《Environmental DNA》：Reference Database Curation Shapes the Trade-Off Between Predictive Performance and Ecological Interpretability in eDNA-Based Macroinvertebrate Bioassessment
编辑推荐：
环境DNA（eDNA）正在变革全球生物多样性监测与生态评估，但将eDNA信号与可解释的生物评估信息相关联仍具挑战性，尤其是在分类注释因参考数据库不完整或存在区域偏差而受损的情况下。本研究利用来自中国浙江省五个流域233个位点的形态学、eDNA及理化数据，结合经
环境DNA（eDNA）正在变革全球生物多样性监测与生态评估，但将eDNA信号与可解释的生物评估信息相关联仍具挑战性，尤其是在分类注释因参考数据库不完整或存在区域偏差而受损的情况下。本研究利用来自中国浙江省五个流域233个位点的形态学、eDNA及理化数据，结合经人工整理的中国淡水大型底栖无脊椎动物条形码数据库（CMBL），评估参考数据库选择如何影响基于监督机器学习（SML）对化学及生物水质指标的预测。形态学鉴定获得377个大型底栖无脊椎动物分类单元。经质量控制后，eDNA数据集包含30,633个无分类学信息的操作分类单元（OTU），其中42.6%被注释为原核生物或非目标真核生物，7.0%归属于目标分类群，50.4%仍未被注释。在留一法交叉验证下，无分类学信息模型总体达到最高预测性能，尽管非目标序列分别占水质指数（WQI）和生物监测工作组（BMWP）预测前200特征中的58.5%和43.0%。然而，在留一流域交叉验证下性能下降，R2值普遍低于0.3，表明流域间迁移性有限。在高一致性位点（eDNA与形态学科级组成高度对应）中，CMBL注释模型在WQI预测上接近无分类学信息模型的性能，并在BMWP预测上略优于后者。相反，在低一致性位点预测性能显著下降。这些发现表明，区域数据库的构建可提升区域分类相关性和科级一致性（相较于广泛公共参考数据库），但并不能保证更低分类层级注释的可靠性。本研究凸显了eDNA-based SML生物评估中的权衡：无分类学信息OTU最大化预测性能，而注释OTU提供分类学背景，其可靠性取决于参考数据库质量、覆盖度及注释置信度。
论文解读文章
一、研究背景与科学问题
环境DNA（eDNA）技术正在深刻改变全球生物多样性监测与生态评估的范式。相较于传统基于形态学的方法，eDNA具有成本低、标准化程度高、非侵入性等优势，尤其适用于传统方法难以开展的场景。然而，eDNA技术在实际应用中仍面临多重不确定性来源，包括采样力度不足、PCR扩增不一致、测序深度差异以及参考数据库不完整等。其中，参考数据库的不完整性或区域偏差会直接损害分类注释的可靠性，进而限制eDNA数据的生态学价值。
在从传统生物监测向“生物监测2.0”转型的过程中，监督机器学习（SML）提供了一种有前景的策略。通过在“无分类学信息”的分子特征或原始操作分类单元（OTU）上训练模型，SML可以在不进行正式分类注释的情况下预测生态状况。然而，无分类学信息方法虽然预测性能强劲，但其生态可解释性极为有限——缺乏分类学背景，难以推断群落组成、生态功能或物种互作关系，这成为制约其实际应用的关键瓶颈。
淡水生物评估通常依赖基于大型底栖无脊椎动物的生物指数，如生物监测工作组（BMWP）评分，该指数在科级水平计算。科级鉴定相比更细的分类分辨率，在形态学与eDNA方法之间具有最高的可靠性和一致性。此外，BMWP基于存在/缺失数据而非丰度数据，减少了不同方法检测效率差异带来的偏差，特别适合用于交叉校准。
基于上述背景，本研究利用中国浙江省五个流域233个位点的形态学、eDNA及理化数据，结合人工整理的中国淡水大型底栖无脊椎动物条形码数据库（CMBL），系统评估参考数据库选择如何影响SML对化学和生物水质指标的预测性能，并进一步探讨eDNA与形态学鉴定之间的分类一致性如何调节三种预测矩阵的模型表现。
二、主要关键技术方法
