modellgestützte analyse und optimierung eines komplexen ... filemodellgestützte analyse und...
Post on 17-Aug-2019
216 Views
Preview:
TRANSCRIPT
-
Modellgestützte Analyse und Optimierung eines komplexen, nichtlinearen bioverfahrenstechnischen Prozesses zur Produktion von Biotensiden Christian Kühnert, Thomas Bernard, Fraunhofer IOSB, Karlsruhe; Marius Henkel, Institut für Bio- und Lebensmitteltechnik KIT, Karlsruhe Rudolf Hausmann, Institut für Lebensmittelwissenschaft und Biotechnologie, Universität Hohenheim Anke Schmidberger, Thomas Schwartz, Institut für Funktionelle Grenzflächen KIT, Karlsruhe Kurzfassung Die biotechnologische Produktion von Tensiden gewinnt aus ökologischen und ökonomischen
Gesichtspunkten immer mehr an Bedeutung. Eine kommerzielle Nutzung ist allerdings erst
dann möglich, wenn die Effizienz der verwendeten Bioprozesse wesentlich verbessert wird.
Für die Produktion der Tenside wird im vorliegenden Prozess das Bakterium Pseudomonas
aeruginosa verwendet. Zur Erhöhung der Tensidausbeute während der Produktion spielt das
detaillierte Verständnis der interzellulären Bakterienkommunikation (Quorum Sensing) eine
wesentliche Rolle. Im vorliegenden Beitrag wird daher ein dynamisches, nichtlineares Modell
entwickelt, welches sowohl alle wesentlichen Reaktionen als auch Quorum Sensing
berücksichtigt. Es wurden mittels einer numerischen Sensitivitätsanalyse die wichtigsten
Parameter des Modells identifiziert. Basierend auf dem Modell wurden erste optimierte Fed-
batch Prozessführungsstrategien abgeleitet, um eine Steigerung der Produktionsrate der
Biotenside zu erreichen.
1. Einleitung Die Produktion von Bulk- und Feinchemikalien auf Basis nachwachsender Rohstoffe erlangte
in den letzten Jahren als »weiße Biotechnologie« immer mehr an Bedeutung. Tenside, welche
zurzeit zu einem Großteil aus petrochemischen Ausgangsstoffen industriell hergestellt werden,
sind ein potenzielles Produkt für den Einsatz biotechnologischer Produktionsverfahren. Ein
bekanntes Beispiel für mikrobielle Tenside sind Rhamnolipide [1] aus dem Bakterium
Pseudomonas aeruginosa [2]. Rhamnolipide können auf Basis nachwachsender Rohstoffe,
wie z.B. Pflanzenöle oder Zucker, hergestellt werden. Sie zeichnen sich durch ihre gute
Umweltverträglichkeit und biologische Abbaubarkeit sowie sehr gute Tensideigenschaften aus.
Ein wesentlicher Grund dafür, dass sich biotechnologisch hergestellte Rhamnolipide bisher auf
dem Markt gegenüber synthetischen Tensiden noch nicht durchsetzen konnten, sind relativ
-
geringe Produktausbeuten [3]. Bisherige Ansätze zur Optimierung der Produktion von
Biotensiden beruhen weitestgehend auf heuristischen Vorgehensweisen [4], insbesondere bei
dem Rhamnolipid-Bildner Pseudomonas aeruginosa. Ziel des vorliegenden Beitrages ist es
daher, durch die interdisziplinäre Verknüpfung von gehobenen regelungstechnischen
Methoden (Advanced Process Control, APC), bioverfahrenstechnischen Methoden sowie
molekularbiologischen Methoden optimierte Prozessführungsstrategien zu erzielen um somit
eine ökonomische und nachhaltige Produktion von Tensiden aus erneuerbaren Rohstoffen zu
ermöglichen.
2. Nichtlineares, dynamisches Prozessmodell 2.1 Reaktionen In Abbildung 1 sind die Reaktionen und Wechselwirkungen für die Bildung von Pseudomonas
aeruginosa (Biomasse) und zu den Produkten Mono-Rhamnolipid und Di-Rhamnolipid
dargestellt. Die Biomasse wird zu großen Teilen durch Glycerin und Fettsäure gebildet. Zudem
wird zur Bildung Stickstoff benötigt, sowie die Spurenelemente Phosphor, Schwefel und Eisen.
Wie in Abbildung 1 dargestellt, wird das zugeführte Sonnenblumenöl unter Verwendung von
Lipase als Katalysator in Glycerin und Fettsäure gespalten. Lipase wiederum wird unter
Verwendung von Glycerin, Fettsäure und Stickstoff sowie unter katalytischer Wirkung der
Biomasse gebildet. Mono-Rhamnolipid wird ebenfalls aus Glycerin und Fettsäure unter
katalytischer Wirkung der Biomasse gebildet. Ein Teil des Mono-Rhamnolipids reagiert mit
Glycerin und Fettsäure zu Di-Rhamnolipid. Als Nebenprodukt wird Polysaccharid aus Glycerin
und Fettsäure gebildet. Bei den Reaktionen fällt CO2 und Wasser als Nebenprodukt an.
