初步研究:利用机器学习识别不同高级污水处理阶段中的门级微生物群特征

《Journal of Environmental Chemical Engineering》:Pilot Study: Machine Learning-assisted Identification of Phylum-Level Microbiome Signatures Across Advanced Wastewater Treatment Stages

【字体: 大 中 小 】 时间:2026年07月18日 来源:Journal of Environmental Chemical Engineering 7.5

编辑推荐:

  摘要目前用于监测废水处理效果的方法往往无法完全揭示微生物群落的动态变化。本研究将门水平微生物组分析与机器学习相结合,旨在评估微生物群落特征在区分不同处理阶段以及支持基于数据的废水系统监测方面的应用潜力。在这项概念验证性试点研究中,通过高通量16S rRNA测序、多变量分析以及机器

  

摘要

目前用于监测废水处理效果的方法往往无法完全揭示微生物群落的动态变化。本研究将门水平微生物组分析与机器学习相结合,旨在评估微生物群落特征在区分不同处理阶段以及支持基于数据的废水系统监测方面的应用潜力。在这项概念验证性试点研究中,通过高通量16S rRNA测序、多变量分析以及机器学习技术,对来自佛罗里达州三座大型废水处理厂的进水与出水样本中的微生物群落变化进行了分析(共18个样本,整合为6个用于机器学习的综合谱型)。门水平分析显示,进水样本中的微生物以变形菌门(38-47%)、厚壁菌门(24-30%)和拟杆菌门(13-20%)为主,而出水样本则呈现出因处理厂而异的微生物结构变化,同时香农多样性指数也有显著下降(从进水的4.14-4.35降至出水的2.24-2.91)。主成分分析及基于Bray–Curtis方法的排序分析表明,处理前后的样本存在明显差异。Bray–Curtis差异值进一步证实了进水样本的微生物群落相对稳定(0.058-0.143),而出水样本的微生物群落则更为多样化(0.444-0.559)。随机森林分类器也显示出该数据集中进水与出水样本之间存在明显差异,通过自举重采样支持的特征重要性分析表明,厚壁菌门、梭杆菌门以及香农多样性指数是重要的预测因子。虽然这些研究结果表明,门水平微生物组分析能够区分不同的处理阶段,并为基于数据的监测方法及运营优化提供支持,但这些研究仍属于探索性阶段,需要通过更大规模、独立的数据集进行验证。

