机器学习揭示黄粉虫替代鱼粉对虹鳟鱼皮肤和肠道微生物群的影响模式

《Aquaculture International》：Uncovering patterns in skin and gut microbiota of rainbow trout (Oncorhynchus mykiss): insights from machine learning and feeding trials with sustainable aquafeeds based on yellow mealworm (Tenebrio molitor)

本研究针对水产饲料可持续转型中黄粉虫(TM)替代鱼粉(FM)对鱼类微生物群影响机制不明的问题，采用机器学习(ML)技术分析了虹鳟鱼肠道和皮肤微生物群对全替代饲料的响应。研究发现通过特征选择可识别出Cutibacterium、Enhydrobacter等肠道标志物和Chryseobacterium、Sphingopyxis等皮肤标志物，分类模型能准确区分饮食方案（准确度达100%），而回归模型对微生物丰度变化的预测能力中等（R2=0.34-0.38）。该研究首次将AI驱动技术与新一代测序相结合，为水产养殖微生物生态研究提供了新范式。

　　

随着全球水产养殖业的快速发展，传统饲料生产对海洋资源的过度依赖已引发一系列生态危机。据统计，目前全球35.5%的渔业资源处于严重过度捕捞状态，这种不可持续的生产方式不仅破坏海洋食物网，更对畜牧业等生产系统造成连锁压力。在水产饲料迭代进程中，从海洋资源为主的Aquafeed 1.0到动植物原料为主的Aquafeed 2.0，再到当前以生物循环原料为核心的Aquafeed 3.0，昆虫餐因其环境足迹小、营养组成优等特性成为鱼粉(FM)的理想替代品。其中黄粉虫(Tenebrio monitor, TM)更因其幼虫期46%的蛋白质含量和33%的脂质含量备受关注。然而，尽管TM对鱼类生长性能的影响已有较多研究，其对宿主微生物群的影响机制仍如雾里看花。

传统微生物组分析显示，TM完全替代FM仅引起虹鳟鱼肠道和皮肤微生物群的轻微变化，这种有限的调制效果是否意味着饮食与微生物群之间不存在显著关联？还是传统分析方法难以捕捉深层规律？为揭开这一谜团，研究人员独辟蹊径，将机器学习(ML)这一利器引入水产微生物组研究领域。

在《Aquaculture International》发表的最新研究中，研究团队构建了一套完整的ML分析流程，通过对12尾虹鳟鱼（TM0和TM100饲料各6尾）的微生物丰度数据进行分析，从三个维度展开探索：首先通过特征选择识别微生物生物标志物；其次利用分类模型评估微生物组成与饮食方案的关联性；最后通过回归模型预测饲料成分变化对微生物丰度的影响。

关键技术方法包括：基于16S rRNA基因V3-V4区测序获取微生物丰度数据；使用递归特征消除(RFE)和点二列相关分析进行特征选择；采用留一交叉验证(LOOCV)和嵌套交叉验证(NCV)评估模型性能；应用SHAP分析解释特征贡献度；涵盖决策树、随机森林、支持向量机等11种分类算法和8种回归算法进行模型比较。

肠道微生物群的饮食推断

研究发现在家族水平上，Chitinibacteraceae和Clostridiaceae被识别为高重要性类群，而Lactobacillaceae和Neisseriaceae为低重要性类群（图1a）。在属水平上，Clostridium和Deefgea表现出显著影响力，Cutibacterium则持续处于影响排名末端（图1b）。多分类模型在优化后达到完美分类准确度（100%），其中Multinomial Naive Bayes模型在嵌套交叉验证中表现最为稳定。

皮肤微生物群的分类建模

皮肤微生物群呈现出与肠道不同的特征分布模式。在家族水平，Clostridiaceae和Streptococcaceae对样本分类贡献均衡（图2a）。属水平分析显示Sphingopyxis为最具影响力的类群，而Clostridium和Deefgea的重要性评分较低（图2b）。k-近邻分类器在属和种水平上表现最优，而Extra Trees分类器在家族水平领先。

微生物丰度变化的预测能力

回归分析结果显示，基于饲料成分变化预测微生物丰度变化的模型性能中等。在肠道微生物群中，Clostridium相关类群的预测误差较高，而Mycoplasma相关类群的误差相对可控。皮肤微生物群的预测误差从家族到种水平呈现明显下降趋势，其中Chitinibacteraceae相关类群表现出最高的丰度记录和最低的预测误差。

预测模型的整体性能

比较不同算法家族的表现发现，集成学习方法（随机森林、极端梯度提升等）在分类任务中 consistently 表现优异，得益于其抗过拟合能力和对噪声的鲁棒性。而概率型、距离型和广义线性模型也展现出良好性能，提供快速训练和高可解释性。在回归任务中，支持向量机和多层感知器表现持续不佳，这可能与它们在高维空间中的理论特性及对大数据集的需求有关。

讨论部分指出，尽管传统微生物组分析仅检测到有限的饮食调制效果，但ML模型成功识别出跨 taxonomic 水平的饮食和组织特异性指标。这一发现凸显了AI驱动方法与常规微生物学分析相结合的互补价值。研究还观察到Deefgea在肠道和皮肤微生物群中的共存现象，支持了宿主与水环境之间存在微生物交换的假设。

然而，研究也存在一定局限性。样本量较小（12尾鱼）可能影响结果的普适性，尽管研究通过特征选择、嵌套交叉验证等方法尽力减小偏差。此外，Greengenes 13.8数据库的使用可能限制 taxonomic 分辨率，因为该数据库已停止维护，且对环境和宿主相关微生物的代表性有限。

这项研究的意义在于首次将ML系统应用于鱼类微生物群与饲料成分关系的研究中，为水产养殖微生物生态学研究提供了新范式。尽管计算结果仍需在更大样本中验证，但这一方法论框架为未来研究指明了方向——将AI技术与微生物组学相结合，有望在水产养殖可持续发展、精准营养和鱼类健康管理等领域发挥重要作用。

随着Aquaculture 4.0时代的到来，智能技术与物理系统的深度融合将为实时监测和证据决策提供支持。本研究正是这一趋势的生动体现，它展示了如何通过先进计算方法揭示传统分析难以发现的生态模式，为构建更可持续、更高效的水产养殖系统提供了重要洞见。