微藻-细菌联合体对铜（Cu2?）的强化去除：机制解析、生理响应以及基于人工神经网络（ANN）的预测

《Journal of Environmental Chemical Engineering》：Enhanced removal of copper (Cu2?) by microalgae-bacteria consortium: Mechanistic insights, physiological responses, and artificial neural network (ANN)-based prediction

铜污染对微藻Scenedesmus quadricauda的生理抑制效应及微藻-细菌共培养修复机制研究。铜浓度20-80 ppm显著抑制藻类生物量、叶绿素a含量和PSII效率，并诱导氧化损伤，而与Bacillus subtilis共培养可缓解毒性，维持高叶绿素含量和PSII稳定性，80 ppm下铜去除率达84.8%。ANN模型（R2=0.99）精准预测铜去除效率，结合生理指标与机器学习为生态修复提供优化框架。

　　铜是一种常见的重金属污染物，对水生生态系统构成严重威胁。它能够通过破坏藻类生理结构和引发氧化应激对环境造成负面影响。为了缓解其带来的负面效应，本研究探索了利用绿藻 *Scenedesmus quadricauda* 以及其与 *Bacillus subtilis* 联合培养的生物修复策略，并借助实证数据进行处理效果的预测评估。通过生理和生化分析发现，铜暴露（20-80 ppm）显著抑制了藻类的生物量、叶绿素 *a* 含量和光系统 II（PSII）效率（包括 Fv/Fm、Y(II)、α、rETRmax），并引发了氧化损伤，表现为丙二醛（MDA）水平的升高。抗氧化酶（如超氧化物歧化酶 SOD 和过氧化物酶 POD）的活性在长期高铜暴露后先上升后下降。相比之下，与细菌共培养能够缓解这些影响，保持较高的叶绿素水平、PSII 稳定性和酶防御能力，并在 40 至 80 ppm 的铜浓度下实现更高的生物量保留。在 80 ppm 的处理条件下，联合培养组的铜去除率（84.8%）显著高于单一藻类组（74.6%）。人工神经网络（ANN）模型展示了强大的预测性能（R2=0.99），能够准确模拟铜去除过程。这些发现提供了一种创新的综合框架，结合生理指标和机器学习，用于理解和优化基于微生物的重金属解毒技术，从而实现水生生态系统的可持续管理。

随着重金属污染的加剧，特别是铜污染，当前的研究重点集中在三个方面：开发对铜在各种环境基质中敏感的检测方法、研究其对人类和生态系统的毒性效应、以及改进高效的铜修复技术。有效且环保的减少铜污染策略仍然是当前研究的重要目标。在这些策略中，利用植物和微生物系统进行铜的吸附和解毒因其高效性和较低的二次污染风险而展现出良好的前景。近年来，植物生物吸附剂和建模方法已被用于更好地理解并优化水环境中重金属的去除过程。与此同时，微藻已成为重金属及其他污染物生物修复的多功能工具。通过利用微藻如 *Chlorella vulgaris* 的高生物吸附能力，已经取得了显著的去除铜的效果。同样，*Scenedesmus sp.* 和 *Spirulina platensis* 也被成功应用于减少受污染水体中铜的浓度。此外，协同系统如微藻-细菌联合培养或其他微生物联合培养，作为可持续的水污染治理方法，也引起了广泛关注。这种技术利用微生物之间的相互作用，以提高污染物去除的效率。

由于微藻-细菌联合培养在重金属处理中的复杂性，结合机器学习的方法能够更好地应对这些挑战。机器学习作为人工智能的重要工具，为解决复杂的科学问题提供了有效的解决方案。人工神经网络（ANN）因其在多输入、多输出分析和自我学习能力方面的优势，被广泛应用于建模和优化各种过程。在预测生物和环境过程方面，ANN 特别有效，能够评估输入输出关系并确定最佳条件。近年来，ANN 被应用于模拟重金属的生物吸附过程，因为它能够处理非线性和多因素相互作用，并提高预测的准确性。然而，大多数现有的 ANN 应用集中在单一微生物或吸附系统，很少整合能够揭示解毒机制的生理指标。

