As fermentações são processos complexos e muitas vezes imprevisíveis, mas geram grandes quantidades de dados subutilizados. Num novo estudo publicado na Applied Sciences, investigadores do iBB - Instituto de Bioengenharia e Biociências recorreram a Aprendizagem Automática (ML) para prever a produção de lípidos de manosileritritol (MELs), um tensioativo biológico de alto valor, durante o cultivo de Moesziomyces spp.

Destaques do estudo:
✔️ Foram testados três modelos de Machine Learning — Redes Neuronais (NNs), Support Vector Machines (SVMs), and Random Forests (RFs).
✔️ As NNs forneceram as previsões mais precisas para os dias 4 e 7 do processo de fermentação, demonstrando a possibilidade de obter previsões fiáveis para a avaliação precoce da qualidade dos lotes.
✔️ As previsões podem reduzir custos ao permitir ajustes atempados ou a interrupção precoce de lotes com baixo desempenho.

Este trabalho abre caminho para a otimização baseada em dados da produção de tensioativos biológicos, combinando Biotecnologia e Inteligência Artificial para melhorar a previsibilidade dos bioprocessos. O conjunto de dados e o código disponibilizados em acesso aberto promovem maior transparência e avanços futuros.

O estudo, cujo primeiro autor é Carolina Vares, com o apoio de Sofia Agostinho, foi liderado por Carlos Rodrigues e Nuno Faria, em colaboração com Ana Fred (do IT), e está alinhado com os esforços globais para substituir surfactantes petroquímicos por alternativas sustentáveis. Ver mais.