研究人员构建了三种预测矩阵：无分类学信息原始OTU、基于公共NCBI参考数据库注释的OTU、以及基于CMBL区域数据库注释的OTU。样本来源于中国浙江省五个流域（苕溪、云和、钱塘江、瓯江、鳌江）共233个溪流位点，采样时间为2020年10月至2021年11月。eDNA采用COI条形码片段（313 bp）扩增，Illumina NovaSeq 6000平台双端测序。OTU以97%相似度聚类，BLASTn分别比对NCBI（真核生物限定）和CMBL数据库进行注释。随机森林回归模型分别预测WQI和BMWP，采用留一法交叉验证（LOOCV）和留一流域交叉验证（LOWOCV）评估性能，以预测值与观测值线性回归的R2作为性能指标。OTU丰度采用累积和缩放（CSS）归一化。
三、研究结果
形态学与eDNA数据概况。 形态学鉴定共获得377个大型底栖无脊椎动物分类单元，平均每样本19个分类单元。eDNA测序产生5,261,166条读长，初始聚类为54,812个OTU。质量控制后，无分类学信息数据集包含30,633个OTU（229个样本）。其中42.6%被注释为原核生物或非目标真核生物（占序列读长的56.4%），仅7.0%归属于目标分类群，50.4%未被注释。
CMBL与NCBI注释差异。 CMBL注释数据集包含7,400个OTU（904,388条读长），NCBI注释数据集仅含1,596个OTU（182,507条读长）。CMBL在节肢动物门和软体动物门的OTU丰富度上显著高于NCBI，而NCBI在扁形动物门检测上显著更多。CMBL以昆虫为主（5,557个OTU，占读长73.9%），主要涵盖双翅目和鞘翅目；NCBI同样以昆虫为主（912个OTU，占读长50.9%），以双翅目为主但鞘翅目极少。
科级一致性比较。 形态学鉴定获得112个科，CMBL注释检测到150个科，NCBI注释检测到189个科。CMBL恢复了88个形态学检测科，NCBI恢复了74个。位点水平上，CMBL与形态学的科级共享比例中位数为52.4%，显著高于NCBI的26.7%。
模型预测性能。 在LOOCV下，保留前200个OTU获得最佳整体预测性能。WQI预测中，无分类学信息模型性能最佳（R2=0.663），CMBL注释模型次之（R2=0.608），NCBI注释模型最低（R2=0.456）。BMWP预测中，无分类学信息模型同样最佳（R2=0.524），CMBL注释模型接近（R2=0.513），NCBI注释模型最低（R2=0.460）。然而，在LOWOCV下所有模型性能大幅下降，R2普遍低于0.3，且流域间差异显著，云和流域表现最差。
一致性分层分析。 高一致性位点（科级Bray–Curtis相似度≥75百分位）的模型性能显著优于低一致性位点（≤25百分位）。高一致性组平均R2为0.627（WQI）和0.736（BMWP），低一致性组仅0.360和0.134。在高一致性组内，CMBL注释和无分类学信息模型均优于NCBI注释模型。BMWP预测中，无分类学信息模型从低一致性到高一致性的R2提升最为显著（0.092→0.766），CMBL注释模型类似（0.101→0.789），NCBI注释模型提升较温和（0.210→0.654）。
四、讨论与结论总结
讨论部分指出，无分类学信息模型性能优势应被理解为来自分类学混合分子集合的预测，而非大型底栖无脊椎动物OTU单独提供了更强的预测信息。非目标序列可能因与水质梯度协同变化而携带预测信息。NCBI注释模型性能下降可能与注释噪声有关——多个重要OTU被注释为生态学上不合理的分类单元（如北美淡水物种、海洋类群和陆生生物），这类错误注释源于全球数据库在低相似度阈值下匹配到远缘或地理不适宜的参考序列。CMBL的区域构建优势在于其区域分类相关性和与形态学数据更高的科级一致性，但70%的序列一致性阈值对COI分类学而言相对宽松，低相似度注释应谨慎解读。
研究还讨论了eDNA信号的空间整合效应、采样设计对模型泛化能力的限制、测序深度不足对稀有类群检测的影响，以及生物信息学流程的局限性（如未进行扩增子长度过滤和开放阅读框验证、通用引物的非目标扩增、97%聚类分辨率低于ASV方法等）。研究强调，模型信息性OTU不应在未经独立分类验证的情况下被解释为个体大型底栖无脊椎动物指示物。
研究结论： 监督机器学习能够从eDNA衍生的分子特征（包括未分类OTU）预测化学和生物水质指标。在留一法交叉验证下，无分类学信息OTU提供最强的预测性能，尽管预测因子池在分类学上是混合的且包含大量非目标成分。留一流域验证下性能下降，表明流域间迁移性有限。CMBL相比NCBI提供了更大的区域分类相关性和科级一致性，但人工构建的注释并不能保证更低分类层级的可靠分配或更强的生态可解释性。这些方法的实用价值取决于预测性能、空间迁移性和分类置信度之间的预期平衡。
