본 연구는 재조합 대장균과 S.cerevisiae의 발효공정에서 형광스펙트럼 데이터를 수집하였으며, SOM을 이용하여 형광스펙트럼 데이터를 특정 그룹으로 분류하고 발효공정을 분석하고자 하였다. 배출가스 내 이산화탄소농도와 세포농도 같은 공정변수들은 SOM 알고리즘으로부터 얻은 분산 및 정규화된 가중치들과 좋은 연관성을 나타내었다. 전체 스펙트럼 데이터의 분류는 생물공정 모델링을 위한 매우 중요한 단계인데 그 이유는 몇몇 여기파장과 방출파장의 유의한 조합들이 전체영역의 스펙트럼 데이터로부터 추출되기 때문이다. 예를 들면, 본 연구에서 SOM을 이용하여 추출한 98개의 스펙트럼 데이터의 예제들은 부분최소자승법이나 감독신경망 (supervised neural network)을 이용한 공정의 모델링에 사용될 수 있다.
Two-dimensional (2D) spectrofluorometer is often used to monitor various fermentation processes. The change in fluorescence intensities resulting from various combinations of excitation and emission wavelengths is investigated by using a spectra subtraction technique. But it has a limited capacity to classify the entire fluorescence spectra gathered during fermentations and to extract some useful information from the data. This study shows that the self-organizing map (SOM) is a useful and interpretative method for classification of the entire gamut of fluorescence spectral data and selection of some combinations of excitation and emission wavelengths, which have useful fluorometric information. Some results such as normalized weights and variances indicate that the SOM network is capable of interpreting the fermentation processes of S. cerevisiae and recombinant E. coli monitored by a 2D spectrofluorometer.
