ETUDE ET MODELISATION DE LA BIOSYNTHESE DES ANTIBIOTIQUES A PARTIR DE DIFFERENTES SOUCHES PRODUCTRICES - CAS DE PLEUROMUTILINE

Abstract

L’objectif de cette thèse vise à développer des méthodologies basées sur les réseaux de neurones pour la modélisation des bioprocédés et ceux pour un but de prédiction et d’optimisation. Notre première contribution a porté sur l'utilisation des réseaux de neurones pour la modélisation du processus de fermentation fed-batch de pleuromutiline et ceux dans le but de prédire l'évolution des paramètres difficilement mesurables on line (biomasse, substrat et produit) à partir de variables facilement mesurables. Pour cela, trois modèles neuronaux de type feedforward ont été construits et optimisés. Ces modèles se caractérisent par une structure similaire : cinq neurones dans la couche d'entrée (temps de fermentation, pH, indice de réfraction et concentration initiale d'inoculum et concentration initiale du substrat), une couche cachée avec un nombre de neurones optimisé au cours du processus d’apprentissage et un neurone dans la couche de sortie (biomasse, consommation du sucre ou formation du produit). Une bonne concordance entre les valeurs expérimentales et les valeurs prédites pour chaque modèle neuronal a été obtenue (les racines des erreurs quadratiques moyennes pour la base de test étaient respectivement de 0,4624%, de 0,1234 g/L et de 0,0016 mg/g pour le réseau de neurones décrivant la biomasse, la consommation du substrat et la formation du produit). Par ailleurs, la comparaison entre les modèles neuronaux optimisés et les modèles cinétiques non structurés a démontré la supériorité des modèles neuronaux. En plus de l’excellente corrélation des données expérimentales, les trois modèles neuronaux utilisés ont montré une bonne capacité prédictive d’interpolation. Notre deuxième contribution a porté sur le développement d’une méthodologie d’optimisation, combinant un plan composite centré (PCC), un réseau de neurones artificiel (RN) et un algorithme d'optimisation par essaim de particules (OEP). Cette technique a été appliquée à l’optimisation des conditions de culture de Pleurotus mutilus (vitesse d'agitation, température et pH) et ceux dans le but d’obtenir une production maximale en pleuromutiline. Le PCC et le RN ont été utilisés respectivement pour planifier et concevoir l'expérience et pour modéliser le processus. L’algorithme d’OEP a été appliqué pour deux fins : remplacement de la rétro-propagation standard dans l’apprentissage du réseau de neurones et l’optimisation du modèle neuronal obtenu. La comparaison entre le modèle neuronal formé avec l’algorithme d’OEP (RNOEP), le réseau de neurones formé avec l’algorithme de régularisation bayésienne (RNRB) et le modèle quadratique de la méthodologie des surfaces de réponse (MSR) a démontré la grande capacité de modélisation des modèles neuronaux. Par la suite, un algorithme générique d’OEP a été utilisé pour optimiser l’espace d’entrées des modèles neuronaux (RNOEP et RNRB). En vertu de l’optimisation du modèle RNOEP, les niveaux optimaux des conditions de culture obtenus sont: une vitesse d'agitation de 242 tr/min, une température de 26,88 °C et un pH de 6.06. Par conséquent, une production de 10074 ± 500 μg/g qui est en très bon accord avec la prédiction (10149 μg/g), a été observée dans l'expérience de vérification. L’optimisation du modèle RNOEP (10074 μg/g) a donné un rendement de 27,5 % supérieure à celui obtenue par l’optimisation du modèle RNRB (7900 μg/g) démontrant ainsi la supériorité de la méthodologie développé.