葡萄酒发酵动力学与基因表达随机模型的研究进展
1. 研究背景与意义
在科学研究中,将不同模型进行整合已成为一种必要的趋势。当一个研究领域吸引了众多团队的关注时,往往会出现相互竞争的模型,每个模型都为满足特定需求和适配特定数据而构建。在葡萄酒行业,这一现象尤为明显。葡萄酒发酵过程中,每年全球因发酵停滞或缓慢造成的损失估计达 70 亿 AC,而酵母 starter 生产也是一个年估值 4000 万 AC 的高竞争市场。
葡萄酒发酵由酵母将葡萄中的葡萄糖和果糖转化为乙醇及其他副产物。尽管呼吸作用产生 ATP 的效率更高,但像酿酒酵母(Saccharomyces cerevisiae)在高糖浓度下会优先选择发酵。影响发酵过程的因素众多,包括发酵菌群组成、酵母营养以及细胞活力维持等。常见的发酵问题有发酵停滞(部分糖分未被消耗)和发酵缓慢,温度、糖分浓度、氮含量等都会影响这些问题的发生风险。
目前,葡萄酒发酵过程的模型主要分为两类:一类侧重于可预测性,利用数据挖掘技术如决策树、机器学习等,但缺乏生物学、物理学或机械学基础,且复杂难解释;另一类是基于物理和生物学原理的机制动力学模型,如 1980 年 Boulton 开发的模型,能在调整参数后准确测量发酵因素浓度,还便于纳入黑箱模型以推广到不同环境条件。
2. 研究方法
本研究将工作分为三个步骤:
- 符号化步骤 :将每个模型进行改写,统一符号表示,并分离模型中包含的不同效应。对于常微分方程(ODE)模型,将其改写为多项式形式,以分离主要效应和交互效应。
- 统计步骤 :根据模型预测与实验数据的吻合程度对每
超级会员免费看
订阅专栏 解锁全文
147

被折叠的 条评论
为什么被折叠?



