Investigation of Yeast Cells Life Cycle Parameters by Using Multi-Layer Perceptron Artificial Neural Network

Yıl 2019, , 662 - 668, 31.12.2019

Eyyüp Gülbandılar , Serel Özmen Akyol , Aysel Gülbandılar , Gıyasettin Özcan , Necati Karakuş

https://doi.org/10.35414/akufemubid.535991

Öz

Examining
the growth parameters of yeast cells in the food industry causes to increase
both time and labor costs. Simulation models can be put forward to reduce these
costs. In this study aimed that design a simulation model for growth cycle
parameters of Saccharomyces cerevisiae by using the Multi-Layer Perceptron
Neural Network (MLPNN). While cultivation time is defined as input parameter in
this model, the cell count per hour and growth rate is determined as output
parameters. In the designed model, two hidden layer back propagation neural
networks are preferred. The first hidden layer uses 10 nodes, while the second
hidden layer uses 2 nodes. For the training of this model, 144 experimental
data are used, whereas 72 of these experimental data were used for testing the
trained model. The developed model showed a high correlation on the growth
curve and growth rate in the process both training and test (R²_training=0.9993
and R²_test=0.9993 for growth curve; R²_training=0.9381
and R²_test=0.9404 for growth rate). The results
demonstrate that our developed model can be successfully used in culture in
experimental work in the food industry.

Anahtar Kelimeler

Saccharomyces Cerevisiae, Growth Curve, Growth Rate, neural network

Çok Katmanlı Perceptron Yapay Sinir Ağı Kullanılarak Maya Hücrelerinin Yaşam Döngüsü Parametrelerinin Araştırılması

Öz

Gıda endüstrisinde
maya hücrelerinin büyüme parametrelerinin incelenmesi hem zaman hem de işçilik
maliyetlerinde artışa neden olmaktadır. Bu maliyetleri azaltmak için simülasyon
modelleri öne sürülebilir. Bu çalışmada Çok Katmanlı Perceptron Sinir Ağı (MLPNN)
kullanarak Saccharomyces cerevisiae'nin büyüme döngüsü parametreleri için bir
simülasyon modeli tasarlanması amaçlanmıştır. Bu modelde, ekim zamanı girdi
parametresi olarak tanımlanmışken, saatteki büyüme oranı ve hücre sayısı çıktı
parametreleri olarak belirlenmiştir. Tasarlanan modelde iki gizli katmanlı geri
yayılımlı sinir ağı tercih edilmiştir. İlk gizli katmanda 10 düğümün
kullanılırken ikinci gizli katmanı 2 düğüm kullanılmıştır. Modelin eğitimi için
144 deneysel veri kullanılırken, bu deneysel verilerin 72'si eğitilmiş modeli
test etmek için kullanılmıştır. Geliştirilen model, büyüme eğrisi ve büyüme
hızı için hem eğitim hem de test aşamasında yüksek bir korelasyon göstermiştir
(büyüme eğrisi için, R²_training = 0,9993 ve R²_test
= 0,9993; büyüme oranı için R²_training = 0.9381 ve R²_test
= 0.9404). Sonuçlar, geliştirilen modelimizin gıda endüstrisinde deneysel
çalışmaların yerine hücre kültürü çalışmalarında başarılı bir şekilde
kullanılabileceğini göstermektedir.

Anahtar Kelimeler

Saccharomyces cerevisiae, Büyüme eğrisi, Büyüme oranı, Yapay sinir ağları

Kaynakça

• Dogan, A. and Gonullu, G., 2018. Current Debates in Sustainable Architecture Urban Design & Environmental Studies, (Chapter Editors: Kara, Ç., Özden, G., Karacasu, M., Sarıçiçek, İ.: Artificial Neural Network Modelling for Mode Choice Prediction in Transportation Planning), IJOPEC Publication Limited, İstanbul, pp.102-110.
• Garcia-Gimeno, R.M., Hervas-Martinez, C., de Siloniz, M. I., 2002. Improving artificial neural networks with a pruning methodology and genetic algorithms for their application in microbial growth prediction in food. International Journal of Food Microbiology, 72, 9–30.
• Gulbandilar, E., 1996. Effects of pulsing electromagnetic field on the growth of saccharomyces cerevisiae. (Master Thesis, in Turkish), Osmangazi University, Institute of Health Sciences, Eskisehir, Turkey.
• Gulbandilar, E., 2005. Effects of pulsing electromagnetic field on the growth of Saccharomyces cerevisiae. Journal of Science and Technology of Dumlupinar University, 9, 55-64.
• Gulbandilar, E. and Gulbandilar, A., 2016. Modeling of Growth Curve of Saccharomyces cerevisiae yeast Cell with ANFIS, in 4th International Symposium on Innovative Technologies in Engineering and Science 3-5 November 2016 (ISITES2016), 2016, Alanya/Antalya-Turkey.
• Gurgun, V. and Halkman, A.K., 1990. Counting Methods in Microbiology, 2nd ed.. Gıda Teknolojisi Yayınları, Ankara, (In Turkish).
• Hajmeer, M.N., Basheer, L.A., Marsden J.L. and Fung, D.Y.C., 2000. New Approach for Modeling Generalized Microbial Growth Curves Using Artificial Neural Networks. Journal of Rapid Methods and Automation in Microbiology, 8, 265-283.
• Hajmeera, M. and Basheer, I., 2002. A probabilistic neural network approach for modeling and classification of bacterial growth/no-growth data. Journal of Microbiological Methods, 51, 217-226.
• Jeyamkondan , S., Jayas, D.S. and Holley. R.A., 2001. Microbial growth modelling with artificial neural networks. International Journal of Food Microbiology, 6, 343–354.
• Karakus, N., 2019. Modeling of Growth Curve Of Yeast Cells with Expert Systems. (Master Thesis, in Turkish), Kutahya Dumlupinar University, Institute of Science and Technology, Kutahya, Turkey.
• Simon, L. and Kariml, M. N., 2001. Probabilistic neural networks using Bayesian decision strategies and a modified Gompertz model for growth phase classification in the batch culture of Bacillus subtili. Biochemical Engineering Journal, 7, 41-48.
• Web sources1-Cerevisiae.S.(2017) https://en.wikipedia.org/wiki/Saccharomyces_cerevisiae (04.2017)