Bild 1: Reaktionen und Wechselwirkungen bei der Bildung von Rhamnolipiden
-
2.2 Dynamisches Modell Zustandsgrößen des Modells sind zum einen die Konzentration von Biomasse,
Sonnenblumenöl, Lipase, Glycerin, Fettsäure, Mono-Rhamnolipid, Di-Rhamnolipid,
Polysaccharid, Nitrat und Kohlendioxid. Eine weitere Zustandsgrößen ist die Konzentration
von C4-HSL (HSL = Homoserin Lakton), welches ein Maß für Quorum Sensing ist. Das
Bakterium Pseudomonas aeruginosa setzt Quorum Sensing dazu ein, die Sekretion der
Rhamnolipide zu steuern.
Es wurden gekoppelte, stark nichtlineare Differentialgleichungen aufgestellt, die sowohl die die
Dynamik der Zustandsgrößen als auch die aus den Reaktionen folgende Massenbilanz
beschreiben. Die Differentialgleichungen lassen sich in die drei Klassen autokatalytisches
Wachstum (Biomasse), Wachstumsrate proportional zur Biomasse (Rhamnolipid-mono,
Rhamnolipid-di, Polysacharid, Lipase) sowie Bilanzierung über Änderungsraten (Glycerin,
Fettsäure, Nitrat, Kohlendioxid, Sauerstoff) einteilen. Hierbei sind viele Verstärkungsfaktoren
stark nichtlinear von Zustandsgrößen abhängig.
3 Sensitivitätsanalyse und Parameteroptimierung Eine wesentliche Schwierigkeit bei der Modellierung des Prozesses besteht darin, dass der
Prozess durch starke Nichtlinearitäten und Rückkopplungen gekennzeichnet ist, was eine
analytische Sensitivitätsanalyse sowie die Parameter-Adaption deutlich erschwert [5]. Da das
Modell 36 Parameter enthält, von denen nur wenige Werte aus der Literatur übernommen
werden können, müssen die anderen Parameter anhand der Messdaten identifiziert werden.
Um zunächst die wichtigsten Parameter identifizieren zu können, wurde eine numerische
Sensitivitätsanalyse durchgeführt. Dazu wurden wesentliche Merkmale und Güteindices (z.B.
Masse der produzierten Rhamnolipide) definiert und die Sensitivität der Güteindices bezüglich
der 36 Parameter ausgewertet.
Die Ergebnisse der Sensitivitätsanalyse wurden mittels einer Hinton-Matrix übersichtlich
visualisiert. Durch diese Methode wurden aus den 36 Parametern fünf Parameter identifiziert,
deren Variation den größten Einfluss auf die definierten Güteindices haben. Die Optimierung
der ausgewählten Parameter erfolgt schließlich in Form eines Algorithmus, der die
Abweichung der simulierten Verläufe von den Messdaten minimiert. In Bild 2 ist der Zeitverlauf
von Simulation und Messwerten der Zustandsgrößen Biomasse, Rhamnolipid (Summe von
Mono und Di), C4-HSL gezeigt. Es ist erkennbar, dass die simulierten Daten gut mit den
Messdaten übereinstimmen.
Basierend auf dem Modell werden in laufenden Forschungsarbeiten optimierte Prozess-
führungsstrategien untersucht, um die Rhamnolipid-Produktionsrate signifikant zu steigern.
-
Bild 2: Darstellung der Zustandsgrößengrößen Biomasse, Rhamnolipid und C4-HSL des Prozesses als Modellsimulationen (durchgezogene Linie) und in Form der aufgenommenen Messdaten ( * mit Linie)
Danksagung Die Arbeiten werden finanziert durch die Baden-Württemberg Stiftung im Programm
„Umwelttechnologieforschung“.
Literatur
[1] Jarvis, F.G. and Johnson M.J.: A Glyco-Lipide produced by Pseudomonas-Aeruginosa, Journal of American Chemical Society, 1949
[2] Henkel M. et al.: Rhamnolipids as biosurfactants from renewable resources: Concepts for next-generation rhamnolipid production In: Process Biochemistry, 2012
[3] Cha, M. et al.: Heterologous production of Pseudomonas aeruginosa EMS1 biosurfactant in Pseudomonas putida, Bioresource technology, 2008
[4] Müller M., Hausmann R.: Regulatory and metabolic network of rhamnolipid biosynthesis: traditional and advanced engineering towards biotechnological production. In: Applied Mircrobiological Biotechnology, 2012
[5] Medina-Moreno, S.A. et al.: Modeling rhamnolipids production by Pseudomonas aeruginosa from immiscible carbon source in a batch system, 2011
[6] Waters, C.M., Bassler, B.L.: Quorum sensing: cell-to-cell communication in bacteria. In: Annual Review of Cell and Developmental Biology, 2005
Christian Kühnert, Thomas Bernard, Fraunhofer IOSB, Karlsruhe;
Marius Henkel, Institut für Bio- und Lebensmitteltechnik KIT, Karlsruhe
Rudolf Hausmann, Institut für Lebensmittelwissenschaft und Biotechnologie, Universität Hohenheim
Anke Schmidberger, Thomas Schwartz, Institut für Funktionelle Grenzflächen KIT, Karlsruhe
Kurzfassung
1. Einleitung
2. Nichtlineares, dynamisches Prozessmodell
2.1 Reaktionen
2.2 Dynamisches Modell
3 Sensitivitätsanalyse und Parameteroptimierung
Danksagung
Literatur
Paper_Automatisierungskongress2013_Langfassung_Kuehnert.pdf
-
Modellgestützte Analyse und Optimierung eines komplexen, nichtlinearen bioverfahrenstechnischen Prozesses zur Produktion von Biotensiden Christian Kühnert, Thomas Bernard, Fraunhofer IOSB, Karlsruhe; Marius Henkel, Institut für Bio- und Lebensmitteltechnik KIT, Karlsruhe Rudolf Hausmann, Institut für Lebensmittelwissenschaft und Biotechnologie, Universität Hohenheim Anke Schmidberger, Thomas Schwartz, Institut für Funktionelle Grenzflächen KIT, Karlsruhe Kurzfassung Die biotechnologische Produktion von Tensiden gewinnt aus ökologischen und ökonomischen
Gesichtspunkten immer mehr an Bedeutung. Eine kommerzielle Nutzung ist allerdings erst
dann möglich, wenn die Effizienz der verwendeten Bioprozesse wesentlich verbessert wird.
