利用机器学习优化抗生素发酵残留物中抗生素降解的水热技术

《Journal of Environmental Chemical Engineering》:Leveraging machine learning to optimize hydrothermal technology for antibiotic degradation in antibiotic fermentation residues

【字体: 大 中 小 】 时间:2026年07月05日 来源:Journal of Environmental Chemical Engineering 7.5

编辑推荐:

  李国民|张玉祥|林晓萌|王兵|江洪 中国东北电力大学 摘要水热法因其高效性、闭环系统以及无二次污染的特点,已成为制药行业中去除发酵残渣中残留抗生素的极具前景的技术。尽管机器学习已被越来越多地应用于水热碳化等热化学过程的参数优化和性能预测,但针对抗生素发酵残渣的水热处理,系统的预测

  李国民|张玉祥|林晓萌|王兵|江洪 中国东北电力大学 摘要水热法因其高效性、闭环系统以及无二次污染的特点,已成为制药行业中去除发酵残渣中残留抗生素的极具前景的技术。尽管机器学习已被越来越多地应用于水热碳化等热化学过程的参数优化和性能预测,但针对抗生素发酵残渣的水热处理,系统的预测框架仍然较为有限。本研究采用了三种机器学习模型,用于预测不同水热体系下抗生素降解率。其中,极端梯度提升模型表现最佳,其R2值为0.85,优于随机森林模型和k最近邻模型。通过可解释性分析,进一步确定了影响降解效率的关键因素,并揭示了水热处理过程中这些因素之间的潜在相互作用,从而加深了对降解机制的理解。此外,该XGB模型还被开发成基于Streamlit的交互式网络应用,用户可以通过调整温度和反应时间等操作参数,在当前数据库所涵盖的条件范围内估算降解率。以文献中典型的螺旋霉素发酵残渣为例,预测的降解率为59.4%,与实验报告的58.99%非常接近。总体而言,本研究为预测抗生素发酵残渣在水热体系中的降解行为提供了可解释的机器学习框架,同时也指出了模型在跨不同实验体系泛化应用时面临的挑战。引言抗生素发酵残渣是一种生物废弃物,主要由抗生素生产过程中发酵液中的沉淀物构成[1]。这类残渣富含碳水化合物、蛋白质及其他营养物质,具有很高的资源回收潜力[2]。然而,由于其中含有未被完全提取的抗生素,2008年抗生素发酵残渣被归类为危险废物[3]。将其作为危险废物处理,通常通过焚烧的方式,会造成大量资源损失。此外,抗生素发酵残渣的高含水量还会增加处置成本,阻碍制药行业的可持续发展[4]。这类残渣产量巨大,含水量约75%,且本身稳定性较差,其中的残留抗生素会带来环境风险[5]。若处理不当,不仅会导致水污染、异味排放以及耐抗生素细菌的滋生等严重生态问题,还会使残留抗生素在水体和土壤中迁移积累,破坏生态系统,影响动植物及微生物的生长[6]、[7]。此类污染还会促使土壤微生物产生耐药性[8]、[9]。因此,有效去除残留抗生素是优化发酵残渣资源利用的关键步骤。开发高效的预处理技术对于快速去除残留抗生素、实现可持续管理具有重要意义。水热处理是一种在受控压力和温度条件下进行的热化学处理技术,广泛应用于生物质废物的处理,如污泥脱水和水热碳化[10]、[11]、[12]。通过引入酸、碱、金属离子等各类催化剂,可进一步提升水热处理的效率[13];Sánchez和[14]也进行了相关研究。研究表明,水热处理不仅能去除生物质中的污染物,还能有效灭活病原体[15]。作为一种重要的废物资源回收和能源转化方法,水热处理在实验室规模的研究中已展现出巨大潜力[16]。不过,大多数实验室水热研究都是使用体积较小的批次反应器(100–500毫升)进行的,在这类系统中,温度、时间、pH值、固液比、加热速率等操作参数通常是通过经验确定的。这些研究往往忽视了热传递、质量传递、反应动力学以及能耗控制等对工业化放大至关重要的因素[17]。实验室规模与工业规模之间的差距,给水热技术的实际应用带来了诸多挑战,包括难以精确控制反应条件以及确保产品一致性[18]、[19]。近年来,随着绿色制造理念和双碳战略的推进,工业水热过程对高效性、节能性以及精准控制的要求日益提高。传统方法大多依赖经验知识以及反复试验,已越来越无法满足现代工业的需求,尤其是在优化反应条件、降低能耗以及实现可重复的产品制备方面[20];González-Arias以及[21]、[22]也提出了相关观点。因此,引入智能方法论对于弥补实验室研究与工业应用之间的差距至关重要。在可持续环境管理和绿色制造战略的背景下,人们越来越重视开发高效、节资的危废处理技术。抗生素发酵残渣的处理不当,不仅会造成资源损失,还会增加与抗生素残留及耐药性传播相关的环境风险。因此,开发高效的水热处理技术和工艺优化策略,对于减轻环境负担、提高资源利用效率以及实现制药废物的可持续管理具有重要意义。此外,结合机器学习辅助优化,还可以减少传统反复试验所带来的实验工作量、能耗以及材料浪费。