نام پژوهشگر: سرور جوان

تعیین عوامل موثر در محیط کشت تولید بیوسورفکتانت
پایان نامه وزارت علوم، تحقیقات و فناوری - دانشگاه علم و صنعت ایران - دانشکده مهندسی شیمی 1387
  سرور جوان   فرشته نعیم پور

سورفکتانت ها از جمله مواد فعال سطحی هستند. خصوصیت منحصر به فرد این مواد کاهش کشش سطحی و افزایش امولسیفیکاسیون مواد غیر محلول در آب باعث کاربردهای زیاد این مواد در صنایع غذایی، صنایع شوینده ها، صنایع وابسته به نفت، محیط زیست و ... شده است. مواد فعال سطحی تولید شده توسط میکروارگانیسم ها به بیوسورفکتانت ها معروفند. زیست تجزیه پذیر بودن این مواد، سمیت کمتر، قابلیت تولید از مواد ارزان قیمت و ... از مهمترین مزیتهای بیوسورفکتانت ها نسبت به نمونه های شیمیایی است. با وجود چنین مزایای مهمی، به دلیل هزینه های تولیدی نسبتا بالا هنوز لز بیوسورفکتانت ها به طور گسترده در صنعت استفاده نشده است. یک روش ممکن برای کاهش هزینه ها، فراهم نمودن محیط هایی با ترکیب بهینه اجزا و یا استفاده از سوبستراهای جایگزین همچون ضایعات کشت صنعت می باشد. در این مطالعه، بهینه سازی ترکیب محیط زیست با هدف افزایش تولید بیوسورفکتانت توسط bacillus subtilis atcc 6633 انجام گرفته است. در ابتدا با استفاده از روش طراحی آزمایش فاکتوریل کسری غلظت هشت جزء تشکیل دهنده محیط کشت mn,mg, ca, k, fe+2) ، نیترات و گلوکز) در دو سطح مورد بررسی قرار گرفته اند. نتایج، نشان دهنده بیشترین میزان تاثیر، به ترتیب برای پنج فاکتور اول می باشد. با استفاده از این پنج فاکتور، آزمایش طرح ترکیب مرکزی اجرا و مشاهده گردید که ترم های درجه اول مربوط به غلظت های k, fe+2، و ترم های متقاطع مربوط به fe+2 و na، fe+2 و mg+2، k+1 و na+1، k+1 و ‍ca+2 و na+1 و ca+2 دارای اثر معنا دار بر تولید بیوسورفکتانت می باشند. با توجه به نتایج حاصل از بهینه سازی محیط کشت با استفاده از روش سطح پاسخ، میزان سورفکتین نسبت به حالت کنترل 1.5 برابر افزایش یافت. با توجه به پیچیدگی روابط متقابل میان فاکتورهای محیط کشت،سیستم با شبکه عصبی مدلسازی شد و سپس با استفاده از روش الگوریتم ژنتیک، بهینه سازی محیط کشت انجام گرفت. ورودی وخروجی شبکه همان ورودی و خروجی مدل سطح پاسخ هستند. تعداد نورون ها در لایه ورودی 5 نورون و در لایه خروجی 1 نورون بوده و در لایه میانی با سعی وخطا 12 نورون به دست می آید. مدل بدست آمده از شبکه عصبی مصنوعی در مقایسه با مدل سطح پاسخ دارای ضریب تعیین (r2) بالاتری است. بنابر این مدل شبکه عصبی در مقایسه با مدل رگرسیونی قوی تر است (0.9455 در مقابل 0.746) روش الگوریتم ژنتیک در مقایسه با روش های سطح پاسخ بهتر عمل کرده و نتایج قابل اعتماد و بهتری را ارائه می کند. با توجه به نتایج حاصل از بهینه سازی محیط کشت با استفاده از روش الگوریتم ژنتیک، میزانسورفکتین به 1.8293 g/i رسید که نسبت به حالت کنترل، 2 برابر افزایش را نشان می دهد.