Für die Produktion der Tenside wird im vorliegenden Prozess das Bakterium Pseudomonas
aeruginosa verwendet. Zur Erhöhung der Tensidausbeute während der Produktion spielt das
detaillierte Verständnis der interzellulären Bakterienkommunikation (Quorum Sensing) eine
wesentliche Rolle. Im vorliegenden Beitrag wird daher ein dynamisches, nichtlineares Modell
entwickelt, welches sowohl alle wesentlichen Reaktionen als auch Quorum Sensing
berücksichtigt. Es wurden mittels einer numerischen Sensitivitätsanalyse die wichtigsten
Parameter des Modells identifiziert. Basierend auf dem Modell wurden erste optimierte Fed-
batch Prozessführungsstrategien abgeleitet, um eine Steigerung der Produktionsrate der
Biotenside zu erreichen.
1. Einleitung Die Produktion von Bulk- und Feinchemikalien auf Basis nachwachsender Rohstoffe erlangte
in den letzten Jahren als »weiße Biotechnologie« immer mehr an Bedeutung. Tenside, welche
zurzeit überwiegend aus petrochemischen Ausgangsstoffen industriell hergestellt werden,
lassen sich auch mittels biotechnologischer Verfahren produzieren Ein bekanntes Beispiel für
mikrobielle Tenside sind Rhamnolipide [1] aus dem Bakterium Pseudomonas aeruginosa [2].
Rhamnolipide sind oberflächenaktive Glycolipide und können auf Basis nachwachsender
Rohstoffe, wie z.B. Pflanzenöle oder Zucker, hergestellt werden. Sie zeichnen sich durch ihre
gute Umweltverträglichkeit und biologische Abbaubarkeit sowie sehr gute
Tensideigenschaften aus. Ein wesentlicher Grund dafür, dass sich biotechnologisch
-
hergestellte Rhamnolipide bisher auf dem Markt gegenüber synthetischen Tensiden noch
nicht durchsetzen konnten, sind relativ geringe Produktausbeuten [3]. Bisherige Ansätze zur
Optimierung der Produktion von Biotensiden beruhen weitestgehend auf heuristischen
Vorgehensweisen [4], insbesondere bei dem Rhamnolipid-Bildner Pseudomonas aeruginosa.
Ziel des vorliegenden Beitrages ist es daher, durch die interdisziplinäre Verknüpfung von
gehobenen regelungstechnischen Methoden (Advanced Process Control, APC),
bioverfahrenstechnischen Methoden sowie molekularbiologischen Methoden optimierte
Prozessführungsstrategien zu erzielen um somit eine ökonomische und nachhaltige
Produktion von Tensiden aus erneuerbaren Rohstoffen zu ermöglichen.
2. Nichtlineares, dynamisches Prozessmodell Eine wesentliche Schwierigkeit bei der Modellierung des Prozesses besteht darin, dass der
Prozess durch starke Nichtlinearitäten und Rückkopplungen gekennzeichnet ist, was eine
analytische Sensitivitätsanalyse sowie die Parameter-Adaption deutlich erschwert [5]. Zudem
spielt in dem Prozess das zeitliche Verhalten des Bakteriums Pseudomonas aeruginosa eine
wesentliche Rolle. Im Folgenden werden zunächst die chemischen Reaktionen und in
Abschnitt 2.2 kurz die Vorgehensweise bei der Entwicklung des dynamischen Modells
beschrieben.
2.1 Reaktionsgleichungen In Bild 1 sind die Reaktionen und Wechselwirkungen für die Bildung von Pseudomonas
aeruginosa (Biomasse) zu den Produkten Mono-Rhamnolipid und Di-Rhamnolipid dargestellt.
