知识引导的物种筛选使环境DNA与基于形态学的硅藻指数对齐

《Environmental Science and Ecotechnology》：Knowledge-guided taxon selection aligns eDNA with morphology-based diatom indices

　　

摘要专业翻译 未经筛选的环境DNA（eDNA）物种列表在清洁水体中会拉低基于形态学的硅藻指数得分。本研究将指数公式本身作为损失函数，用于决定哪些eDNA分类单元应被保留。基于1,407个欧洲rbcL样本，筛选出的248个核心分类单元将决定系数（R2）从0.569提升至0.700。同样的筛选策略在来自欧洲和韩国的18S数据集上亦有帮助，但预测效果仍然较弱。该方法的输出仍然是既有的生态指数，只是基于一个更精简的分子物种列表。

论文解读文章

一、研究背景与问题

底栖硅藻被广泛认为是评估水生生态系统健康最可靠、最敏感的生物指示生物之一。基于硅藻物种对理化胁迫因子的特异性敏感程度，研究人员开发了营养硅藻指数（TDI）和特异性污染敏感指数（IPS）等生物指数，这些指数已成为全球水质监管框架的基础，包括欧盟水框架指令。传统上，这些指数根据物种的污染耐受性赋予其生态权重和指示值，通过形态学鉴定和计数，环境管理者可以计算出标准化的生态健康评分。

然而，生物指数面临严重的分类学瓶颈：由于学术训练有限和新专家招募减少，分类学专业知识正在流失，这直接威胁到既有生态监测框架的稳定性。由于TDI和IPS依赖准确的物种水平鉴定，这种人才短缺严重阻碍了地方监测部门的水质评估工作。

淡水生物监测正日益转向环境DNA（eDNA）宏条形码技术，其优势在于快速、经济高效且对分类学专业知识依赖较低。但eDNA宏条形码也存在系统偏差，包括聚合酶链反应（PCR）引入的偏差以及参考数据库不完善导致的物种注释问题，这些偏差常导致eDNA序列读数与实际形态学丰度之间的不一致。已有研究提出生物体积校正因子等策略来对齐分子信号与形态学生物体积估计，但这些方法往往依赖物种特异性性状的先验知识，对于隐存种或未分类物种而言这些信息常常不可用。

在此背景下，机器学习（ML）方法提供了补充和增强现有生物评估方法的机会。然而，大多数ML算法是“黑箱”模型，预测性能与可解释性之间存在权衡。可解释人工智能（XAI）和知识引导机器学习（KGML）被提出用于弥合预测性能与生态可解释性之间的鸿沟，但其在基于eDNA的生物指数中的应用仍然有限。本研究旨在通过知识引导后向消除（KGBE）框架，构建与现有框架兼容且可迁移的可解释模型，弥合技术创新与监管要求之间的差距。

二、主要关键技术方法

研究人员构建了一个多源数据集，包含eDNA宏条形码和形态学硅藻调查数据。实验1和2使用来自法国、瑞士、西班牙、英国、塞尔维亚和克罗地亚的1,407个rbcL样本，实验3使用来自法国和瑞士的112个18S V4样本以及本研究新产生的58个韩国18S V4样本。核心方法是基于袋装后向消除（Bagged-BE）的KGBE框架，该算法利用IPS的加权平均数学性质实现增量更新，在每个消除步骤中通过减去预先计算的物种贡献而非重新计算完整指数来评估移除单个物种的效果，从而显著降低计算成本。算法在B个自举重复上运行，计算每个物种的保留频率，并通过扫描阈值τ（0.10至0.95）在留出集上最小化均方根误差（RMSE）来确定最终物种子集。此外，研究还比较了七种后验机器学习回归模型，包括多元线性回归（MLR）、贝叶斯岭回归、自动相关性确定（ARD）回归、随机森林（RF）、极端随机树（ET）、梯度提升回归（GBR）和极端梯度提升（XGB），并使用SHAP（Shapley加性解释）进行模型解释。

