编辑推荐：
微藻生物质生产力受多种因素影响，但各因素作用不明。研究人员通过荟萃分析和机器学习，研究户外藻类系统中影响生产力变化的因素。结果发现多个变量与生产力的关系，明确关键影响变量。该研究为优化藻类系统提供依据，推动可持续生物生产。
在当今科技飞速发展的时代，微藻凭借其独特的能力 —— 将二氧化碳（
CO2）转化为多种有价值的产品及前体，在能源、制药、化工和营养保健品等多个行业掀起了研究热潮。微藻生物质生产力（定义为单位光照面积单位时间内的净生物质产量，
g m?2 day?1）作为藻类培养系统整体性能的关键指标，却面临着诸多研究困境。由于微藻具有高表型可塑性，且研究中操作和环境条件差异大，导致难以确定单个因素对生产力的影响。同时，不同研究采用的变量差异大，使得微藻生产力相关变量的具体作用和相对重要性不明，严重阻碍了微藻技术的发展与应用。
为了突破这些困境，来自多个机构的研究人员开展了一项旨在探究户外微藻培养系统中影响生物质生产力变化因素的研究。他们通过荟萃分析（Meta-analysis，一种整合多个独立研究结果的统计方法）和机器学习技术，对大量数据进行深入挖掘。最终发现，藻种本身不足以优化生产力，生产力与培养深度、生长周期和培养基盐度呈负线性关系，而其他一些变量呈现非线性关联。明确了接种密度、CO2含量、硫酸盐浓度等是影响生产力的关键变量。该研究成果对于优化藻类系统，提高生物质生产力，推动可持续生物生产具有重要意义，论文发表在《Bioresource Technology》。
研究人员开展研究时，主要运用了以下关键技术方法：首先进行数据收集与处理，从 Web of Science 检索 52 项户外中试研究数据，依据严格标准筛选出 437 个数据点。之后确定输入输出变量，选择面积生物质生产力作为性能指标，纳入 16 个独立变量。接着进行数据可视化与统计分析，运用箱线图、描述性统计、系数变异等方法分析变量特征；利用皮尔逊相关系数评估变量关系；通过主成分分析（PCA）探索藻类物种聚类情况；构建多元线性回归（MLR）和人工神经网络（ANN）模型分析影响生产力的变量，并采用排列特征重要性（PFI）评估变量重要性。
3.1 不同藻类物种生物质生产力的差异
研究收集的数据展示了多种藻类物种，如微绿球藻（Microchloropsis gaditana）、海洋微拟球藻（Nannochloropsis oceanica）等，对全球不同地理位置的适应性。不同藻类物种的面积生物质生产力（5th - 95th 百分位数）在1 g m?2 day?1到26 g m?2 day?1之间变化，同一物种内该指标变化范围为5 g m?2 day?1到42 g m?2 day?1。这表明面积生物质生产力不仅取决于藻种，环境条件、操作条件和反应器配置等因素也至关重要。研究还发现，分析中观测到的平均面积生物质生产力为11 g m?2 day?1，中位数为10 g m?2 day?1，标准差为8 g m?2 day?1。约 66% 的数据点在0?15 g m?2 day?1范围内，仅有 6% 的观测值超过美国能源部设定的经济可行藻类系统年生产力目标25 g m?2 day?1，这意味着当前藻类系统性能与目标差距较大。不过，时间序列分析显示，2012 - 2022 年期间生物质生产力呈上升趋势，从8.7±5.0增长到14.8±8.1 g m?2 d?1 。
3.2 参数变异性
通过主成分分析探究变量对不同藻类物种或反应器配置下生物质生产力的影响及解释生产力变异性的能力，结果未发现明显聚类，因此保留原始环境变量进行后续分析。
- 3.2.1 分类变量 —— 反应器配置：不同反应器配置的变异程度可由变异系数（CV）表示，开放式跑道池（ORP）变异系数最高，为 76%，特殊反应器（SR）、平板反应器（FP）和管式反应器（TR）的 CV 分别为 74%、63% 和 43%。ORP 的平均面积生物质生产力最低，为10 g m?2 day?1，FP 最高，为15 g m?2 day?1。尽管两者均值差异明显，但所有反应器配置的标准差相似，表明除反应器类型外，其他因素也影响生物质生产力。这意味着 ORP 若设计和操作得当，可取得与光生物反应器（PBR）类似的经济和环境效益。
