用于 AI 驱动的发酵研发的高通量拉曼筛选技术

发酵研发团队负责寻找那些最能提升产量的菌株、培养基配方、喂养策略以及工艺条件。借助人工智能驱动的设计方法，可以生成数百种候选实验方案，从而加快这一寻找过程——但这些预测结果仍需通过实验来验证。

问题恰恰出在这一点上：虽然 HPLC 仍是样品确认的必要手段，但每个样品的检测时间往往需要数十分钟；而拉曼光谱技术则能在几秒钟内完成检测。在处理大量样品时，这种速度上的差异足以改变工作流程——数百个样品可以通过拉曼光谱在不到一小时内完成筛选，而同样的样品组若用 HPLC 分析则可能需要数天时间。

团队无需将所有发酵样本都直接送入色谱仪进行分析，而是可以使用 PoliSpectra® Rapid Raman Plate Reader（RPR）快速筛选大量样本，找出最具潜力的候选样本，进而确定哪些样本确实需要通过 HPLC 进行进一步验证。由于拉曼分析属于非破坏性检测方法，在通过拉曼分析掌握整体的化学特征后，这些样本仍可再用 HPLC 进行分析以获得最终确认结果。

通过将拉曼光谱技术应用于高通量板式检测仪中，RPR 能够以 24 孔、96 孔或 384 孔格式实现快速筛选。科研团队可以迅速评估关键的代谢参数、识别化学变化趋势、发现异常值，并确定那些最有可能带来更高产量或显著工艺差异的样本。

这样一来，发酵研发流程的扩展性便得到了提升：人工智能可预测更多实验条件，RPR 用于快速筛选大量实验样本，而 HPLC 则用于确认其中最具有价值的候选方案。

上图概述了整个工作流程：首先建立基于拉曼光谱的滴定模型，并通过 HPLC 对其进行验证，之后利用已验证的模型快速筛选大量的发酵样本，只有最关键的样本才会被送入 HPLC 进行进一步确认。

为说明这一工作流程，此处选取的示例以葡萄糖这一关键的发酵底物为例。同样的方法也可应用于其他发酵代谢物，某些情况下甚至可用于最终产物。

RPR 采用 785 nm 的拉曼激发光，对五种不同培养基中的葡萄糖滴定样本进行了检测，共计 45 个样本，涵盖了多种不同的葡萄糖浓度。这些测量数据被用于构建基于拉曼技术的葡萄糖预测模型，随后该模型还通过 HPLC 进行了验证。

文末展示的实测数据反映了模型构建的过程。左侧面板显示了从不同培养基中的 45 个样本中采集的拉曼光谱数据；右侧面板则将基于拉曼模型预测的葡萄糖浓度与通过 HPLC 测得的实际葡萄糖浓度进行了对比。

拉曼光谱技术能够准确测定五种培养基中的四种所含的葡萄糖浓度。不过 D 培养基的荧光背景值过高，干扰了拉曼测量的准确性，从而导致预测精度下降。对于荧光强度过高的样本，可以通过专门的校准模型进行处理，或将其标记出来以便后续通过 HPLC 进行进一步分析。

最关键的差异在于速度。使用 RPR 即可在 10 分钟内完成全部 45 个样本的检测，平均每个样本仅需约 12.5 秒，而采用 HPLC 方法则需数小时才能完成相同工作。在大多数培养基中，拉曼光谱都能准确检测出葡萄糖含量的变化趋势，这充分体现了在模型建立并得到验证之后，RPR 作为前端筛选工具的实用价值。

• 高通量筛选：可在一分钟内完成多达 96 个样本的检测
• 替代 HPLC：广泛筛查，精准确认
• 人工智能驱动的发酵研发：让实验处理速度与人工智能预测速度相匹配
• 无需样品前处理：通过标准孔板直接进行拉曼分析
• 无损分析：在获取化学成分变化信息的同时保留生物样本，从而使这些样本能够通过不同的分析技术进行检测。
• 具备自动化功能：可通过 OPC UA/REST API 与液体处理设备以及过程分析技术工作流程相集成。

通过将人工智能驱动的发酵设计与高通量拉曼筛选相结合，PoliSpectra® RPR 能够帮助科研团队更快地从预测阶段进入验证阶段，从而确保 HPLC 分析及放大生产相关的资源能够集中在最能创造价值的地方。