一种基于动态环境控制的噬菌体定向培养方法和系统与流程

本发明涉及噬菌体定向培养，尤其涉及一种基于动态环境控制的噬菌体定向培养方法和系统。

背景技术：

1、噬菌体（bacteriophage）是一类以细菌为宿主进行寄生生长和繁殖的病毒，具有高度的宿主特异性，能够感染并裂解特定类型的细菌，因此被广泛应用于细菌性疾病治疗、食品安全控制及环境微生物治理等领域。在噬菌体疗法的临床应用中，以及在食品生物安全、水产养殖病害防治等工业场景下，噬菌体的规模化、精准化培养是实现其应用价值的前提和基础。

2、噬菌体感染宿主细菌后，面临着裂解（lytic）与溶源（lysogenic）两种生命周期的关键决策。在裂解周期中，噬菌体大量复制并裂解宿主细胞释放子代；在溶源周期中，噬菌体基因组整合至宿主染色体中，随宿主复制而复制，不产生子代噬菌体。这一决策受多种因素调控，包括宿主生理状态、群体感应信号分子浓度（如ai-2、ahl等）、营养条件及噬菌体感染复数（moi）等。现有研究表明，噬菌体可以通过类似细菌群体感应的信息交流系统来调控其裂解-溶源决策。如何在培养过程中精准监测噬菌体感染状态的动态变化，并在此基础上实现裂解-溶源转换的智能调控，是噬菌体定向培养领域的核心科学问题之一。

3、然而，现有培养技术中这一决策完全依赖自然发生，操作人员无法实时感知单细胞层面的感染状态变化，更无法在培养过程中主动干预和优化裂解-溶源转换的时机与比例。少量研究尝试通过检测群体感应信号分子来间接推断噬菌体的生命周期决策倾向，但尚未建立从信号分子检测到感染状态精确识别、再到裂解-溶源转换主动干预的完整技术链条。深度学习方法虽已被尝试用于预测噬菌体生命周期，但主要基于核苷酸序列进行静态预测，无法实现对培养过程中感染状态的动态、实时识别。

技术实现思路

1、本发明克服了现有技术的不足，提供了一种基于动态环境控制的噬菌体定向培养方法和系统。

2、为达上述目的，本发明采用的技术方案为：

3、本发明第一方面提供了一种基于动态环境控制的噬菌体定向培养方法，包括以下步骤：

4、在实验室条件下，使用荧光标记的噬菌体感染宿主细菌，通过荧光显微成像获取单细胞感染状态的标签数据以及对应细胞的超光谱图像数据，构建源域训练集；

5、基于三维卷积神经网络以及源域训练集构建单细胞感染状态分类模型，在所述三维卷积神经网络中嵌入域判别器，持续优化所述单细胞感染状态分类模型；

6、利用所述单细胞感染状态分类模型对预设时间之内的噬菌体培养液进行细胞感染状态分析，并对单细胞感染动态追踪与群体异质性分析；

7、统计单细胞感染动态追踪与群体异质性分析结果，并生成最优的动态环境控制策略。

8、进一步的，在基于动态环境控制的噬菌体定向培养方法中，在实验室条件下，使用荧光标记的噬菌体感染宿主细菌，通过荧光显微成像获取单细胞感染状态的标签数据以及对应细胞的超光谱图像数据，构建源域训练集，具体为：

9、在实验室条件下，使用荧光标记的噬菌体感染宿主细菌，设置采集时机、采集参数以及采集顺序，并通过荧光显微成像获取单细胞感染状态的标签数据以及对应细胞的超光谱图像数据；

10、通过对所述单细胞感染状态的标签数据以及对应细胞的超光谱图像数据进行空间对齐，确保两种模态的数据来自完全相同的微阱和完全相同的细胞，基于宿主细胞的远红色荧光信号，从每轮图像中自动分割出每个微阱中的单个细菌细胞，通过图像配准将不同时间点同一细胞的区域进行对齐，构建每个单细胞的全时间序列追踪轨迹；

11、对每个细胞在每个时间点，提取六个荧光通道的平均荧光强度值，形成每个细胞的六维荧光时间序列，基于各荧光通道的时间序列变化模式，建立感染状态分类状态；

12、结合感染状态分类状态以及标签数据，输入单细胞超光谱数据立方体，对所述单细胞超光谱数据立方体进行光谱域增强、空间域增强、混合增强以及光谱迁移增强处理，根据增强处理后的单细胞超光谱数据立方体构建源域训练集。

13、进一步的，在基于动态环境控制的噬菌体定向培养方法中，基于三维卷积神经网络以及源域训练集构建单细胞感染状态分类模型，在所述三维卷积神经网络中嵌入域判别器，持续优化所述单细胞感染状态分类模型，具体为：

14、基于三维卷积神经网络构建单细胞感染状态分类模型，将源域训练集中的单细胞超光谱数据立方体作为模型输入，三维卷积神经网络骨干网络采用四层三维卷积核在空间维度和光谱维度上同时进行卷积操作；