引言

先进的废水处理厂在保障公共卫生与环境质量方面发挥着重要作用,它们能够去除城市污水中的有机物、营养物质以及病原微生物,以便再次利用[1]。来自这类处理厂的回用水被广泛用于农业灌溉和景观补水,同时也被应用于藻类培养和卫生处理等其他领域[2]、[3]。因此,经过处理的废水具有较高的经济价值,其带来的收益远高于重新利用所需的投入成本[4]。不过,处理后的废水中也可能含有多种细菌病原体。此外,有研究指出回用水中可能存在医院相关病原体,这些病原体能够传播抗生素抗性基因[5]、[6]、[7]。因此,开发基于数据的分析方法变得十分重要[8]、[9]。近年来,基于废水的流行病学方法逐渐成为废水分析的重要工具,它可以通过监测废水中的化学和生物标志物,包括病原体和药物,来助力追踪社区健康状况[10]。鉴于在新冠疫情期间的作用,美国疾病控制与预防中心于2020年9月建立了国家废水监测系统,该系统的核心任务是监测废水中的SARS-CoV-2病毒、呼吸道合胞病毒、猴痘病毒以及禽流感A型病毒[11]。尽管对细菌病原体的监测具有巨大潜力,但目前相关研究还比较有限[12]。根据2019年全球疾病负担分析,2019年全球约有770万人死于细菌感染,这一数据凸显了细菌病原体所带来的严重全球健康问题[13]。大多数废水处理厂包含三个主要处理阶段:进水阶段、消毒前的处理出水阶段,以及消毒后的最终出水阶段。虽然不同废水来源和成分决定了具体的处理流程,但最终消毒通常是通过紫外线照射或氯化处理来消灭病原微生物[14]。即便采用了多级消毒工艺,含有抗生素抗性细菌的处理后废水仍会被排放到河流和溪流中。因此,监测当地废水系统中的多重耐药病原体已成为识别健康风险、防止严重疫情爆发的重要策略。为此,高通量测序技术的进步使得在废水中识别和定量细菌病原体成为可能[9]、[12]。我们之前关于废水处理过程中细菌多样性和抗生素抗性的研究表明,即使经过了多级处理,包括不动杆菌、克雷伯菌和假单胞菌在内的多重耐药病原体仍然存在于出水样本中[7]。此外,其他研究也指出,传统的监测方法大多仅能描述现象,难以揭示影响处理过程的复杂相互作用。而且,诸如基于16S rRNA的群落分析、香农多样性指数以及主成分分析等传统分析技术,虽可用于描述微生物群落结构,但仍存在局限性[15]、[16]、[17]。这些方法往往依赖于线性假设,无法捕捉微生物分类群、物理化学参数以及操作条件之间的非线性、多变量关系。因此,亟需开发基于数据的分析框架,以模拟废水处理厂系统中细菌存活和抗生素抗性的动态变化。机器学习方法越来越多地被用于分析复杂的环保数据集,帮助识别与废水处理效果相关的模式[18]、[19]、[20]。此外,这些方法还被用于将废水中的病原体信号与群体层面的流行病学趋势联系起来[19]、[21]、[22]。基于数据的模型还能为提高处理效率以及辅助决策提供支持[20]、[22]、[23]。尤其是人工神经网络、随机森林和梯度提升机这类算法,能够从多维度数据集中学习复杂的非线性模式,从而准确预测微生物行为和处理结果[19]、[24]、[25]。将宏基因组数据和物理化学数据结合的机器学习模型,能够更深入地了解导致细菌数量减少的因素,有助于识别关键的环境预测因子,并评估与病原体相关的健康风险[26]、[27]。这些方法体现了全球范围内向人工智能辅助的水利基础设施决策支持系统发展的趋势,提升了系统的韧性及长期稳定性。近期,基于人工智能的方法还能提供反映人群层面微生物组分布的流行病学信息及时间序列特征[28]。虽然机器学习方法已被应用于废水微生物组研究,但利用可解释的特征级框架来评估不同处理阶段中分类群预测因子的稳定性,目前仍较少被研究[29]、[30]。尽管Li等人(2025年)对微生物群落进行了描述性分析,但尚未探索基于特征级别的方法来区分不同处理阶段。本研究正是为填补这一空白而开展的,它采用机器学习辅助框架,识别与不同处理阶段相关的门水平特征。此外,本研究还通过基于自举法的分析来关注特征的可解释性和稳定性,并通过比较简化版与完整版的门水平模型,评估优势分类群和低丰度分类群的相对贡献。在本研究中,研究人员将一种机器学习辅助的分析流程应用于一个经过整理的高分辨率废水微生物组数据集,以此评估全规模废水处理厂中群体层面的分类群结构如何反映处理效果。该分析框架结合了来自佛罗里达州三座城市先进废水处理厂的16S rRNA微生物群落数据以及相关环境参数。虽然所使用的方法已经较为成熟,但本研究的创新之处在于将门水平的分析与可解释的机器学习方法相结合,从而识别出在不同处理阶段中稳定的微生物特征。通过侧重于特征级别的分析而非单纯预测,该方法能够更简洁且准确地呈现由处理过程引发的微生物群落结构变化。本研究的主要目标是:(1)利用门水平测序数据,分析不同处理阶段中微生物群落组成和多样性的变化;(2)通过随机森林分类模型,识别出能够区分进水与出水样本的关键微生物和环境参数;(3)评估群体层面的指标是否与废水分离株的多重耐药性表型特征存在关联。该分析框架通过将群体层面的结构与可解释的机器学习分析相结合,为基于数据的微生物监测提供了基础。

章节节选

样本采集与研究地点

废水样本采集自美国佛罗里达州的三座大型城市先进废水处理厂。为保护隐私,具体处理厂的位置未予公开。这三座处理厂均采用三级处理工艺,包括活性污泥法、膜生物反应器系统,以及紫外线或氯化消毒工艺。研究共从三个处理阶段采集了混合样本:进水阶段(原始废水)、未经氯化处理的出水阶段

微生物群落组成与多样性

表1展示了三座废水处理厂进水与出水样本中的微生物群落情况。无论是从门水平结构还是整体多样性来看,都观察到了明显的微生物群落变化。在作为复杂环境微生物组的废水中,分类水平的分辨率会显著影响统计分析和机器学习分析的稳定性和可解释性。在本研究中,研究者采用了门水平的微生物组分析来探究

结论

这项试点研究旨在评估将门水平微生物组特征与机器学习技术相结合,是否能够区分废水处理过程中的不同处理阶段。通过对佛罗里达州三座废水处理厂的16S rRNA测序数据进行分析,发现处理后样本的香农多样性指数出现持续下降(进水阶段为4.14–4.35,出水阶段为2.24–2.91),同时不同处理厂的优势细菌门类也出现了特定的结构变化。其中变形菌门、厚壁菌门和拟杆菌门

CRediT作者贡献说明

Gabi Hitti:撰写——审阅与编辑、验证、软件使用、方法设计、正式分析、数据整理。Karna Ramachandraiah:撰写——审阅与编辑、初始草稿撰写、可视化分析、验证、方法设计、研究实施、正式分析、数据整理、概念构建。Xudong Liu:撰写——审阅与编辑、初始草稿撰写、可视化分析、验证、研究指导、软件使用、资源协调、正式分析、概念构建。Alya Limayem:撰写——审阅与编辑,

利益冲突声明

作者声明,他们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

我们要感谢希尔斯伯勒县环境保护委员会,以及编号为20-04的污染治理基金项目。同时,也要感谢Brett Ursin先生在项目协调方面的工作,以及各废水处理厂工作人员在样本提供方面给予的帮助。
Xudong Liu|Karna Ramachandraiah|Gabi Hitti|Qingyu Zhou|Alya Limayem
美国佛罗里达州杰克逊维尔市北佛罗里达大学文理学院生物科学系
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