Modellgestützte Analyse und Optimierung eines komplexen, nichtlinearen bioverfahrenstechnischen Prozesses zur Produktion von Biotensiden

Transkript

1 Modellgestützte Analyse und Optimierung eines komplexen, nichtlinearen bioverfahrenstechnischen Prozesses zur Produktion von Biotensiden 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 Fraunhofer IOSB 1

2 Übersicht Motivation: Biotensid-Produktion Übersicht zu Prozessmodell (Reaktionen und Kinetiken) Parameter-Sensitivitätsanalyse Parameroptimierung Erste Prozessführungsstrategien Fraunhofer IOSB 2

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 Fraunhofer IOSB 3

4 Modellierung Mineralsalzmedium (NO 3- ) + Sonnenblumenöl (CH 1,77 O 0,11 ) 57 Batch-Prozess P. aeruginosa (CH 1,68 O 0,31 N 0,24 ) n Sauerstoff O 2 Mono-Rhamnolipide (CH 1,85 O 0,35 ) 26 Di-Rhamnolipide (CH 1,81 O 0,41 ) 32 CO 2 H 2 O Polysaccharide (CH 1,64 O 0,82 ) 5,5 Sonst. Nebenprodukte Fraunhofer IOSB 4

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 P 1, P 2, 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 5

6 Modellierung 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 Fraunhofer IOSB 6

7 Ziel: Modellgestützte Prozessführung Feedback der molekularen Regulation Molekulare Regulation über Sigmafaktoren Ziel: Maximieriung der Produktbildungsrate Optimierung C zu (t) N zu (t) P zu (t) Bioprozess Biotrockenmasse BTM Physiologischer Status der Zellen Produkt P x (t)... Zustandsgrößen: C(t), N(t), P(t),... optimierte Stellgrößen optimierte Ausgangsgrößen Fraunhofer IOSB 7

8 Modellentwicklung Kinetiken Wachstumkinetiken MONOD- Kinetik HALDANE- Kinetik Stöchiometrische Beziehungen 3x 2x 1x Molekulare Grundlagen (Genexpressionsanalyse) (q)rt-pcr von Genen beteiligt an der Rhamnolipid-Synthese. (lasr/i, rhlr/i, rhlabc, rpos, rpon ) Enzymkinetiken Kompetitive Hemmung MM-Kinetik Heuristisch (wissensbasiert) z.b. WENN DANN Beziehungen Prozessmodell Regulationsmodell (Genregulation, Eisen & andere Faktoren, Quorum sensing) Produkte (Rhamnolipide) Optimierte Prozessführungsstrategien Fraunhofer IOSB 8

9 Reaktionsgleichungen Fraunhofer IOSB 9

10 Nichtlineares Dynamisches Modell Biomasse dc x (t) dd = μ x (.) Sonnenblumenöl dc ooo (t) dd = k OOO (. )C ooo (t) (.) nichtlineare Abhängigkeit von anderen Zustandsgrößen Wachstumsrate proportional zur Biomasse Mono-Rhamnolipid dc PPPPPP dt = q PPPPPP (. )C X Y PPPPPP PPPP dddddd dd Bilanzierung über Änderungsraten Glycerin Di-Rhamnolipid Polysaccharid Lipase dc PPPP dt = q PPPP (. )C X dc PP dt = q PP (. )C X dc G dt = Y dc ooo dc x G ooo Y dd G X dd Y dc PPPPPP dc PPPP dc PP dc L G PPPPPP Y dd G PPPP Y dd G PP Y dd G L dd Fettsäure dc F dt = Y dc ooo dc x F ooo Y dd F X dd Y dc PPPPPP dc PPPP dc PP dc L F PPPPPP Y dd F PPPP Y dd F PP Y dd G L dd Nitrat dc NNN dt dc x = Y NNN X dd Y dc L NNN L dd Kohlendioxid dc CCC dt dc x = Y CCC X dd + Y dc PPPPPP dc PPPP dc PP dc L CCC PPPPPP + Y dd CCC PPPP + Y dd CCC PP + Y dd CCC L dd dc L dt = q L(. )C X Fraunhofer IOSB 10

11 Molekulare Regulation der Rhamnolipidsynthese Soberon-Chavez G, Aguirre-Ramirez M, Ordonez L Is Pseudomonas aeruginosa only "sensing quorum"? Critical Reviews in Microbiology 31(3): Fraunhofer IOSB 11

12 Stark vereinfachte Berücksichtigung der Molekularbiologie Konzentration von C4-HSL (Quorum Sensing) Hat Einfluss auf Bildung von Mono-Rhamnolipid und Di-Rhamnolipid Signalmolekül, abhängig von vorhandener Biomasse. t C 4 t = k C41 C X k CCC C X dd Messwerte C4-HSL Konzentration C4-HSL concentration [µmol/l] 3o-C12-HSL concentration [µmol/l] cultivation time [h] Fraunhofer IOSB 12

13 Modell mit heuristisch bestimmten Parametern Parameter durch Expertenwissen und heuristische Optimierung bestimmt Messdaten Modell Fraunhofer IOSB 13

14 Sensitivitätsanalyse und Parameteroptimierung 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) Messdaten Modell SSSSSSSSSSSS = Δy/y Δp/p p: Parameteränderung; p: Parameter-Nominalwert y: Änderung Merkmal; y: Merkmal-Nominalwert Fraunhofer IOSB 14

15 Visualisierung der Sensitivität negative Parameteränderung Variation jeweils eines Parameters um {10, 20, 50, 100}% Merkmal vergrößert Merkmal verkleinert Parameter Merkmale Fraunhofer IOSB 15

16 Visualisierung der Sensitivität negative Parameteränderung Variation jeweils eines Parameters um {-10,-20,-50}% Merkmal vergrößert Merkmal verkleinert Parameter Merkmale Fraunhofer IOSB 16

17 Sensitivität der wichtigsten Parameter Stark nichtlineares Verhalten Fraunhofer IOSB 17

18 Parameteroptimierung Vergleich Messdaten mit Modell mit (a) heuristisch bestimmten, (b) optimierten Parametern Fraunhofer IOSB 18

19 Prozessführungsstrategie 1: Nitrat geregelt / ungeregelt Nitrat geregelt erhöhte Rhamnolipid-Produktion Szenario 1: ungeregelt, Startwert mittel Szenario 2: ungeregelt, Startwert hoch Szenario 3: Nitrat-Konzentration geregelt Fraunhofer IOSB 19

20 Prozessführungsstrategie 2: Modifikation C4-HSL Zufuhr C4-HSL erhöhte Rhamnolipid-Produktion Szenario 1 Szenario 2 Szenario 3 Fraunhofer IOSB 20

21 Zusammenfassung Modellierung eines komplexen, nichtlinearen bioverfahrenstechnischen Prozesses zur Produktion von Biotensiden Sensitivitätsanalyse und Parameteroptimierung Erste modellgestützte Prozessführungsstrategien berechnet Nächste Schritte Validierung der Strategien Berechnung komplexerer Prozessführungsstrategien Fraunhofer IOSB 21