Abstract Scientific community around the globe have major focus on designing bioremediation strategies for persistent, recalcitrant, highly toxic and carcinogen/mutagen polycyclic aromatic hydrocarbons (PAHs) present in marine environment. For the bioremediation strategy, components of growth medium are a key factor, which enhance degradation of the PAHs through simulating the microbial growth. Thus, present study involves bioengineering of growth medium (ONR7a) using response surface methodology (RSM) and artificial neural network (ANN) for enhanced multiple PAHs biodegradation. Microbes were isolated from contaminated sediments of Alang Sosiya Ship Breaking Yard (ASSBRY), Gulf of Khambhat, Gujarat, India. RSM - a process centric approach has resulted in an increase in PAHs degradation from 69% (Unoptimized) to 90.03% with 1.29 folds increase on 5th day with R2 value of 0.98. Moreover, use of Artificial Neural Network (ANN) – a data centric approach resulted in better prediction of PAHs degradation of 93.36% compared to the CCD-RSM predicted PAHs degradation of 90.03% with R2 value of 0.98. Based on various error functions such as mean absolute deviation (MAD), mean squared error (MSE), root mean squared error (RMSE) and mean absolute percentage error (MAPE), the predictive ability of the constructed ANN models was found to be higher compared to RSM. As this is the first ever report on PAHs degradation by bacterial mixed culture using data centric approach, this study bridges the gap between fundamental research and its application for policymakers and stakeholders which would be helpful in designing appropriate bioremediation technologies.

中文翻译：

---

多环芳烃降解污染沉积物的生物工程：响应面法 (RSM) 和人工神经网络 (ANN)

摘要 全球科学界主要关注为海洋环境中存在的持久性、顽固性、剧毒和致癌物/诱变剂多环芳烃 (PAH) 设计生物修复策略。对于生物修复策略，生长培养基的成分是一个关键因素，它通过模拟微生物生长来增强多环芳烃的降解。因此，本研究涉及使用响应面方法 (RSM) 和人工神经网络 (ANN) 对生长培养基 (ONR7a) 进行生物工程，以增强多种多环芳烃的生物降解。从印度古吉拉特邦康巴特湾 Alang Sosiya Ship Breaking Yard (ASSBRY) 受污染的沉积物中分离出微生物。RSM - 以流程为中心的方法导致 PAHs 降解率从 69%（未优化）增加到 90.03%，其中 1。第 5 天增加 29 倍，R2 值为 0.98。此外，与 CCD-RSM 预测的多环芳烃降解 90.03%（R2 值为 0.98）相比，使用人工神经网络（ANN）——一种以数据为中心的方法，可以更好地预测 93.36% 的多环芳烃降解。基于平均绝对偏差（MAD）、均方误差（MSE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）等各种误差函数，发现构建的人工神经网络模型的预测能力更高与 RSM 相比。由于这是首次使用以数据为中心的方法关于细菌混合培养降解多环芳烃的报告，本研究弥合了基础研究与政策制定者和利益相关者的应用之间的差距，这将有助于设计适当的生物修复技术。此外，与 CCD-RSM 预测的 PAH 降解 90.03%（R2 值为 0.98）相比，使用人工神经网络（ANN）——一种以数据为中心的方法，可以更好地预测 PAH 降解 93.36%。基于平均绝对偏差（MAD）、均方误差（MSE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）等各种误差函数，发现构建的人工神经网络模型的预测能力更高与 RSM 相比。由于这是首次使用以数据为中心的方法关于细菌混合培养降解多环芳烃的报告，本研究弥合了基础研究与政策制定者和利益相关者的应用之间的差距，这将有助于设计适当的生物修复技术。此外，与 CCD-RSM 预测的 PAH 降解 90.03%（R2 值为 0.98）相比，使用人工神经网络（ANN）——一种以数据为中心的方法，可以更好地预测 PAH 降解 93.36%。基于平均绝对偏差（MAD）、均方误差（MSE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）等各种误差函数，发现构建的人工神经网络模型的预测能力更高与 RSM 相比。由于这是首次使用以数据为中心的方法关于细菌混合培养降解多环芳烃的报告，本研究弥合了基础研究与政策制定者和利益相关者的应用之间的差距，这将有助于设计适当的生物修复技术。使用人工神经网络 (ANN) – 与 CCD-RSM 预测的 PAH 降解 90.03% 相比，以数据为中心的方法可以更好地预测 93.36% 的 PAH 降解，R2 值为 0.98。基于平均绝对偏差（MAD）、均方误差（MSE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）等各种误差函数，发现构建的人工神经网络模型的预测能力更高与 RSM 相比。由于这是首次使用以数据为中心的方法关于细菌混合培养降解多环芳烃的报告，本研究弥合了基础研究与政策制定者和利益相关者的应用之间的差距，这将有助于设计适当的生物修复技术。使用人工神经网络 (ANN) – 与 CCD-RSM 预测的 PAH 降解 90.03% 相比，以数据为中心的方法可以更好地预测 93.36% 的 PAH 降解，R2 值为 0.98。基于平均绝对偏差（MAD）、均方误差（MSE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）等各种误差函数，发现构建的人工神经网络模型的预测能力更高与 RSM 相比。由于这是首次使用以数据为中心的方法关于细菌混合培养降解多环芳烃的报告，本研究弥合了基础研究与政策制定者和利益相关者的应用之间的差距，这将有助于设计适当的生物修复技术。与 CCD-RSM 相比，36% 预测 PAH 降解为 90.03%，R2 值为 0.98。基于平均绝对偏差（MAD）、均方误差（MSE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）等各种误差函数，发现构建的人工神经网络模型的预测能力更高与 RSM 相比。由于这是首次使用以数据为中心的方法关于细菌混合培养降解多环芳烃的报告，本研究弥合了基础研究与政策制定者和利益相关者的应用之间的差距，这将有助于设计适当的生物修复技术。与 CCD-RSM 相比，36% 预测 PAH 降解为 90.03%，R2 值为 0.98。基于平均绝对偏差（MAD）、均方误差（MSE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）等各种误差函数，发现构建的人工神经网络模型的预测能力更高与 RSM 相比。由于这是首次使用以数据为中心的方法关于细菌混合培养降解多环芳烃的报告，本研究弥合了基础研究与政策制定者和利益相关者的应用之间的差距，这将有助于设计适当的生物修复技术。均方根误差 (RMSE) 和平均绝对百分比误差 (MAPE)，发现与 RSM 相比，构建的 ANN 模型的预测能力更高。由于这是首次使用以数据为中心的方法关于细菌混合培养降解多环芳烃的报告，本研究弥合了基础研究与政策制定者和利益相关者的应用之间的差距，这将有助于设计适当的生物修复技术。均方根误差 (RMSE) 和平均绝对百分比误差 (MAPE)，发现与 RSM 相比，构建的 ANN 模型的预测能力更高。由于这是首次使用以数据为中心的方法关于细菌混合培养降解多环芳烃的报告，本研究弥合了基础研究与政策制定者和利益相关者的应用之间的差距，这将有助于设计适当的生物修复技术。