基于机器学习模型的微藻生物质与脂质预测洞察：养分吸收、生物质表征及生物燃料应用

《Journal of Environmental Chemical Engineering》：Insight into microalgal biomass and lipid prediction via machine learning models: Nutrient uptake, biomass characterization and biofuel application

　　

• •
  T. obliquus GEEL-33实现了1.28 g L^-1的生物量产量。
• •
  T. obliquus GEEL-33可实现高达99%的氮去除率和92.9%的磷去除率。
• •
  FAME显示C16和C18脂肪酸在所有菌株中占主导地位。
• •
  PCA解释了微藻菌株间88.2%的方差。
• •
  SVM对干重和脂质含量的预测优于随机森林模型。

引言

微藻因其高生长速率、可观的脂质含量以及对多样化环境条件的适应性，已成为液态生物燃料生产有前景的原料之一[1]。微藻生物燃料由于其快速生长、高生物量产量、产品多样性以及易于从池塘或封闭光生物反应器系统中收获，作为传统化石燃料的可持续、环保替代品具有巨大潜力[2]。具体而言，微藻是微小的光合生物，相比传统原料具有诸多优势，能够高效地将太阳能转化为生物量，利用阳光、CO₂和微量元素（包括钾、磷和氮）[1]。与陆地作物（1-6 t ha^-1 yr^-1）相比，微藻在适宜的培养条件下可实现显著更高的生物量产量，范围为20-30 t ha^-1 yr^-1[3]。微藻生物成分（包括蛋白质、碳水化合物和脂质）占其总生物量的一半以上，并作为生物燃料合成的主要前体[4]。

微藻生物量中有限的木质素和半纤维素减少了预处理需求，从而提高了水解效率和提取过程。微藻不与农业用地竞争，每年每公顷可收获超过100吨生物量[2]。微藻对CO₂和营养物质的需求较高，可以容易地从烟道气和工业废水中同化，从而降低成本并减轻生态影响。在高生产力和多样化生长条件下具有适应性代谢的菌株，能够实现更高效、更简单的微藻培养[5]。温度、pH值、光照强度的波动以及拮抗作用显著影响微藻生物量产量。Chlorella sorokiniana和Tetradesmus obliquus积累脂质和碳水化合物，这使它们特别适合于集成生物炼制系统[6]、[7]。这些特征使微藻成为下一代生物燃料的有前景的原料。

微藻性能受多个相互关联的生理因素（如操作因素、生长动态、生理和生化因素）控制。因此，需要采用综合统计方法来阐明这些复杂关系[8]。这些方法有助于阐明生长行为、营养物质去除能力和生物量组成如何共同影响菌株效率和适应性。人工智能（AI），特别是机器学习（ML），已成为分析复杂生物和生物工艺数据集的变革性方法[1]。机器学习使计算系统能够从实验数据中学习模式并生成预测模型，而无需针对每种条件进行明确编程[8]。在微藻生物燃料领域，机器学习因其处理多维数据集和揭示培养变量与产品产量之间非线性关系的能力而受到广泛关注[1]。

近期研究已应用随机森林（RF）和支持向量机（SVM）预测微藻生产力和组成。SVM预测的氮去除率优于其他模型，达到了0.91的R²值[9]。决策树模型被应用于预测微藻生物量，取得了0.89的高R²准确性[10]。RF和SVR进一步被应用于预测Chlorella vulgaris连续培养中的生物量和碳水化合物产量，RF取得了最高的准确性（生物量R²=0.90，碳水化合物0.93）[11]。SVM和RF对生长和营养物质去除的预测表明，将厌氧废水稀释至2%可实现0.78 g L^-1的生物量和97.73%的磷去除率[12]。此外，还开发了一种ACO-RF混合框架，利用多光谱成像对C. vulgaris和C. sorokiniana的生物量进行估算，达到了0.96-0.98的R²值[13]。然而，以往研究主要集中在有限菌株、单一输出目标或特定培养系统。相比之下，本研究使用RF和SVM同时预测六种微藻菌株的干重和脂质含量，并辅以特征重要性和残差分析。这种多菌株、双目标的策略使本研究区别于以往的机器学习应用。

