基于可解释机器学习的盐渍废水活性污泥性能相关运行因素相对预测重要性识别

《Processes》：Operational Factors Associated with Saline Activated Sludge Performance: Insights from Explainable Machine Learning

　　

大量研究已探讨环境与工艺参数如何塑造活性污泥微生物群落组成。然而，在识别哪些运行和环境条件与污水处理性能相关的微生物组特征关联最强方面仍存在关键空白，尤其是在多变量同时且交互作用的真实运行条件下。本研究利用高通量宏转录组（metatranscriptomic）数据，结合基于机器学习（machine learning）的特征选择，识别与去除性能最高对应的活性污泥微生物组结构相关的最具信息量的实测工艺和环境参数。与依赖受控实验室重复条件实验的传统方法不同，该方法能够分析复杂的全规模（full-scale）系统而无需大量实验重复，从而捕捉真实污水处理过程的内在变异性。研究人员使用来自一座盐渍废水处理厂（saline wastewater treatment plant）的数据——该厂此前已被证明受益于具有高功能基因多样性和均匀度的微生物群落——评估了实测运行变量的相对重要性。采用重复10折交叉验证（repeated 10-fold cross-validation）的随机森林（Random Forest）模型进行递归特征消除（Recursive Feature Elimination），识别出鼓风机运行负荷（blower operational load）、混合液悬浮固体（mixed liquor suspended solids, MLSS）和温度（temperature）为所评估运行和环境变量中功能基因多样性最具信息量的预测因子。

活性污泥（activated sludge，污水处理中由微生物形成的生物絮体）微生物组是污水处理厂（wastewater treatment plants, WWTPs）有机物降解、营养物去除和污染物降解的功能核心。温度、pH、溶解氧、水力停留时间、曝气、有机负荷和生物量浓度等环境与运行参数均会影响其结构与功能。已有研究多采用实验室反应器一次操纵一个或少数因素，可解析单因素效应；但全规模WWTPs中进水组成、负荷、曝气、温度、生物量浓度和其他工艺条件同时变化，已知某变量有影响并不等于其在多变量同时波动时具有较高相对预测重要性。宏转录组（metatranscriptomics，直接测序活跃表达的RNA）比16S rRNA基因测序或宏基因组更接近微生物功能活动，但全规模、尤其工业盐渍废水处理系统的宏转录组数据仍较稀缺。该研究针对的关键空白是：在真实全规模运行条件下，哪些实测运行和环境变量对与处理性能相关的微生物组功能特征具有最大相对预测信息。此前该盐渍废水处理厂数据表明，高功能基因多样性（functional gene diversity）和均匀度与去除效率正相关，因此研究人员以功能多样性作为响应变量开展分析。

研究人员利用荷兰Oosterhorn盐渍废水处理厂2014—2017年跨度两年四个月的32个活性污泥宏转录组样本及配套物化与运行测量，采用DIVE（Diversity-Informed Valuation of Ecosystem Functioning）框架连接微生物组结构与生态系统功能，并将非稀释Gini-Simpson多样性指数作为响应变量；随后以可解释机器学习（explainable machine learning）框架进行特征选择与变量重要性分析。结论为：在所评估预测变量中，鼓风机运行负荷（以最大容量百分比表示）、混合液悬浮固体（mixed liquor suspended solids, MLSS）和温度是功能基因多样性最具信息量且最简约的预测因子；模型解释方差有限，排序仅表示实测预测变量集合内的相对重要性，不建立因果效应或系统级主导。其意义在于提供数据驱动框架，在复杂真实运行数据中优先候选变量，并补充而非替代受控实验。

关键技术方法（不超过250字）：样本队列来自荷兰Oosterhorn盐渍废水处理厂（SWWTP；2014—2017年，32个活性污泥宏转录组样本，并配套物化与运行测量）。研究人员基于生物多样性—生态系统功能（biodiversity-ecosystem functioning, BEF）理论采用DIVE框架，选取非稀释Gini-Simpson多样性指数为响应变量；对运行、进水水质和污泥变量进行Pearson相关（|r|>0.7）与方差膨胀因子（Variance Inflation Factor, VIF；<2.5）筛选，并将不同频率测量按周平均协调；采用递归特征消除（Recursive Feature Elimination, RFE）以随机森林为基学习器，重复10折交叉验证5次、500棵树，以均方根误差（Root Mean Square Error, RMSE）评价，并以置换重要性排序；另用bagged trees结合留一交叉验证（Leave-One-Out Cross-Validation, LOOCV）验证稳健性。