尽管近年来对重金属如铜的生物处理方法产生了越来越多的兴趣，但很少有研究关注微藻-细菌联合培养与人工智能预测模型的结合，以优化铜去除效果并解释相关的生理反应。更少的研究则系统地探讨了这些联合培养如何缓解铜诱导的微藻生理和氧化应激，或研究了在金属暴露下光系统 II 的光化学性能和抗氧化酶的反应。因此，本研究旨在同时研究生物因素（*Scenedesmus quadricauda* 和 *Bacillus subtilis*）与非生物因素（铜浓度、暴露时间），并利用人工神经网络（ANN）模型进行铜2?去除效率的建模和预测。通过将生理指标与数据驱动的模型相结合，本研究揭示了微生物群落如何缓解铜诱导的毒性，增强微藻的抗应激能力，并在金属胁迫下改善其生理性能。最终，本研究提供了创新且全面的策略，以优化重金属的生物修复过程，从而更有效地应对环境污染问题。

本研究使用的 *Scenedesmus quadricauda*（Turpin）Brébisson UMACC041 藻株来源于马来西亚大学的藻类培养库（UMACC），最初是从马来西亚大学的一处热带淡水鱼缸中分离获得。*Bacillus subtilis* ATCC 6633 菌株则由马来西亚的 Biolution Resources 提供。在实验中，微藻被培养在去除铜离子的 BG-11 培养基中。用于处理组的铜离子浓度为 0、20、40、60 和 80 mg/L，这些浓度的选择旨在模拟不同环境条件下铜对微藻的潜在影响。在培养过程中，微藻的生长受到铜浓度的显著抑制，尤其是在暴露时间较长的情况下，生物量随着铜浓度的增加而逐渐下降。这种抑制作用在 60 和 80 ppm 的铜浓度下尤为明显，表明微藻对高浓度铜的耐受能力有限。

为了更全面地评估铜对微藻生理性能的影响，本研究测量了多个生理指标，包括叶绿素 *a* 含量、光系统 II 的效率、非光化学淬灭（NPQ）和丙二醛（MDA）水平。结果显示，随着铜浓度的升高，这些指标呈现出明显的恶化趋势。叶绿素 *a* 含量的下降反映了光合作用的受损，而光系统 II 效率的降低则进一步证实了这种影响。同时，NPQ 和 MDA 的升高表明微藻在铜胁迫下发生了严重的氧化损伤。此外，抗氧化酶如 SOD 和 POD 的活性在铜暴露初期有所增加，但随着暴露时间的延长，其活性逐渐下降，表明微藻在应对铜胁迫时存在一定的生理适应能力，但这种能力在高浓度铜环境下受到限制。

在与 *Bacillus subtilis* 共培养的条件下，微藻的生理状态得到了显著改善。叶绿素 *a* 含量和光系统 II 效率在共培养组中保持较高水平，表明细菌的加入有助于维持微藻的光合作用能力。同时，NPQ 和 MDA 的水平在共培养组中明显低于单一藻类组，表明细菌的协同作用有效缓解了铜诱导的氧化损伤。此外，抗氧化酶的活性在共培养条件下维持在较高水平，表明细菌能够增强微藻的抗氧化防御能力。这种增强的抗氧化能力不仅有助于微藻在铜胁迫下的生存，还能够促进其恢复能力，从而提高铜去除效率。

在 80 ppm 的铜浓度下，微藻-细菌联合培养组的铜去除率显著高于单一藻类组。这表明细菌的加入能够显著提高微藻对铜的吸附和代谢能力。通过观察不同铜浓度下的处理效果，本研究发现，随着铜浓度的增加，微藻的生理状态逐渐恶化，而与细菌共培养则能够有效缓解这种恶化。此外，人工神经网络（ANN）模型在模拟铜去除过程方面表现出强大的预测能力，能够准确反映不同处理条件下的铜去除效率。这表明，结合机器学习方法能够更精确地评估和预测生物修复技术的效果，从而为环境治理提供科学依据。

通过将生理指标与数据驱动的模型相结合，本研究不仅揭示了微藻-细菌联合培养在铜去除中的作用机制，还提供了优化生物修复策略的理论基础。这种综合方法能够更全面地理解重金属污染对水生生态系统的影响，并为实现可持续的环境管理提供创新的解决方案。此外，本研究的结果表明，结合微生物群落和机器学习技术能够提高重金属去除的效率和准确性，为未来的研究和应用提供重要的参考价值。