哈尔滨工业大学李昂团队ACS ES&T Engg.：基于机器学习开发用于异化铁还原菌还原脱氯的生理相容性电子供体

异化铁还原菌（Dissimilatory iron-reducing bacteria，DIRB）因其独特的电子传递机制和高效的污染物降解能力，在卤代烃污染场地的生物修复中得到了广泛应用。然而，地下水通常处于贫营养状态，限制了DIRB的电子转移能力。碳源的合理添加对于提高土著微生物呼吸能力具有重要意义。传统的生物刺激修复方法往往忽视了污染场地微生物群落的生理需求与碳源作用机制之间的关系，盲目的投加可能引发二次污染和微生物群落失衡。此外，液态碳源的大规模应用在经济和可扩展性方面仍面临挑战。富含纤维素的天然生物质因其低成本和高可发酵糖含量，已经展现出巨大的应用潜力。团队之前的研究表明，DIRB的模式菌株Shewanella oneidensis MR-1能够利用铁-腐殖酸（Fe-HA）复合物作为电子传递穿梭体，调控天然碳源木屑中的电子流通量，显著提高对氯代污染物（四氯乙烯）的降解能力。然而，在实际的水环境中，细菌与矿物之间的动态相互作用可能会影响微生物的生理功能，进而影响体系中污染物的迁移转化。

为解决上述问题，哈尔滨工业大学环境学院李昂教授团队采用机器学习（ML）方法，将生物刺激条件和生物刺激基因组数据作为输入变量，以脱氯效果作为输出变量，深入阐明了碳源材料与功能性DIRB之间的生物兼容性。结果表明，相比于人工神经网络（ANN）、随机森林（RF）和支持向量机（SVM）等算法，梯度提升决策树（XGB）在评估生物脱氯潜力方面表现更为优越，使用优化后的XGB模型进行特征重要性分析，识别出碳水化合物代谢和能量代谢是影响MR-1还原脱氯的关键因素。基于机器学习的启示，团队开发了能够显著提高乙酸含量的特定碳源材料，使脱氯速率提高了22%，成本降低了82%。这一研究创新性地提出了基于细菌生理功能优化碳源材料的新方法，为利用DIRB促进卤代污染物的高效转化提供了技术支持。

图1：机器学习框架中采用的策略流程图

本研究从脱氯实验中收集了总计5124个数据点，将其作为机器学习（ML）模型的输入数据用于训练集和测试集，脱氯效率作为唯一的输出变量，缺失值使用各特征的均值进行填充。基于数据集的规模和复杂程度，采用四种机器学习算法对脱氯效果进行预测，包括人工神经网络（ANN）、随机森林（RF）、支持向量机（SVM）和梯度提升决策树（XGB）。数据集被随机分为80%用于训练，20%用于测试。SHAP方法用于通过特征重要性分析解释模型。在模型建立之前，通过10折交叉验证确定最优参数以提高预测准确性。通过评估决定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）对模型进行训练。

图2：模型的性能评估以及XGB模型的特征重要性排序

XGB模型在测试数据集上具有最高的R²值和最低的MAE和RMSE值，成为预测还原脱氯的最佳算法。利用训练好的XGB模型进行特征分析，识别出“Global and overview maps”通路是生物刺激条件下的关键代谢通路，其主要涉及碳代谢、氨基酸生物合成及脂肪酸代谢，凸显了碳代谢在还原脱氯潜力预测中的核心作用。SHAP分析进一步验证了特征重要性结果，证实了微生物代谢功能与污染物降解效率之间存在显著的正相关性。因此，强化与碳代谢相关的生理功能对于设计调控DIRB降解卤代污染物的合成材料具有重要意义。

图3：关键代谢途径与生物刺激条件间的相关性分析

基于SHAP分析，通过相关性分析揭示了碳源合成参数与脱氯贡献之间的内在相互作用机制。结果表明，乙酸组分与碳水化合物代谢之间呈现显著正相关（p<0.05），证实了脱氯效率的提升主要归因于菌株MR-1对碳源的高效摄取和代谢。同时，挥发性脂肪酸（VFA）的生成与Fe%和C%呈显著正相关，表明铁组分通过微生物作用调节碳的固定和释放。值得注意的是，乙酸不仅与碳代谢途径显著相关，还与铁转运系统存在密切关联，这表明乙酸通过调节DIRB的铁摄取能力来影响其生理活性，从而增强脱氯效率。因此，乙酸作为设计高性能脱卤材料的关键标志物，为碳源材料的结构优化提供了重要的理论指导。

图4：优化后碳源材料的脱氯效能验证

验证实验结果表明，乙酸的浓度与腐殖酸添加比例呈显著正相关性。经机器学习优化后，碳源材料的乙酸生成量较优化前提升了40.2%，从而使脱氯速率提高了22%，证实了乙酸通过强化电子传递效率并激活DIRB的酶活性，促进了DIRB还原脱氯效能。因此，本研究成功构建了满足DIRB菌株生理代谢需求的碳源材料，为发展基于微生物生理特性的定向生物修复技术提供了重要见解。

相关论文发表在ACS ES&T Engineering上，哈尔滨工业大学博士研究生于洋为文章的第一作者，哈尔滨工业大学李昂教授为通讯作者。