近日，Bioresource Technology在线发表了江南大学糖化学与生物技术教育部重点实验室刘龙教授课题组的综述论文“Artificial intelligence technologies in bioprocess: Opportunities and challenges” (Cheng et al., Bioresource Technology. 2023. 369: 128451)。江南大学2021级博士生成杨为论文第一作者，刘龙教授为论文通讯作者。

在全球从石化经济向生物经济转型的大趋势下，通过生物过程生产生物燃料、材料和功能营养品等产品的方式受到了越来越多的关注。生物过程的控制和优化技术对于发挥微生物的代谢潜力至关重要。在过去几十年间，一些算法和设备被用于控制和优化生物过程，例如，响应面分析法、正交实验设计以及浅层机器学习被用于优化关键的过程参数；活细胞传感仪被用于监控生物过程等。尽管这些研究取得了一定进展，但是仍然存在一些潜在的问题，例如：统计学方法和浅层机器学习难以准确模拟生物过程的复杂变化；一些在线监控设备使用成本过高，难以在工业层面上普及。

人工智能（AI）是一门模仿人类思维来解决问题的计算机科学，其程序可以通过预先确定的规则或数据模式做出独立的决策。得益于强大的数据分析能力，近年来基于AI技术的控制和优化策略正在得到广泛应用。一方面，AI被用于增强传统的优化与控制策略，即将生物过程视为整体进行建模并优化；另一方面，基于AI衍生技术的全新控制和优化策略正在逐步出现。例如：机器视觉系统被用于智能消除发酵过程中产生的泡沫；光谱分析技术被用于快速检测生物过程中关键代谢物的含量；强化学习被用于模拟微生物共培养体系的控制行为等。然而，由于生物反应器内部环境如何变化、微生物胞内如何响应环境改变等诸多关键因素尚且未知，限制了AI对复杂生物过程的模拟能力。随着基因组尺度代谢网络模型、流体动力学等新型技术的不断涌现，为AI技术在生物过程中的进一步应用带来了广阔机遇。

在这篇综述中，我们首先分析并比较了几种人工智算法在生物过程建模与优化中的应用；其次，系统地阐述了AI技术在快速检测和过程监控方面的应用，并且分析了其应用前景及潜在的问题；随后，列举了基于上述技术构建的智能控制策略；最后，讨论并展望了AI技术在生物过程控制和优化中面临的挑战，并提出了可能的解决方法以及未来发展前景。

上述研究工作得到了国家重点研发项目（2020YFA0908300）、国家自然科学基金（32070085、32021005）、中央高校基本科研专项资金（JUSRP222007、JUSRP62200、JUSRP121010）等项目的资助。

图1 生物过程建模和优化流程以及人工神经网络（ANN）、支持向量机（SVM）、模糊逻辑（FL）、遗传算法（GA）和粒子群优化（PSO）的示意图。

图2 人工智能（AI）引导的检测技术（A） 基于光谱数据的快速检测技术（B） 基于图像分析的快速检测技术（C） 基于软传感器的单变量实时监控技术（D） 基于软传感器的多变量实时监控技术

图3 基于模糊逻辑（FL）的控制系统

图4 基于人工智能（AI）的生物过程控制和优化技术展望