Die entsprechenden Reaktionsgleichungen (1) – (6) werden im Folgenden diskutiert. Die
Biomasse wird zu großen Teilen durch Glycerin und Fettsäure gebildet (1). Zudem wird zur
Bildung Stickstoff in Form von 𝑁𝑂3 benötigt, sowie die Spurenelemente Phosphor, Schwefel
und Eisen. Wie in Bild 1 dargestellt, wird das zugeführte Sonnenblumenöl unter Verwendung
von Lipase als Katalysator in Glycerin und Fettsäure gespalten (2). Lipase wiederum wird
unter Verwendung von Glycerin und Fettsäure sowie unter katalytischer Wirkung der
Biomasse gebildet (3). Mono-Rhamnolipid wird ebenfalls aus Glycerin und Fettsäure unter
katalytischer Wirkung der Biomasse gebildet (4). Ein Teil des Mono-Rhamnolipids reagiert mit
Glycerin und Fettsäure zu Di-Rhamnolipid (5). Als Nebenprodukt wird Polysaccharid aus
Glycerin und Fettsäure gebildet (6). Bei den Reaktionen fällt CO2 und Wasser als
Nebenprodukt an.
-
Bild 1: Reaktionen und Wechselwirkungen bei der Bildung von Rhamnolipiden. 𝐶3𝐻803�����Glycerin
+ 𝐶17.9𝐻32.8𝑂2���������Fettsäure
+ 𝑁𝑂3 + 𝑂2 + 𝐻2𝑂 + 𝑃𝑂4 + 𝑆𝑂4 + 𝐹𝑒
→ 𝐻1.677𝑂0.314𝑁0.241𝑃0.018𝑆0.001𝐹𝑒0.0001𝐶�������������������������Biomasse
+ 𝐶𝑂2 + 𝐻2𝑂 (1)
𝐶56.8𝐻100.306���������Sonnenblumenöl
+ 𝐻2𝑂 → 𝐶3𝐻8𝑂3�����Glycerin
+ 𝐶17.9𝐻32.8𝑂2��������� + 𝐶𝑂2 Fettsäure
(2)
𝐶3𝐻803�����Glycerin
+ 𝐶17.9𝐻32.8𝑂2���������Fettsäure
+ 𝑁𝑂3 + 𝑂2 + 𝐻2𝑂 + 𝑃𝑂4 + 𝑆𝑂4 → 𝐶1436𝐻2263𝑂441𝑁395𝑆7���������������Lipase
+ 𝐶𝑂2 + 𝐻2𝑂
𝐶3𝐻803�����Glycerin
+ 𝐶17.9𝐻32.8𝑂2���������Fettsäure
+ 𝑂2 + 𝐻2𝑂 → 𝐶26𝐻48𝑂9�������Mono−Rhamnolipid
+ 𝐶𝑂2 + 𝐻2𝑂 (4)
𝐶26𝐻48𝑂9�������Mono−Rhamnolipid
+ 𝐶3𝐻803�����Glycerin
+ 𝐶17.9𝐻32.8𝑂2���������Fettsäure
→ 𝐶32𝐻58𝑂13�������Di−Rhamnolipid
+ 𝐶𝑂2 +𝐻2𝑂 (5)
𝐶3𝐻803�����Glycerin
+ 𝐶17.9𝐻32.8𝑂2���������Fettsäure
+ 𝑂2 + 𝐻2𝑂 → 𝐶5.5𝐻9𝑂4.5�������Polysaccharid
+ 𝐶𝑂2 + 𝐻2𝑂 (6)
2.2 Dynamisches Modell Zustandsgrößen des Modells sind zum einen die Konzentration von Biomasse,
Sonnenblumenöl, Lipase, Glycerin, Fettsäure, Mono-Rhamnolipid, Di-Rhamnolipid,
Polysaccharid, Nitrat und Kohlendioxid. Eine weitere Zustandsgrößen ist die Konzentration
von C4-HSL (HSL = Homoserine Lakton), welche ein Maß für Quorum Sensing ist. Das
Bakterium Pseudomonas aeruginosa setzt Quorum Sensing dazu ein, die Sekretion der
Rhamnolipide zu steuern [6].
Es wurden gekoppelte, stark nichtlineare Differentialgleichungen aufgestellt, die sowohl die die
Dynamik der Zustandsgrößen als auch die aus den Reaktionen folgende Massenbilanz
beschreiben. Die Differentialgleichungen lassen sich in die drei Klassen autokatalytisches
Wachstum (Biomasse), Wachstumsrate proportional zur Biomasse (Rhamnolipid-mono,
Rhamnolipid-di, Polysacharid, Lipase) sowie Bilanzierung über Änderungsraten (Glycerin,
(3)
-
Fettsäure, Nitrat, Kohlendioxid, Sauerstoff) einteilen. Hierbei sind viele Verstärkungsfaktoren
stark nichtlinear von Zustandsgrößen abhängig. In Bild 2 ist der Zeitverlauf des Batch-
Prozesses der simulierten Variablen und der Messdaten dargestellt. Es ist erkennbar, dass die
simulierten Daten gut mit den Messdaten übereinstimmen.