这些方面都与联合国提出的可持续发展目标密切相关,尤其是健康目标(SDG 3)、清洁饮水与卫生目标(SDG 6)、工业、创新与基础设施目标(SDG 9)以及负责任消费与生产目标(SDG 12)。机器学习是一种数据驱动的技术,它借助算法识别现有数据集中的内在模式与关联,从而能够预测新数据的结果[23]。作为最强大的研究工具之一,机器学习已在生物信息学和精准医学等多个领域取得了显著成果。例如,就有研究利用随机森林模型,根据材料的性质和吸附条件,预测四环素和磺胺甲噁唑在碳基材料上的吸附能力[24];还有研究开发了基于机器学习的自动化模型,用于预测和评估人工湿地中抗生素的去除效果[25];另有研究整合多种机器学习模型,利用金属有机框架预测四环素的光降解过程[26]。这些研究都证明了机器学习模型能够在数据库定义的适用范围内,准确预测抗生素去除过程。与此同时,机器学习在热化学过程中的应用也在迅速扩展。例如,已有研究利用机器学习对生物质的水热碳化过程进行建模,将其转化为类似煤的氢化炭,同时还用于预测和优化食物废物的水热碳化产物产量[27]、[28]。尽管机器学习在抗生素去除过程——如生物处理、材料修复和人工湿地处理——以及水热碳化、燃烧等热化学系统中都展现出了强大的预测能力,但目前尚未被应用于抗生素发酵残渣的水热处理。此前大多数关于污染物降解和热化学过程的机器学习研究,都是基于相对均匀的数据集或单一实验系统开展的。而抗生素发酵残渣的水热处理研究则存在较大的差异性,包括抗生素种类、底物特性、催化剂以及操作条件等方面的不同。这种差异性增加了模型构建的难度,也可能限制模型在不同实验系统间的泛化能力。此外,以往的研究在利用来自不同文献的异构数据集时,很少比较不同数据划分策略下的模型性能。为填补这一空白,本研究利用来自文献的数据以及多种数据划分策略,构建了一个基于机器学习的可解释性评估框架,用于分析抗生素发酵残渣水热系统中的抗生素降解情况。准确量化或估算底物和反应条件对抗生素降解的影响,对于优化发酵残渣的处理至关重要。在水热系统中,输入变量可分为两大类:底物特性和可控的操作条件。前者包括初始质量、含水量以及抗生素种类等参数,后者则涵盖pH值、反应温度和停留时间[29]。有研究表明,盲目增加输入变量的维度可能会引入噪声,削弱模型的外推能力[30]。为解决这一问题,本研究采用SHapley加性解释值对集成模型进行事后分析,量化每个变量对抗生素降解的边际贡献。同时,还运用偏依赖图来展示各特征与抗生素降解性能之间的关系和相互作用。此外,该XGB模型还被通过Streamlit开发成交互式网络应用,用户可以在当前数据库所涵盖的条件范围内,对比预测值与实验值。该模型在所收集数据集中实验系统的范围内能够给出合理的预测结果,既体现了其在不同条件下的实际预测能力,也暴露了其局限性。本研究的主要贡献在于其方法论价值:通过整合零散的文献数据,并在多种数据划分场景下评估模型性能,为未来开展基于数据驱动的抗生素发酵残渣水热处理降解研究建立了参考框架。此外,本研究还通过性能指标系统地分析了模型的插值和外推能力,而这一分析在之前的部分研究中较少见。这些研究成果可为未来的研究提供指导,推动建立更加系统、标准化的异构水热系统数据集,进而有助于提升跨系统泛化能力,制定更科学的抗生素发酵残渣可持续处理策略。章节片段数据收集本研究通过Web of Science Core Collection、Scopus、ScienceDirect和ScienceNet等数据库进行了全面文献检索,旨在收集有关水热条件下抗生素发酵残渣降解的相关数据。检索范围为2010年1月至2025年12月间发表的研究论文,所使用的关键词组合为:“(‘抗生素’或‘抗菌剂’)” AND “(‘发酵残渣’或‘发酵后残渣’或‘菌丝体废弃物’)” AND “(‘水热’或‘热处理’)”抗生素降解预测的评估参数选择合适的输入变量是优化机器学习模型性能的关键步骤。为提高预测的可靠性,本研究选取了与抗生素发酵残渣降解密切相关的变量作为输入特征。这些参数直接影响抗生素降解所涉及的反应,对发酵残渣中抗生素的整体降解过程起着关键作用。为了确定最优方案……结论本研究采用了机器学习模型,即XGB模型、随机森林模型和k最近邻模型,利用现有数据库中的数据,预测不同水热条件下发酵残渣中抗生素的降解率。原材料的输入参数包括抗生素种类、初始环境pH值、发酵残渣质量、酸碱浓度、含水量以及反应器容积,而水热处理过程的参数则为反应时间和温度。CRediT作者贡献说明张玉祥:撰写——初稿撰写、正式分析。李国民:撰写——审阅与编辑、正式分析、概念构建。王兵:撰写——审阅与编辑、监督、项目管理、资金获取、概念构建。林晓萌:验证、数据整理。江洪:验证、资源提供、方法设计。利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢本研究得到了中国国家自然科学基金的支持[项目编号:52200148]。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号