散斑扩散光谱技术测定发酵乳凝胶网络的形成过程及凝胶强度, 通过多重光散射技术来研究发酵乳的稳定性, 再辅以流变学分析发酵乳的表观黏度。 首先采用多散斑扩散波光谱技术研究具有不同强度“奶油感”发酵乳凝胶过程粒子均方位移的变化, 结果显示凝胶的弹性指数突变时间按“奶油感”由弱到强分别为108, 115, 106, 132和143 min, 表明发酵乳形成凝胶的时间基本呈逐渐增加趋势; 凝胶时间的增加可能是因为酪蛋白充分重排聚集形成了更均匀的凝胶网络, 从而增强了“奶油感”的感知; 弹性指数的终点值代表发酵乳的凝胶强度, 结果显示凝胶强度处于适中水平的发酵乳“奶油感”较强。 接着利用多重光散射技术评价了发酵乳的稳定性, “奶油感”由弱到强的发酵乳稳定性动力学指数分别为2.2, 2.1, 1.9, 2.0和1.4, 表明发酵乳稳定性与发酵乳“奶油感”的感知强度呈正相关。 最后利用流变学方法测定了发酵乳的表观黏度, “奶油感”由弱到强的发酵乳表观黏度分别为(0.362±0.016), (0.271±0.013), (0.251±0.021), (0.479±0.031)和(0.343±0.024) Pa·s, 表明发酵乳的表观黏度和“奶油感”感知强度不存在相关性。 发酵乳的凝胶时间及凝胶稳定性与“奶油感”的感知密切相关。 研究为明确发酵乳“奶油感”的关键质构、 开发“奶油感”增强型的发酵乳制品提供理论依据。

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。

为了提高生物发酵过程的控制与优化水平，试对发酵底物甘油和目标产物丁醇的含量进行快速无损检测进行研究。首先对 80份甘油与丁醇的单体系样本进行近红外扫描并进行光谱分析。为 提高模型的预测能力，分别采用了偏最小二乘法、间隔偏最小二乘法、向前间隔偏最小二乘法、向后间隔偏最小二乘法和窗口移动最小二乘法 5种定量校正方法建立甘油和丁醇含量的近红外检测模 型并对模型进行分析与比较。结果表明，向后间隔偏最小二乘法建立的模型效果较好，甘油和丁醇的单组份溶液的检测模型相关系数分别达到 0.99932（甘油）和 0.98843（丁醇）。为测量真实的 甘油发酵液中甘油和丁醇含量，搭建并建立了甘油和丁醇浓度监测平台，验证得相关系数分别达到 0.99074（甘油）和 0.99261（丁醇）。结果表明建立的近红外快速检测模型在检测的准确性和快 速性上均有优异的性能，为发酵行业快速检测提供了新的检测手段。