3. Results and Discussion（原文该部分未设二级小标题，以下按段落主题概述）。探索性数据分析：研究人员对原始数据生成自动化探索性数据分析（exploratory data analysis, EDA）报告，包含描述统计、缺失模式、直方图、Q-Q图与主成分分析，发现不同数据集采样频率不一致（在线测量为小时级、甲醇和甘油负荷为日级、进水水质为不规则间隔）并与微生物采样时间错位，提示需预处理与数据协调。共线性分析：Pearson相关分析显示总需氧量、生物需氧量和化学需氧量强相关，电导率与Na、Cl浓度强相关；氮形态中NH₄与N_kj的强关系被单一极端异常值掩盖，结合配对图后才识别；温度、进水总磷和污泥负荷间相关性弱，均保留；鼓风机运行负荷与曝气体积强相关，因鼓风机负荷为可直接控制参数而保留。数据协调：将不同频率测量按对应日历周平均，以形成与微生物样本的共同时间参照；作者指出周平均可能掩盖短时扰动、可能包含采样后观测，不能建立暴露先后或因果。多重共线性控制：删除含缺失数据的变量并使平均VIF<2.5，形成分析就绪数据。RFE与随机森林：重复10折交叉验证的RFE显示三预测因子模型平均交叉验证RMSE最低，但与其他较大模型差异小且RMSE分布重叠，故选最简约三特征模型；Gini-Simpson指数范围为0.049—0.988（均值0.604，标准差0.271），最终模型袋外RMSE约0.264、解释5.5%的观测方差；置换重要性依次为鼓风机运行负荷、MLSS、温度。稳健性检验：改用bagged trees与LOOCV的RFE识别单一预测因子鼓风机运行负荷，两种配置均支持其最高排序，但保留特征数依赖建模框架；该结果支持相对预测重要性的一致性，不表示鼓风机运行负荷解释大部分功能转录多样性变异。过程解释：鼓风机运行负荷反复入选与曝气调节氧可利用性和微生物活动的已知作用一致，可作为该数据集中曝气条件变化的运行代理。

讨论部分强调，RFE排序是实测预测变量集合内的相对预测重要性，而非因果效应或系统范围主导；全规模系统功能多样性可能受众多实测与未测环境、运行、生态和时间因素共同影响，解释方差低限制预测范围但不单独推翻相对排序；不同基学习器和重采样策略下鼓风机运行负荷均居首，支持其相对排序稳健性，但保留特征数对建模框架敏感；采样设计应与建模问题匹配，测量时间、频率和平均窗口应匹配生物响应时间尺度，尤其需要同步微生物与工艺测量以区分短期响应与较宽运行关联。

研究结论翻译：本研究表明，将高通量宏转录组数据与基于机器学习的特征选择相结合，可提供一个探索性框架，用于识别并比较排序全规模盐渍废水处理厂中与活性污泥微生物组功能特征相关的实测环境与运行变量。递归特征消除识别出以最大容量百分比表示的鼓风机运行负荷、混合液悬浮固体和温度为所评估预测因子中对功能多样性具有最大相对预测重要性的变量。鉴于解释方差比例有限，这些排序反映的是在实测预测变量集合内的相对重要性，而非任何单一变量主导微生物组行为的证据。该框架为检查真实运行条件下产生的复杂数据集提供实用手段，其中环境变量、运行设置、进水特征和微生物群落状态同时变化。它为假设驱动研究优先排序候选变量，并补充而非替代受控实验。所识别关系仍为关联，不建立因果机制。一个核心教训是采样设计应以建模问题为导向。测量时间、频率和平均窗口应与所研究的生物响应时间尺度和关系相匹配。尤其需要同步的微生物与工艺测量，以区分短期响应与更广泛的运行关联。将分子数据与可解释机器学习整合，可指导后续机制研究，前提是结论与采样设计和模型解释能力保持一致。