三、研究结果

3.1 KGBE框架的优化与核心指示物种的识别

通过扫描选择频率阈值，研究人员确定了最优工作阈值τ*为0.40。交叉验证模型展现出显著的算法稳定性，327个物种中有130个（39.7%）在所有10次重复中均被稳定选择。最终KGBE模型消除了153个被归类为噪声的物种，保留了248个核心指示物种，覆盖从高度耐污到高度敏感的广泛污染敏感度范围。

3.2 跨eDNA、显微镜和KGBE选择物种的组成与污染敏感度分布

三向比较显示，宏条形码获得401个物种，显微镜获得914个物种，最终KGBE模型保留248个eDNA来源物种，其中193个物种被三种方法共同检出。污染敏感度分析显示，KGBE选择物种（均值4.03±0.54）与形态学来源物种（均值4.07±0.56）的敏感度分布相似，而所有被移除的eDNA来源物种（N=153）表现出较低的敏感度（均值3.16±0.70），表明该框架系统性地剔除了低敏感度物种。

3.3 KGBE框架与传统机器学习的预测性能

未过滤eDNA基线的预测性能最差，Pearson R²为0.569，RMSE为2.449。KGBE框架在交叉验证下将Pearson R²提升至0.663±0.064，RMSE降至1.693±0.172；在最终模型上R²达到0.700，RMSE降至1.596。树集成模型表现出更优的预测能力，其中ET模型表现最佳，交叉验证Pearson R²达0.946±0.022，RMSE为0.633±0.134。

3.4 ΔSE与物种移除瀑布分析

ΔSE分析揭示了样本水平的非线性特征。物种移除瀑布分析展示了框架的样本级透明度：在初始预测严重低估的样本中（如D-067，预测差距8.96），算法将29.6%的物种归类为噪声并移除，预测差距减少94.1%。在初始预测已准确的样本中，框架正确识别生态中性物种并保留它们而不扭曲最终指数。在不一致案例中，瀑布分析识别出具有极端负ΔSE值（如Nitzschia soratensis，ΔSE=?147.22）的核心物种驱动了预测偏差。

3.5 SHAP抵消幅度与决策图分析

后验树集成模型虽取得优越的原始预测精度，但其性能高度依赖数学补偿。所有黑箱模型均表现出预测偏差与内部抵消幅度之间的负相关。决策图分析显示，在接近基值的预测中轨迹呈锯齿状振荡，与物种实际污染敏感度无关；而在极端水质预测中轨迹基本单向，与IPS解释一致。方向有效性标准评估显示，SHAP值与生态预期方向的一致性平均仅为42.3%，且随物种常见度增加而下降。

3.6 KGBE框架在独立18S rDNA V4数据集上的应用

在韩国18S V4数据集中，未过滤基线几乎无信息量（R²=0.023，RMSE=4.223），KGBE框架将R²提升至0.356，RMSE降至2.476。在欧洲18S V4数据集中，基线R²=0.008，KGBE将其提升至0.142，RMSE从3.364降至2.519。虽然绝对预测性能低于rbcL训练基因，但观察到相对改善。

四、讨论与结论

本研究通过将既有生态指数公式本身纳入损失函数，克服了传统特征选择方法在eDNA扩增子数据中的结构性脆弱性。常规特征选择基于纯统计标准，在PCR偏差导致物种丰度人为膨胀时，线性模型中的系数估计可能直接受到尺度膨胀的影响。相比之下，KGBE框架通过加权平均生态公式的增量更新，在每次消除步骤中直接评估物种对指数预测误差的贡献，从而有效中和扩增噪声。

KGBE框架的核心优势在于其“玻璃箱”特性：输出仍然是既有的IPS指数，只是基于一个更精简的分子物种列表，保留了从业者熟悉的指示物种权重系统，同时利用eDNA数据的高通量能力。这使得输出可直接与既有生物指数比较，弥合了技术革新与监管要求之间的差距。研究还揭示了黑箱ML模型的高预测精度依赖数学补偿，其SHAP解释与生态预期方向的一致性有限，而KGBE框架提供了机制透明的物种选择路径。尽管在18S V4外部数据集上的绝对预测性能有限，但框架展现了一定的跨标记基因和跨地理区域的迁移能力，为eDNA宏条形码在常规水质监测中的监管应用提供了可行路径。该研究发表于《Environmental Science and Ecotechnology》。