本研究评估了微藻生长动力学、营养物质去除能力和生化组成（如脂质、蛋白质和碳水化合物），以及所得生物量的灰分和全分析特性。还评估了脂肪酸甲酯（FAME）谱和预测的生物柴油特性。采用多变量技术（PCA和相关分析）来阐明生长模式、营养吸收和生物量组成之间的关系。构建机器学习模型，随机森林（RF）和支持向量机（SVM），预测干重和脂质含量，并使用性能指标来评估和比较模型的准确性。进行特征重要性和残差分析，以了解影响模型预测的具体变量以及模型对预测值与实际值之间偏差的拟合程度。

章节摘要

微藻菌株的生长动力学

六种微藻菌株，包括Micractinium reisseri GEEL-32、Tetradesmus obliquus GEEL-33、Tetradesmus obliquus var. spiraliformis GEEL-34、Tetradesmus reginae GEEL-35、Tetradesmus distendus GEEL-36和Parachlorella pringsheimii GEEL-37（表S1）。这些菌株是从巴基斯坦白沙瓦的一个分散式废水处理系统和中国的淅河塔海采集的水样中分离获得的。对所采集的水样进行了表征（表1），并无菌加入到

微藻生物量生产

所有微藻菌株均表现出干重的持续增长，表明在整个实验期间生物量持续积累（图1）。T. obliquus GEEL-33显示了最高的生物量，达到约1.28 g L^-1，其次是P. pringsheimii GEEL-37和M. reisseri GEEL-32，而T. distendus GEEL-36记录了最低的生长（图1）。在多个采样日观察到各菌株之间干重的显著差异（p<0.05）。指数生长期出现在

微藻生物量生产

本研究中观察到的生物量产量表明所测试菌株在受控条件下具有很强的适应性。先前已报道相关绿藻菌株的类似生物量水平，包括Desmodesmus sp.（1.0-1.53 g L^-1）、Asterarcys quadricellulare（1.44 g L^-1）和C. vulgaris（1.35 g L^-1），均在BBM中培养[28]、[29]、[30]。这种相似性表明，当前菌株的生物量产量在淡水范围内符合预期

研究的优点和局限性

当前研究的优点是通过结合生长性能、营养物质去除、生物量生化组成、脂肪酸谱分析和生物燃料相关特性以及多变量和机器学习分析，对六种微藻菌株进行综合评估。这种综合方法能够从多个互补角度评估菌株性能，而不仅仅基于生物量或脂质积累。使用三个独立的生物学重复以及

结论

微藻菌株表现出独特但互补的生长、营养物质去除和生化特征，凸显了其适用于生物能源和生物修复应用。T. obliquus GEEL-33 emerged作为特别有前景的菌株，结合高生物量产量与近乎完全的氮和磷去除以及有利的生化组成。FAME分析显示，C16和C18脂肪酸在所有菌株中占主导地位，其中棕榈酸、油酸和亚油酸

CRediT作者贡献声明

Xiangkai Li: 撰写–审阅与编辑、监督、项目管理、资金获取、形式化分析、数据整理、概念化。Pu Liu: 撰写–审阅与编辑、项目管理、资金获取、形式化分析、数据整理、概念化。Wajahat Ullah: 撰写–初稿、可视化、验证、软件、方法学、调查、形式化分析、数据整理。Maha A Alharbi: 撰写–审阅与编辑、可视化、项目

利益冲突声明

作者声明，他们不存在任何已知的竞争财务利益或个人关系，这些关系可能会影响本文所报告的工作。

致谢

本研究得到中央高校基本科研业务费专项资金（lzujbky-2024-ey12）的支持。本研究还得到沙特阿拉伯利雅得诺拉 Bint Abdulrahman 大学研究人员支持项目（PNURSP2026R182）的支持。这篇科学论文源自沙特阿拉伯研究与开发创新局（RDIA）资助的研究项目，项目编号为

Wajahat Ullah|Monika Sharma|Maha A Alharbi|Roba Alatawy|Maha Awjan Alreshid|El-Sayed Salama|Pu Liu|Xiangkai Li