- 3.2.2 非分类变量
- 培养温度、光合光子通量密度和光周期：光合光子通量密度（PPFD）和培养温度的变异性小于 40%，这主要归因于季节变化。研究中的光照为自然光照，平均光强为520 μmol photons m?2 s?1，40% 的研究在夏季进行。光周期通过实验地点纬度和操作周期计算，均值为 12 小时，CV 为 13%。适宜光周期对促进藻类生长至关重要，但许多研究中光周期报告不明确，影响了研究结果的可比性。
- 培养深度：培养深度的 CV 为 55%，其变异主要由 ORP（50%）和 FP 反应器（46%）驱动，管式反应器变异性较小（CV <25%）。培养深度对生产力影响显著，过深（> 20 cm）会阻碍光穿透，影响生产力、增加收获成本和能源消耗；过浅（< 5 cm）则导致蒸发损失和水温波动。在 52 项研究中，20 项未报告培养深度，这限制了研究结果的比较和解释。
- 盐度：盐度水平在研究中差异大，CV 超过 70%，18 项研究未报告盐度数据，部分研究对盐度描述模糊，如使用 “天然海水” 却呈现类似淡水的硫酸盐浓度，这使得准确评估盐度对生产力的影响变得困难。
- 营养物质：不同藻类物种对氮磷比（N:P）需求不同，研究中平均 N:P 比为 16:1，CV 为 66%，多数物种的最佳 N:P 比大于 16:1。CO2浓度在研究中差异显著，有效藻类生长需要适宜的CO2浓度，过低（< 5%）导致CO2限制，过高（20% - 100%）抑制生长。一些藻类如Scenedesmus sp在高浓度CO2下可实现高生产力，但部分物种研究数据来自单一研究组，需进一步验证。此外，研究中CO2供应方式多样，难以量化其对生产力的影响。由于报告不一致，碳氮比（C/N）、微量元素等变量未纳入分析。
- 3.2.3 数据评估：数据收集发现藻类培养研究领域存在关键变量报告不一致或不完整的问题，这会导致研究结果不可靠，阻碍藻类培养系统的发展。研究人员应重视数据报告的完整性和一致性。
3.3 相关性分析
通过皮尔逊相关系数评估变量间关系，结果显示生物质生产力与任何变量均未呈现强线性相关，但与培养深度（ρ=0.56）、生长周期（0.56）和培养基盐度（0.64）呈中等负线性关联，即这些因素值越高，生物质生产力越低。温度、pH、PPFD 和光周期的皮尔逊相关系数和变异系数较低，表明研究人员常选择已知的最佳或接近最佳条件，改变这些变量可能无法显著提高生产力。而面积体积比（A/V）、接种密度等变量需进一步分析非线性关系。此外，部分变量间存在强相关性，如培养基盐度与硫酸盐（0.82）、碳酸氢盐与CO2等，同时解释了硫酸盐浓度与生产力负相关的原因可能是培养基酸化。
3.4 变量的重要性
- 3.4.1 MLR 和 ANN 模型及分析：相关性分析暗示变量间可能存在非线性关联，为此构建 MLR 和 ANN 模型。MLR 模型在两个数据集上的r2值均较低，表明线性模型难以准确描述生物质生产力的变异性。ANN 模型通过调整激活函数、隐藏层数和神经元数量确定最优配置，在两个数据集上的统计性能均优于 MLR 模型。
- 3.4.2 排列特征重要性：利用 PFI 分析 ANN 模型中变量的重要性，结果显示接种密度、生长周期、CO2含量和硫酸盐浓度的 PFI 得分最高，优化这些变量可提高生物质生产力。接种密度、CO2含量和硫酸盐浓度在线性相关分析中不显著，但在排列分析中显著，表明它们与生产力存在非线性关系。生长周期在两种分析中均显著，确定最佳生长周期有助于提高生产力。培养温度、pH、PPFD 和光周期的 PFI 得分较低，说明它们对生物质生产力变异性影响较小，可能已处于优化范围。系统营养环境相关变量（铁、碳酸氢盐和碳酸盐浓度）PFI 得分低，可能与其他变量强相关或对提高生产力作用有限。
研究通过对 52 项户外藻类生产研究数据的分析，利用多种统计和建模方法，揭示了影响微藻生物质生产力的关键因素。研究结果为优化藻类培养系统提供了重要理论依据，有助于提高生物质生产力，实现可持续生物生产的经济和环境效益。同时，研究也指出当前藻类培养研究中数据报告存在的问题，为后续研究的数据规范提供了参考，推动了微藻领域的进一步发展。
