尾氣在線檢測分析在發酵中的應用

 

原文已發表在《發酵科技通訊》2012.10，第41卷4期P32-35

尾氣在線檢測分析在發酵中的應用

劉仲匯，史建國，朱思榮，揚艷，高廣恒，李雪梅

山東省科學院生物研究所，山東省生物傳感器重點實驗室，山東濟南，250014

摘要：通過尾氣在線檢測分析可獲取發酵過程重要的呼吸代謝參數CER,OUR,RQ等。這些參數反映了微生物的代謝狀況，無論對動力學研究還是優化工藝、全面控制發酵過程、提高產量產率都具有重大意義。本文綜合論述了其在發酵各方面的應用。

關鍵詞：發酵;尾氣; CO₂;O₂;CER;OUR;RQ

0 引言

發酵中尾氣組分濃度變化反映了整個發酵過程物質的變化情況。特別是尾氣中CO₂和O₂的變化，包含了非常有價值的過程反應信息。CO₂是細胞呼吸和分解代謝的終產物,還是某些合成代謝的基質。幾乎所有發酵均產生大量CO₂。CO₂的產生是一種重要的生長指標，特別適用于早期生長階段。在對數生長期CO₂的釋放在一定條件下與細胞量成正比。監測CO₂的生成是跟蹤生長活動的有效方法。氧是構成細胞本身及代謝產物的組分之一。對于好氧發酵，無論是基質的氧化、菌體的生長或是產物的代謝均需要大量的氧^[1-2]。

通過發酵尾氣中的CO₂及O₂在線檢測分析，可以獲取發酵過程重要的呼吸代謝參數，如CO₂釋放速率（CER）、攝氧率（OUR）、呼吸商（RQ）等。這些參數反映了微生物的代謝狀況，尤其能提供從生長向生產過渡或主要基質間的代謝過渡指標。CO₂釋放率(Carbon-dioxide Escape Rate ，CER)是指單位時間、單位體積發酵液細胞釋放的CO₂量。攝氧率（Oxygen Uptake Rate, OUR）是指單位時間、單位體積發酵液細胞消耗的氧。OUR取決于菌體濃度，也與發酵液的營養成分、溶解氧水平、菌體的生長速率以及碳源的種類和濃度等因素有關。CER除以OUR所得的商稱為呼吸商(Respiratory Quotient,RQ)。呼吸商是各種碳源在發酵過程中代謝狀況的指示值。在碳源限制且供氧充分的情況下，各種碳源都趨向于完全氧化，呼吸商應接近于其理論值。而供氧不足時，碳源不完全氧化，可使呼吸商偏離理論值^[3-5]。

目前發酵尾氣CO₂和O₂檢測分析技術已日臻成熟。其性能穩定，可靠性高，可實現連續在線檢測。因是從尾氣取氣分析，對發酵無任何影響；也無需高溫滅菌，故為其應用創造了有利條件。

近年來，尾氣分析在發酵中的應用研究越來越廣泛深入。這些對于深入研究發酵過程機理，摸索、優化發酵工藝，全面控制發酵過程具有重大意義；尤其在基因工程、生物制藥領域，能夠大大加快新品研發及產業化，穩定生產，提高產率。

1 發酵過程狀態識別

微生物發酵是個復雜的生化過程。在宏觀上表現為整個發酵過程的有規律性,即一般都經過遲滯期、對數生長期、穩定期和衰亡期。然而由于諸多因素的影響,又使各個發酵階段與具體的時間關系表現為無規律性。這給發酵過程的準確控制帶來困難。因此正確辨識發酵各個階段對于過程優化控制具有重要意義。

研究表明,無論對于霉菌、酵母菌、細菌,單液相體系、雙液相體系,純種發酵、混合菌發酵,CER的變化與體系狀態的變化有著密切聯系,根據CER的變化規律可以有效、準確地把握發酵過程。李強等對青霉素、古龍酸、二元酸和葡萄糖酸發酵四個體系CER的變化規律進行研究，分析了CO₂釋放與發酵各個階段的關系，證明CER用于過程判斷及控制是可行的^[6]。李元廣等在十三碳烷烴生產十三碳二元酸發醉中發現隨著菌體生長，CER不斷增大，當菌體生長基本停止時，CER達到*大值，然后便開始下降。據此可以通過CER來及時確定進入產酸期的*佳時間，即CER達到*大值時^[7]。

