基于eDNA与随机森林的生态状态预测工具eDNA2IQI：助力水产养殖监管评估革新

这篇研究开发了eDNA2IQI工具，通过细菌eDNA（环境DNA）测序结合随机森林（RF）机器学习模型，高效预测底栖动物质量指数（IQI），替代传统耗时耗力的形态学分类方法。该工具在745个水产养殖沉积物样本中验证，预测R2达0.80，为欧盟水框架指令（WFD）下的生态监管提供快速、低成本的解决方案。

　　

Highlight

我们的方法如何从全球视角轻松适配水产养殖及其他局部有机富集活动的评估

通过学术界、监管机构和产业界的协作（OECD, 2014），我们实现了目标。

讨论

基于745个样本的模型是迄今最大规模的eDNA数据监督机器学习分析，用于预测传统生物监测指标。其前代模型已被苏格兰环保局（SEPA）采纳为监管筛查工具（SEPA, 2023）。我们的模型与标准操作流程（SOP）免费开放，兼容主流操作系统，且预测偏差极小（R² 0.80，外部验证调整R² 0.95）。模型对低IQI值轻微高估，对高值略低估，提示优化空间，但无深度、沉积物粒径或水温相关偏差。

结论

研究证明eDNA结合监督机器学习可显著降低生物多样性监测成本与周期，尤其适用于水产养殖等有机富集场景。工具设计透明，用户仅需输入标准化序列数据即可获取预测IQI，避免人为偏差。未来可扩展至其他生态系统压力评估。

作者贡献声明

A.J. Wyness：撰写/分析/可视化；T. Stoeck：监督/资金支持；团队其他成员分别参与样本采集、数据审核或方法论构建。

利益冲突声明

Tom Wilding和Thorsten Stoeck声明获得苏格兰水产创新中心（SAIC）、德国研究基金会（DFG）等资助，其余作者无冲突。

致谢

感谢苏格兰海洋科学协会（SAMS）及合作企业提供样本与技术支持。