Bild 2: Zeitverlauf des simulierten Prozesses und der Messdaten
3 Sensitivitätsanalyse und Parameteroptimierung Da das Modell 36 Parameter enthält, von denen nur wenige Werte aus der Literatur
übernommen werden können, müssen die anderen Parameter anhand der Messdaten
identifiziert werden. Um zunächst die wichtigsten Parameter identifizieren zu können, wurde
eine numerische Sensitivitätsanalyse durchgeführt. Dazu wurden wesentliche Merkmale und
Güteindices definiert und die Sensitivität der Güteindices bezüglich der ca. 30 Parameter
ausgewertet. Folgende vier Güteindices wurden definiert (siehe auch Bild 2): 1. Stationärwert
Biomasse, 2. Stationärwert Mono-Rhamnolipid, 3. Stationärwert Di-Rhamnolipid, 4.
Maximalwert C4-HSL.
Mittels der in Bild 3 dargestellten Hinton Matrix wurde der Einfluss von Änderungen der 36
Modellparameter (in den Zeilen aufgelistet) auf die vier definierten Güteindices (Spalten)
übersichtlich visualisiert. Die Modellparameter wurden um {-50, -20, -10, +10, +20, +50, +100,
-
+200} % gegenüber den Nominalwerten variiert. Durch diese Methode wurden aus den 36
Modellparametern fünf Parameter identifiziert, deren Variation den größten Einfluss auf die
definierten Güteindices haben.
Die numerisch ermittelte Sensitivität
S =∆𝑦/𝑦∆𝑝/𝑝
der Güteindices y bezüglich der fünf relevantesten Parameter p ist in Bild 4 gezeigt. Es ist
ersichtlich, dass die Sensitivität überwiegend in nichtlinearer Form von der Parametervariation
∆p/p abhängt.
Die Optimierung der ausgewählten Parameter erfolgt schließlich in Form eines Algorithmus,
der die Abweichung der simulierten Verläufe von den Messdaten minimiert. Das Ergebnis ist in
Bild 2 gezeigt (durchgezogene Linie: simulierten Prozessvariablen, gepunktet: Messdaten
(sowiet verfügbar)). Es ist erkennbar, dass die simulierten Daten überwiegend gut mit den
Messdaten übereinstimmen.
Basierend auf dem Modell werden in laufenden Forschungsarbeiten optimierte Prozess-
führungsstrategien untersucht, um die Rhamnolipid-Produktionsrate signifikant zu steigern.
-
Bild 3: Hinton Matrix zur Visualisierung des Einflusses von Änderungen der 36 Modellparameter (in den Zeilen aufgelistet) auf 4 definierte Güteindices (Spalten). Die Parameter wurden um {-50, -20, -10, +10, +20, +50, +100, +200}% gegenüber den Nominalwerten variiert.
-
Bild 4: Sensitivität der vier definierten Güteindices (abgekürzt als maxBDM, maxRL1, maxRL3, maxC4HSL) bezüglich der fünf relevantesten Parameter Danksagung Die Arbeiten werden finanziert durch die Baden-Württemberg Stiftung im Programm
„Umwelttechnologieforschung“.
-
Literatur [1] Henkel M. et al.: Rhamnolipids as biosurfactants from renewable resources: Concepts
for next-generation rhamnolipid production In: Process Biochemistry, 2012
[2] Jarvis, F.G. and Johnson M.J.: A Glyco-Lipide produced by Pseudomonas-Aeruginosa,
Journal of American Chemical Society, 1949