楊強大等利用在線檢測OUR對特定發酵階段的比生長率進行預估，再利用預估值進行發酵階段的在線辨識，并應用于100L諾西肽發酵。依據辨識得到的發酵階段為0~13h為延遲期, 13~38 h為指數生長期,38 h以后為穩定期。該結果與實際過程相一致。這種估計方法無延遲,非常適合在線應用^[8]。

間歇發酵放罐時機的準確識別對提高產量和產率，降低能耗和成本有實際意義。傅春生等利用在線檢測的尾氣CO₂變化率、DO變化率，輔以離線檢測的總糖濃度變化率、氨基氮濃度變化率及pH，并根據某抗生素生產數據，建立了該發酵過程放罐時機識別與預報模型及計算機實時識別系統。5批實驗表明模型判斷比人工更及時，且模型判斷的產量對于發酵終點的相對值高于人工判斷^[9]。

安居白等依據尾氣CO₂、O₂及DO等在線參數,運用Bayes數據融合計算菌體生長狀態概率，建立了在線識別菌體生長狀態的檸檬酸發酵控制專家系統，在1.5 m³試驗罐上提高產物對底物的比近十個百分點^[10]。

2 優化供氧

對于好氧發酵，為確保生產菌獲得適量的溶氧，將溶氧控制在臨界氧濃度之上即可。這樣既避免了細胞因供氧不足發生代謝異常，也可避免過度供氧引起的能量消耗和對細胞可能的傷害。根據OUR的變化可以很方便確定臨界氧濃度。其原理是：當發酵罐在一定操作系統下，體積傳氧系數Kla保持恒定時，隨著OUR上升，DO呈下降趨勢，當OUR下降，則DO上升，OUR與DO存在相反的變化趨勢。而當DO降到臨界氧濃度以下時，OUR隨DO的下降而下降。由于發生在此變化的時間內，菌體濃度變化可忽略，OUR的變化可看做是呼吸強度（即比耗氧速率）的變化。所以如果存在OUR與DO變化一致的階段，即為溶解氧低于臨界值的階段，從而可確定此時的臨界氧水平。

戴劍漉等在30L發酵罐上研究了必特螺旋霉素基因工程菌發酵中OUR、CER及DO等參數變化的相關性，發現當DO與OUR的趨勢具有相反性時,限制因素為細胞水平的菌體代謝問題；若DO與OUR的趨勢具有同一性, 限制性因素為工程水平的氧傳遞因素,表明溶氧處于臨界氧以下；并據此判斷發酵前期臨界氧濃度應在25%，為其發酵放大工藝研究提供了依據^[11]。

通氣量的調節很多是憑借經驗。在安裝溶氧電極時可根據臨界氧來調控。諶頡在阿維菌素發酵中用尾氣數據進行通氣量控制，發現在產素期當通氣量由1600 m³/h降到1400 m³/h時,CER、OUR立即開始下降,RQ則是先升后降，說明供氧對代謝的限制已經顯現。后來測定的產素速率也在此時下降。以此確定產素期通氣量臨界值為1600 m³/h^[12]。

3 指導流加補料

流加發酵可在系統中維持很低的基質濃度，從而避免發生阻遏效應，并按設備能力維持適當供氧，減緩代謝有害物的不利影響。因而可對發酵過程進行控制，提高生產水平。利用尾氣在線檢測分析可以合理控制流加時間、流加速率，進而實現流加的反饋控制。

   Cooney曾基于CO₂總釋放量的積分，推導出精確的菌體量，據此來控制糖的流加速率^[13]。

陳冠勝等根據多批青霉素生產測得的CER, 采用模糊控制技術，在青霉素生產期將CER作為控制參數進行補糖。該控制算法能針對菌絲的瞬間代謝情況流加糖，使菌絲對糖的利用能力大大加強，效率提高了10%左右^[14]。

   固定化酵母發酵中，載體的存在使葡萄糖擴散受阻。如不能對糖濃度變化快速反應，載體中的細胞就會出現缺糖現象。這種體系的特殊性也很難用估計糖濃度的方法來進行預測。潘小飛利用CER和CO₂釋放量來估計載體內菌體對糖的饑飽程度，從而控制葡萄糖流加速率，使乙醇連續平穩地生產，平均轉化率為0.42g乙醇/g葡萄糖^[15]。

4  生物量預測及預估

CER是呼吸代謝參數，與生物生長有密切聯系，可用來估計生物質濃度和產物濃度。而且這種估計的是反應活性生物質濃度或產物濃度，排除了培養基固體成分和死細胞的干擾。K Gbewonyo等人在800 L反應器上,曾研究利用在線的CER數據估計前期的菌體生長量,并且取得良好的對應關系^[16]. 姜長洪等在50 m³谷氨酸發酵罐上利用CER在線估算菌體量,并用實測數據進行校正,使估算值接近實際值,同時運用先進的過程控制策略,對谷氨酸發酵的主要參數進行控制，運行后糖酸轉化率穩定提高,產酸率提高1.5%^[17]。