15、通过卷积操作，提取空谱联合特征图，将空谱联合特征图在空间和光谱维度上进行全局平均池化，得到全局特征向量，在3d-cnn骨干网络的全局平均池化层之后、分类头之前的位置嵌入域判别器；

16、域判别器的输入为全局特征向量，利用分类分支负责预测感染状态类别，利用域判别分支负责预测特征向量来自源域或目标域，并利用域判别器输出来自源域或来自目标域两个类别的概率；

17、根据来自源域或来自目标域两个类别的概率进行源域数据以及目标域数据进行划分，固定3d-cnn骨干网络的浅层参数，使用源域数据和目标域数据共同训练整个网络，并通过分类头输出感染状态类别的概率分布。

18、进一步的，在基于动态环境控制的噬菌体定向培养方法中，利用所述单细胞感染状态分类模型对预设时间之内的噬菌体培养液进行细胞感染状态分析，具体为：

19、采集预设时间之内噬菌体培养液的光谱图像数据，将所述预设时间之内噬菌体培养液的光谱图像数据输入所述单细胞感染状态分类模型中进行感染状态分析；

20、利用所述单细胞感染状态分类模型输出感染状态类别的概率分布，并结合所述感染状态类别的概率分布统计噬菌体培养液中每个区域的感染状态情况；

21、根据所述噬菌体培养液中每个区域的感染状态情况构建细胞感染状态热力图。

22、进一步的，在基于动态环境控制的噬菌体定向培养方法中，对单细胞感染动态追踪与群体异质性分析，具体包括：

23、通过图像配准算法将不同时间点的同一微阱图像进行对齐，构建每个单细胞从感染到裂解的完整时间轨迹，并从每个单细胞的时间轨迹中提取关键参数；

24、所述关键参数包括吸附潜伏期、核酸注入时间点、复制组装期时长、裂解时间点以及总感染周期时长；

25、对所有被监测细胞的关键参数进行统计分析，输出各参数的分布直方图和箱线图、参数之间的相关性热力图以及异常细胞自动标记，并对噬菌体培养液中单细胞水平的感染状态进度统计。

26、进一步的，在基于动态环境控制的噬菌体定向培养方法中，统计单细胞感染动态追踪与群体异质性分析结果，并生成最优的动态环境控制策略，具体为：

27、根据噬菌体培养液中单细胞水平的感染状态进度判断是否达到了诱导裂解的最佳时机，计算噬菌体培养液中单细胞水平的感染状态进度是否大于预设感染状态进度阈值；

28、当所述噬菌体培养液中单细胞水平的感染状态进度大于预设感染状态进度阈值时，结合单细胞感染动态触发相应的控制指令，根据所述相应的控制指令生成最优的动态环境控制策略；

29、当所述噬菌体培养液中单细胞水平的感染状态进度大于预设感染状态进度阈值时，则维持当前培养环境不变。

30、进一步的，在基于动态环境控制的噬菌体定向培养方法中，结合单细胞感染动态触发相应的控制指令，根据所述相应的控制指令生成最优的动态环境控制策略，具体包括：

31、将噬菌体在任一时刻的感染状态定义为向量，构建状态空间，将温度调节、营养补料速率调节、诱导剂添加、搅拌速率调节以及搅拌速率调节作为干预动作；

32、基于所述干预动作构建动作空间，基于当前时刻效价增长速率、溶源比例以及能耗成本构建奖励函数，采用sac深度强化学习算法，在数字孪生环境中进行预训练；

33、智能体学习到最优的裂解-溶源转换控制策略，sac深度强化学习算法的熵正则化系数采用自适应调节机制，在探索与利用之间保持动态平衡；

34、利用智能体寻找最优的裂解-溶源转换控制策略，并生成相应的控制指令，根据所述相应的控制指令生成最优的动态环境控制策略。

35、本发明第二方面提供了一种基于动态环境控制的噬菌体定向培养系统，包括存储器以及处理器，所述存储器中包括基于动态环境控制的噬菌体定向培养方法程序，所述基于动态环境控制的噬菌体定向培养方法程序被所述处理器执行时，实现任一项所述的基于动态环境控制的噬菌体定向培养方法的步骤。

36、本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

37、本发明在三维卷积神经网络中域判别器，通过域对抗训练使特征提取器学习到域不变的空谱特征表示。相比不含域适应机制的3d-cnn模型在新体系上的分类准确率从源域的94%下降至62%，嵌入域判别器并进行域对抗训练后，目标域准确率提升至81%。这一跨域泛化能力使得本发明的技术方案能够在不同噬菌体-宿主组合、不同培养条件和不同成像设备之间快速部署推广，大幅降低了系统的应用门槛和重复标注成本。基于sac深度强化学习算法训练的最优控制策略，能够根据单细胞层面反馈的感染进度，自动判断诱导裂解的最佳时机并触发相应环境控制干预动作。实验结果表明，经智能决策系统调控后，提升了噬菌体的裂解比例，从而提升了效价产量。