基于机器学习的微塑料污染环境中抗生素降解菌群变化预测研究

微塑料(MPs)与抗生素复合污染日益严重，但MPs理化特性如何调控抗生素降解菌群尚不明确。研究人员通过随机森林等机器学习算法，首次预测了MPs特性(浓度、环境基质等)对核心菌群(如Proteobacteria)的影响机制，发现MPs浓度与菌群丰度呈非线性依赖关系，为复杂环境中抗生素生物降解预测提供了新工具。

　　

在全球环境面临微塑料(Microplastics, MPs)与抗生素复合污染威胁的背景下，这些直径小于5 mm的塑料颗粒因其巨大比表面积和强疏水性，成为污染物传播的"特洛伊木马"。更令人担忧的是，抗生素在医疗和养殖业的滥用已导致全球年消耗量逼近20万吨，而MPs的存在可能进一步干扰自然界中本已脆弱的抗生素降解过程。尽管已知某些细菌如Achromobacter、Bacillus等具有降解抗生素的能力，但MPs的复杂特性（如粒径、浓度、环境基质）如何影响这些"环境清道夫"的生存与功能，始终是悬而未决的科学难题。

中国某研究机构团队在《Journal of Environmental Chemical Engineering》发表的研究，创新性地采用机器学习方法破解这一生态黑箱。研究人员通过Web of Science系统收集185组数据片段，筛选6个关键变量，运用随机森林(Random Forest)、支持向量机等算法构建预测模型。特别引入SHAP（Shapley additive explanation）算法解析特征重要性，结合PDP（partial dependency plot）分析揭示变量与菌群响应的非线性关系。

Dataset collection and feature selection
研究锁定Actinobacteria、Proteobacteria等7个与抗生素降解显著相关的核心菌门（p<0.05），这些菌群在降解过程中丰度显著提升。例如，Actinobacteria在阿莫西林降解中占主导地位，而Proteobacteria则通过周质空间捕获机制增强四环素降解效率。

Statistical analysis of dataset before modeling
随机森林模型在群落分布和丰度波动预测中表现最优，AUC值分别达85%和88%。特征重要性分析揭示：污染位点是影响群落分布的首要因素（贡献度34%），而MPs浓度则主导丰度波动（贡献度28%）。值得注意的是，Proteobacteria、Bacteroidetes和Firmicutes对MPs表现出特殊敏感性。

Conclusion
研究首次证实MPs通过改变表面微生境偏好性和理化特性重塑核心菌群。当MPs浓度低于100 mg/kg时，菌群依赖性随浓度增加而增强；超过该阈值后，毒性效应导致依赖性减弱。这种"低促高抑"的浓度效应为解释不同研究中菌群响应差异提供了统一框架。

该研究的突破性在于将机器学习引入环境微生物生态学研究，不仅准确预测了MPs特性与降解菌群的复杂关系，更发现环境基质（土壤/水体）的选择比MPs类型（PE/PS等）对菌群的影响更大。这为精准调控MPs污染环境中的抗生素降解效率提供了理论依据，对维护生态安全和人类健康具有深远意义。