[3] Cha, M. et al.: Heterologous production of Pseudomonas aeruginosa EMS1
biosurfactant in Pseudomonas putida, Bioresource technology, 2008
[4] Müller M., Hausmann R.: Regulatory and metabolic network of rhamnolipid biosynthesis:
traditional and advanced engineering towards biotechnological production. In: Applied
Mircrobiological Biotechnology, 2012
[5] Medina-Moreno, S.A. et al.: Modeling rhamnolipids production by Pseudomonas
aeruginosa from immiscible carbon source in a batch system, 2011
[6] Waters, C.M., Bassler, B.L.: Quorum sensing: cell-to-cell communication in bacteria. In:
Annual Review of Cell and Developmental Biology, 2005
Christian Kühnert, Thomas Bernard, Fraunhofer IOSB, Karlsruhe;
Marius Henkel, Institut für Bio- und Lebensmitteltechnik KIT, Karlsruhe
Rudolf Hausmann, Institut für Lebensmittelwissenschaft und Biotechnologie, Universität Hohenheim
Anke Schmidberger, Thomas Schwartz, Institut für Funktionelle Grenzflächen KIT, Karlsruhe
Kurzfassung
1. Einleitung
2. Nichtlineares, dynamisches Prozessmodell
2.1 Reaktionsgleichungen
2.2 Dynamisches Modell
3 Sensitivitätsanalyse und Parameteroptimierung
Danksagung
Literatur
Presentation AUTOMATION Kühnert_Bernard (2013-06-25).pdf
-
© Fraunhofer IOSB 1
Christian Kühnert, Dr. Thomas Bernard, Fraunhofer IOSB, Karlsruhe
Marius Henkel, Institut für Bio- und Lebensmitteltechnik KIT, Karlsruhe
Prof. Dr. Rudolf Hausmann, Institut für Lebensmittelwissenschaft und Biotechnologie,
Universität Hohenheim
Anke Schmidberger, Dr. Thomas Schwartz, Institut für Funktionelle Grenzflächen KIT, Karlsruhe
Modellgestützte Analyse und Optimierung eines komplexen, nichtlinearen bioverfahrenstechnischen Prozesses zur Produktion von Biotensiden
-
© Fraunhofer IOSB 2
Übersicht
Motivation: Biotensid-Produktion
Übersicht zu Prozessmodell (Reaktionen und Kinetiken)
Parameter-Sensitivitätsanalyse
Parameroptimierung
Erste Prozessführungsstrategien
-
© Fraunhofer IOSB 3
Motivation: Biotensid-Produktion
Rhamnolipide: mikrobielle Biotenside
Verschiedene Strukturen bekannt (Mono, Di)
Bioitenside vollständig biologisch abbaubar
Niedrige Aquatoxizität
Herstellung aus erneuerbaren Rohstoffen
Mono-Rhamnolipid m,n = 2 – 14 Di-Rhamnolipid
New Scientist 20. Feb. 2010
-
© Fraunhofer IOSB 4
Modellierung
Batch-Prozess
CO2 H2O
Mono-Rhamnolipide (CH1,85O0,35)26 Di-Rhamnolipide (CH1,81O0,41)32
Polysaccharide (CH1,64O0,82)5,5 Sonst. Nebenprodukte
P. aeruginosa (CH1,68O0,31N0,24)n
Mineralsalzmedium (NO3-) + Sonnenblumenöl (CH1,77O0,11)57
Sauerstoff O2
-
© Fraunhofer IOSB 5
Modellierung
Sonnenblumenöl wird durch Lipase zu Glycerin/Fettsäure gespalten
Lipase wird aus Glycerin/Fettsäure, Nitrat und Biomasse (Katalysator) gebildet
Biomasse wird aus Glycerin/Fettsäure, Nitrat gebildet
Produkte (Rhamnolipide P1, P2, Polysacharide) werden aus Glycerin/Fettsäure und Biomasse (Katalysator) gebildet
