Modellgestützte Analyse und Optimierung eines komplexen ... fileModellgestützte Analyse und...

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


+ 𝑁𝑂3 + 𝑂2 + 𝐻2𝑂 + 𝑃𝑂4 + 𝑆𝑂4 → 𝐶1436𝐻2263𝑂441𝑁395𝑆7��Lipase

+ 𝐶𝑂2 + 𝐻2𝑂



+ 𝑂2 + 𝐻2𝑂 → 𝐶26𝐻48𝑂9��Mono−Rhamnolipid

+ 𝐶𝑂2 + 𝐻2𝑂 (4)

𝐶26𝐻48𝑂9��Mono−Rhamnolipid

+ 𝐶3𝐻803��Glycerin


→ 𝐶32𝐻58𝑂13��Di−Rhamnolipid

+ 𝐶𝑂2 +𝐻2𝑂 (5)



+ 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;


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


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


Übersicht

Motivation: Biotensid-Produktion

Übersicht zu Prozessmodell (Reaktionen und Kinetiken)

Parameter-Sensitivitätsanalyse

Parameroptimierung

Erste Prozessführungsstrategien



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


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


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


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


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


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


Reaktionsgleichungen


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


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


Modell mit heuristisch bestimmten Parametern

Messdaten Modell

Parameter durch Expertenwissen und heuristische Optimierung bestimmt


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


Visualisierung der Sensitivität

negative Parameteränderung Variation jeweils eines Parameters um {10, 20, 50, 100}%

Merkmal vergrößert

Merkmal verkleinert

Parameter

Merkmale


Merkmal vergrößert

Merkmal verkleinert


Parameter

Merkmale

negative Parameteränderung Variation jeweils eines Parameters um {-10,-20,-50}%


Sensitivität der wichtigsten Parameter

Stark nichtlineares Verhalten


Vergleich Messdaten mit Modell mit (a) heuristisch bestimmten, (b) optimierten Parametern



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


Prozessführungsstrategie 2: Modifikation C4-HSL

Zufuhr C4-HSL erhöhte Rhamnolipid-Produktion Szenario 1 Szenario 2

Szenario 3


Zusammenfassung

Modellierung eines komplexen, nichtlinearen bioverfahrenstechnischen Prozesses zur Produktion von Biotensiden


Erste modellgestützte Prozessführungsstrategien berechnet

Nächste Schritte

Validierung der Strategien

Berechnung komplexerer Prozessführungsstrategien

Foliennummer 1

Übersicht


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




Sensitivität der wichtigsten Parameter�


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

Modellgestützte Analyse und Optimierung eines komplexen ... fileModellgestützte Analyse und...

Documents

Transcript of Modellgestützte Analyse und Optimierung eines komplexen ... fileModellgestützte Analyse und...