Horiuchi等在大腸桿菌分批培養中，用尾氣CO₂來估算細胞、葡萄糖、乙酸的濃度和比生長速率^[18]。

桑海峰等基于在線檢測OUR，提出了一種比生長率與生物量濃度的在線連續估計方法。在諾西肽發酵應用中,估計值與實驗值吻合度好^[19]。

固態發酵已廣泛應用于生物農藥、飼料等行業，但生物量的測定是面臨的問題。在液態發酵容易做到的生物量離線測定，在此也因無法使菌體與培養基分離難以獲得。利用CO₂在線檢測是比較有效的方法。張潔等人在木霉T6固態發酵產淀粉酶及產木聚糖酶中，分別研究了CO₂與淀粉酶及木聚糖酶活力的關系，發現尾氣中CO₂濃度曲線與比淀粉酶活力曲線變化一致，且同時達到*大值；而木聚糖酶的合成與CO₂含量之間存在滯后關系, CO₂濃度在發酵26h達到*高值,木聚糖酶活力在39h才達峰值。說明尾氣CO₂含量變化可以作為固態發酵某些產物合成的研究參數^[20-21]。

5 作為研究優化發酵工藝的手段

   尾氣檢測分析目前已經成為優化發酵工藝非常有效的手段。

莊英萍等在50L發酵罐上進行梅嶺霉素的發酵過程研究，通過對OUR、CER、RQ及氧傳遞系數等進行在線檢測及相關分析，對原工藝不斷調整，實現了梅嶺霉素發酵的初步優化，使發酵效價從原來的150 u/ml提高到520u/ml,為實現其工業化規模生產奠定了基礎^[22]。

   朱校適等在50L發酵罐上進行了克拉維酸發酵過程溫度控制優化試驗，分別將全程溫度控制在24℃、26℃、28℃。通過對發酵各階段的CER、OUR和RQ進行對比分析,發現溫度對棒狀鏈霉菌的生長和代謝有重要影響,降低對數生長期發酵溫度可明顯緩解前期供氧不足的矛盾，進而提出了發酵過程的變溫控制,使克拉維酸的產量由原來3950mg/L提高到4500mg/L,增產11.5%^[23]。

在谷氨酸發酵中，控制CO₂固定反應與乙醛酸循環的比率，對谷氨酸的產率影響尤為關鍵。楊玉嶺等人試驗合理控制CO₂排放量, 使CO₂含量處于既維持菌體正常呼吸,又確保更多的CO₂固定, 從而提高發酵轉化率。試驗結果，6m³罐將CO₂控制在7~8%比不控制提高轉化率1.81%；75 m³罐控制在8~9%，提高轉化率1.4%^[24]。

6故障預判

發酵過程周期長，投入大。特別是對于工業發酵，可以通過尾氣在線檢測參數較早發現異常，及時補救，將損失降至*低。

諶頡在阿維菌素發酵中發現非正常批次OUR的特征：OUR明顯偏高，菌體快速生長階段出現的OUR首個峰值超過對照批次約25%，且在100 h前數值基本都高于正常批次20 mol/m3.h。而非正常批次的產素速率僅為對照批次的50%左右。這是由于呼吸強度過高,菌體初級代謝過旺,雖用于合成的原料增加,但出于競爭關系,*后進入合成途徑的反而減少,甚至因為初級代謝物的阻遏作用而完全抑制合成途徑，所以造成產素速率低下。這樣就可以通過前期的OUR及時發現問題，進行補救^[25]。

董傳亮等采用OUR、CER、轉速、氨水耗量及細胞濃度，構建成基于自我聯想神經網絡5-6-2-6-5的AANN網絡，進行故障診斷和故障處理，優化得到的AANN網絡可以對谷氨酸發酵進行及時、準確的故障預判，從而為排除故障、盡可能快地恢復發酵性能提供信息^[26]。

7幫助判斷是否染菌

在線檢測CO₂可以監視發酵過程是否染菌。姜長洪等對谷氨酸發酵過程的研究發現，在正常通風情況下,若CO₂濃度迅速下降,說明發酵罐內污染了噬菌體；若CO₂濃度不斷上升,超出正常規律,則有可能污染了雜菌^[27]。

8 結束語

綜上所述，尾氣分析技術在發酵領域應用取得了可喜成就，相信隨著技術的進步，相關設備的普及，應用研究會更加深入，并進一步推動生物產業發展。

參考文獻

[1]儲炬,李友榮.現代工業發酵調控學[M].北京:化學工業出版社，2002.P12.274-276.