Stellgrößen: z.B. Zugabe von Öl, Nitrat
Prozess als Batch, Fed-Batch oder kontinuierlich betreibbar
-
© Fraunhofer IOSB 6
Nichtlineares dynamisches Modell
13 nichtlineare Differentialgleichungen für dynamisches Modell
Molekularbiologische Informationen grob berücksichtigt
Modell enthält 36 Parameter!
Feinparametrierung
Sensitivitätsanalyse der Parameter
Parameteroptimierung
Nutzung des Modell
Einsatz des Modells als Softsensor
Entwicklung von Prozessführungsstragien
Modellierung
-
© Fraunhofer IOSB 7
Ziel: Modellgestützte Prozessführung
Nzu(t)
Pzu(t)
Czu(t)
Feedback der molekularen Regulation
Ziel: Maximieriung der Produktbildungsrate
Optimierung
optimierte Stellgrößen
Bioprozess
Zustandsgrößen: C(t), N(t), P(t), ... ....
Biotrockenmasse BTM
Physiologischer Status der Zellen
optimierte Ausgangsgrößen
Produkt Px(t)
Molekulare Regulation
über Sigmafaktoren
-
© Fraunhofer IOSB 8
Modellentwicklung
Prozessmodell
Produkte (Rhamnolipide)
Stöchiometrische Beziehungen
3x 2x 1x
Kinetiken
MONOD- Kinetik
HALDANE- Kinetik
Heuristisch (wissensbasiert) z.B. WENNDANN Beziehungen
Molekulare Grundlagen (Genexpressionsanalyse) (q)RT-PCR von Genen beteiligt an der Rhamnolipid-Synthese. (lasR/I, rhlR/I, rhlABC, rpoS, rpoN…)
Wachstumkinetiken
Kompetitive Hemmung MM-Kinetik
Enzymkinetiken
Regulationsmodell (Genregulation, Eisen & andere Faktoren, Quorum sensing)
Optimierte Prozessführungsstrategien
-
© Fraunhofer IOSB 9
Reaktionsgleichungen
-
© Fraunhofer IOSB 10
Nichtlineares Dynamisches Modell
Sonnenblumenöl 𝑑𝐶𝑜𝑜𝑜(𝑡)𝑑𝑡
= −𝑘𝑂𝑜𝑜(. )𝐶𝑜𝑜𝑜(𝑡)
Wachstumsrate proportional zur Biomasse
Di-Rhamnolipid Polysaccharid Lipase 𝑑𝐶𝑃𝑃𝑃𝑜𝑃𝑜
𝑑𝑡= 𝑞𝑃𝑃𝑃𝑜𝑃𝑜(. )𝐶𝑋−𝑌𝑃𝑃𝑃𝑜𝑃𝑜|𝑃𝑃𝑃𝑜
𝑑𝐶𝑑𝑑𝑑𝑑𝑑𝑡
𝑑𝐶𝑃𝑃𝑃𝑜𝑑𝑡
= 𝑞𝑃𝑃𝑃𝑜(. )𝐶𝑋 𝑑𝐶𝑃𝑃𝑑𝑡
= 𝑞𝑃𝑃(. )𝐶𝑋 𝑑𝐶𝐿𝑑𝑡
= 𝑞𝐿(. )𝐶𝑋
Bilanzierung über Änderungsraten
𝑑𝐶𝐺𝑑𝑡
= −𝑌𝐺|𝑜𝑜𝑜𝑑𝐶𝑜𝑜𝑜𝑑𝑡
− 𝑌𝐺|𝑋𝑑𝐶𝑥𝑑𝑡
− 𝑌𝐺|𝑃𝑃𝑃𝑜𝑃𝑜𝑑𝐶𝑃𝑃𝑃𝑜𝑃𝑜
𝑑𝑡− 𝑌𝐺|𝑃𝑃𝑃𝑜
𝑑𝐶𝑃𝑃𝑃𝑜𝑑𝑡
− 𝑌𝐺|𝑃𝑃𝑑𝐶𝑃𝑃𝑑𝑡
− 𝑌𝐺|𝐿𝑑𝐶𝐿𝑑𝑡
Glycerin
Fettsäure 𝑑𝐶𝐹𝑑𝑡
= −𝑌𝐹|𝑜𝑜𝑜𝑑𝐶𝑜𝑜𝑜𝑑𝑡
− 𝑌𝐹|𝑋𝑑𝐶𝑥𝑑𝑡
− 𝑌𝐹|𝑃𝑃𝑃𝑜𝑃𝑜𝑑𝐶𝑃𝑃𝑃𝑜𝑃𝑜
𝑑𝑡− 𝑌𝐹|𝑃𝑃𝑃𝑜
𝑑𝐶𝑃𝑃𝑃𝑜𝑑𝑡
− 𝑌𝐹|𝑃𝑃𝑑𝐶𝑃𝑃𝑑𝑡
− 𝑌𝐺|𝐿𝑑𝐶𝐿𝑑𝑡
Nitrat 𝑑𝐶𝑁𝑂𝑁𝑑𝑡
= −𝑌𝑁𝑂𝑁|𝑋𝑑𝐶𝑥𝑑𝑡
− 𝑌𝑁𝑂𝑁|𝐿𝑑𝐶𝐿𝑑𝑡
Kohlendioxid 𝑑𝐶𝐶𝑂𝑃𝑑𝑡
= 𝑌𝐶𝑂𝑃|𝑋𝑑𝐶𝑥𝑑𝑡
+ 𝑌𝐶𝑂𝑃|𝑃𝑃𝑃𝑜𝑃𝑜𝑑𝐶𝑃𝑃𝑃𝑜𝑃𝑜
𝑑𝑡+ 𝑌𝐶𝑂𝑃|𝑃𝑃𝑃𝑜
𝑑𝐶𝑃𝑃𝑃𝑜𝑑𝑡
+ 𝑌𝐶𝑂𝑃|𝑃𝑃𝑑𝐶𝑃𝑃𝑑𝑡
+ 𝑌𝐶𝑂𝑃|𝐿𝑑𝐶𝐿𝑑𝑡
𝑃𝐶𝑥(𝑡)𝑃𝑡
= 𝜇𝑥(.)
Biomasse (.) nichtlineare Abhängigkeit von anderen Zustandsgrößen
Mono-Rhamnolipid
-
© Fraunhofer IOSB 11
Molekulare Regulation der Rhamnolipidsynthese
Soberon-Chavez G, Aguirre-Ramirez M, Ordonez L. 2005. Is Pseudomonas aeruginosa only "sensing quorum"? Critical Reviews in Microbiology 31(3):171-182
-
© Fraunhofer IOSB 12
cultivation time [h]
0 20 40 60 80 100
C4-
HSL
con
cent
ratio
n [µ
mol
/L]
3o-C
12-H
SL c
once
ntra
tion
[µm
ol/L
]
0
20
40
60
80
100
Konzentration von C4-HSL (Quorum Sensing)
Hat Einfluss auf Bildung von Mono-Rhamnolipid und Di-Rhamnolipid
Signalmolekül, abhängig von vorhandener Biomasse
Stark vereinfachte Berücksichtigung der Molekularbiologie
𝐶4 𝑡 = 𝑘𝐶4𝑃𝐶𝑋 − 𝑘𝐶4𝑃 � 𝐶𝑋𝑡
0𝑑𝑡
.
Messwerte C4-HSL Konzentration
-
© Fraunhofer IOSB 13
Modell mit heuristisch bestimmten Parametern
Messdaten Modell
Parameter durch Expertenwissen und heuristische Optimierung bestimmt
-
© Fraunhofer IOSB 14
Sensitivitätsanalyse und Parameteroptimierung
Messdaten Modell
Modell enthält 36 Parameter; davon nur wenige gut bestimmt
Ziel: Sensitivitätsanalyse zur Identifikation der relevantesten Parameter
Analyse: Einfluss einzelner Parameter auf relevante Merkmale (Stationärwert von Biomasse und Produkten; Maximum von C4-HSL)
𝑆𝑆𝑆𝑆𝑑𝑡𝑑𝑆𝑑𝑡𝑆𝑡 = Δ𝑦/𝑦Δ𝑝/𝑝
∆p: Parameteränderung; p: Parameter-Nominalwert ∆y: Änderung Merkmal; y: Merkmal-Nominalwert
-
© Fraunhofer IOSB 15
Visualisierung der Sensitivität
negative Parameteränderung Variation jeweils eines Parameters um {10, 20, 50, 100}%
Merkmal vergrößert
Merkmal verkleinert
Parameter
Merkmale
-
© Fraunhofer IOSB 16
Merkmal vergrößert
Merkmal verkleinert
Visualisierung der Sensitivität
Parameter
Merkmale
negative Parameteränderung Variation jeweils eines Parameters um {-10,-20,-50}%
-
© Fraunhofer IOSB 17
Sensitivität der wichtigsten Parameter
Stark nichtlineares Verhalten
-
© Fraunhofer IOSB 18
Vergleich Messdaten mit Modell mit (a) heuristisch bestimmten, (b) optimierten Parametern
Parameteroptimierung
-
© Fraunhofer IOSB 19
Nitrat geregelt erhöhte Rhamnolipid-Produktion Szenario 1: ungeregelt, Startwert mittel Szenario 2: ungeregelt, Startwert hoch Szenario 3: Nitrat-Konzentration geregelt
Prozessführungsstrategie 1: Nitrat geregelt / ungeregelt
-
© Fraunhofer IOSB 20
Prozessführungsstrategie 2: Modifikation C4-HSL
Zufuhr C4-HSL erhöhte Rhamnolipid-Produktion Szenario 1 Szenario 2
Szenario 3
-
© Fraunhofer IOSB 21
Zusammenfassung
Modellierung eines komplexen, nichtlinearen bioverfahrens- technischen Prozesses zur Produktion von Biotensiden
Sensitivitätsanalyse und Parameteroptimierung
Erste modellgestützte Prozessführungsstrategien berechnet
Nächste Schritte
Validierung der Strategien
Berechnung komplexerer Prozessführungsstrategien
Foliennummer 1
Übersicht
Motivation: Biotensid-Produktion
Modellierung
Modellierung
Modellierung
Ziel: Modellgestützte Prozessführung
Modellentwicklung
Reaktionsgleichungen
Nichtlineares Dynamisches Modell
Molekulare Regulation der Rhamnolipidsynthese
Stark vereinfachte Berücksichtigung der Molekularbiologie
Modell mit heuristisch bestimmten Parametern
Sensitivitätsanalyse und Parameteroptimierung
Visualisierung der Sensitivität
Visualisierung der Sensitivität
Sensitivität der wichtigsten Parameter�
Parameteroptimierung
Prozessführungsstrategie 1: Nitrat geregelt / ungeregelt
Prozessführungsstrategie 2: Modifikation C4-HSL
Zusammenfassung
/ColorImageDict > /JPEG2000ColorACSImageDict > /JPEG2000ColorImageDict > /AntiAliasGrayImages false /CropGrayImages true /GrayImageMinResolution 300 /GrayImageMinResolutionPolicy /OK /DownsampleGrayImages true /GrayImageDownsampleType /Bicubic /GrayImageResolution 300 /GrayImageDepth -1 /GrayImageMinDownsampleDepth 2 /GrayImageDownsampleThreshold 1.50000 /EncodeGrayImages true /GrayImageFilter /DCTEncode /AutoFilterGrayImages true /GrayImageAutoFilterStrategy /JPEG /GrayACSImageDict > /GrayImageDict > /JPEG2000GrayACSImageDict > /JPEG2000GrayImageDict > /AntiAliasMonoImages false /CropMonoImages true /MonoImageMinResolution 1200 /MonoImageMinResolutionPolicy /OK /DownsampleMonoImages true /MonoImageDownsampleType /Bicubic /MonoImageResolution 1200 /MonoImageDepth -1 /MonoImageDownsampleThreshold 1.50000 /EncodeMonoImages true /MonoImageFilter /CCITTFaxEncode /MonoImageDict > /AllowPSXObjects false /CheckCompliance [ /None ] /PDFX1aCheck false /PDFX3Check false /PDFXCompliantPDFOnly false /PDFXNoTrimBoxError true /PDFXTrimBoxToMediaBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXSetBleedBoxToMediaBox true /PDFXBleedBoxToTrimBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXOutputIntentProfile () /PDFXOutputConditionIdentifier () /PDFXOutputCondition () /PDFXRegistryName () /PDFXTrapped /False
/CreateJDFFile false /Description > /Namespace [ (Adobe) (Common) (1.0) ] /OtherNamespaces [ > /FormElements false /GenerateStructure false /IncludeBookmarks false /IncludeHyperlinks false /IncludeInteractive false /IncludeLayers false /IncludeProfiles false /MultimediaHandling /UseObjectSettings /Namespace [ (Adobe) (CreativeSuite) (2.0) ] /PDFXOutputIntentProfileSelector /DocumentCMYK /PreserveEditing true /UntaggedCMYKHandling /LeaveUntagged /UntaggedRGBHandling /UseDocumentProfile /UseDocumentBleed false >> ]>> setdistillerparams> setpagedevice
top related