[2]梅樂和,姚善涇,林東強.生化生產工藝學[M].北京:科學出版社,2001.111.

[3]葉勤,發酵過程原理[M]. 北京: 化學工業出版社，2005.108,222.

[4]史仲平,潘豐.發酵過程解析、控制與檢測技術[M]. 北京:化學工業出版社，2005.30.

[5]張嗣良,儲炬.多尺度微生物工程優化[M].北京:化學出版社，2003,95

[6]李強,曹竹安.微生物發酵中二氧化碳釋放速率變化規律[J].生物工程學報,1996,12:232-237.

[7]李元廣,曹竹安,袁乃駒等.十三碳二元酸發酵過程菌體生長期動力學模型及其應用[J].生物工程學報,1994,10(3):250-257.

[8]楊強大,王福利,常玉清.基于攝氧率的分批發酵過程階段辨識[J]，東北大學學報(自然科學版),2008,(5):625-628.

[9]傅春生,陸建中,王樹青等.間歇發酵過程放罐時機的啟發式模糊識別與預報[J].自動化學報，1989,15(6):531-536.

[10]安居白,駱彤,劉剛.一個Bayes數據融合模型及其在發酵控制中的應用[J].大連輕工業學院學報,2000,19(2):118-120.

[11]戴劍漉,王永紅,劉玉偉等.必特螺旋霉素基因工程菌發酵參數的研究[J].中國抗生素雜志，2005,30(6)：3324-327.

[12]諶頡.空氣流量控制在阿維菌素發酵過程中的應用[J]. 武　漢　工　程　大　學　學　報, 2008,30(3):8-10.

[13]Conney.C.L,Wang.H.Y.Computer-aid balancing for prediction of fermentation parameters[J].Biotechnology and Bioengineering,1995,19(2):55-67.

[14]陳冠勝,王樹青.青霉素發酵過程的智能優化控制[J].自動化與儀表，1994,1:28-30.

[15]潘小飛.基于尾氣反饋的固定化酵母發酵過程模糊控制[J].農機化研究,2004,6:89-91.

[16]Gbewonyo K, Jain D, Hunt G, et al. On-line analysis of avermectin fermentation cell growth kinetics in an industrial Pilot plant [J]. Biotechnol Bioeng,1989,34(2):234-241.

 [17]姜長洪,姜楠,王貴成等.谷氨酸發酵過程先進控制[J].化工自動化及儀表,2004,31(2):28-30.

[18]Horiuchi.J, Hinaga.K. Industrial application of fuzzy control to large-scale recombinant B2 production[J].Computer Application in Biote-chnology,1998,7(1):25-28.

[19]桑海峰,苑瑋琦,何大闊.諾西肽發酵中比生長率與生物量的在線連續估計[J].計量學報，2008,29(4):382-386.

[20]張潔,吳克,蔡敬民等.木霉T6 固態罐發酵產淀粉酶與尾氣分析[J].食品與發酵工業，2002,28(12):1-4.

[21]張潔,吳克,劉斌.木聚糖酶固態罐發酵及尾氣在線測定[J].食品與發酵工業，2004,30(4):22-26.

[22]莊英萍,陳斌,晏秋鴻等.梅嶺霉素發酵過程參數相關分析和優化[J].中國抗生素雜志,2004,29(1):1-3.

[23]朱校適,馮濤,王永紅等.克拉維酸發酵過程變溫控制的研究[J].中國抗生素雜志,2008,33(8):467-470.

[24]楊玉嶺,蔡傳康,趙志敏.谷氨酸發酵過程控制的新探索-—合理控制CO₂排放量提高發酵轉化率[J].發酵科技通訊,2004,33(1):1-5.

[25]諶頡.空氣流量控制在阿維菌素發酵過程中的應用[J]. 武　漢　工　程　大　學　學　報, 2008,30(3):8-10.

[26]董傳亮,潘豐,史仲平.基于自我聯想神經網絡的谷氨酸發酵在線故障診斷[J].中國釀造,2009,(2):96-100

[27]姜長洪,鐘權龍,侯莉.溶解氧和尾氣CO₂在發酵控制中的作用[J].沈陽化工學院學報,2000,14(1):41-44.