《Bioresource Technology》：Integrating metagenomics and explainable artificial intelligence for modeling of food waste treatment using full-scale anaerobic digestion
编辑推荐：
厌氧消化（AD）利用食物废弃物（FW）生产甲烷，本研究通过11种AI模型评估FW厌氧消化的甲烷产量预测能力，发现优化后的1D-CNN模型表现最佳，并借助可解释AI（XAI）识别关键预测因子，如产甲烷菌Methanothrix的丰度，通过基因组分析验证了微生物群落的生态机制。
Junbeom Jeon | Hiep T. Nguyen | Geonhee Yeo | Changgee Lee | Si-Kyung Cho | Seungdae Oh
韩国庆熙大学工程学院土木工程系，龙仁市
摘要
厌氧消化（AD）是一种生物化学过程，能够将食物废弃物（FW）转化为甲烷，作为一种可持续的能源生产方式具有巨大潜力。尽管已经有多种尝试使用不同的数学模型来优化AD系统，但仍然需要更精确的建模方法来全面考虑AD过程的复杂性，这促使人们开始采用人工智能（AI）作为数值建模的替代方案。本研究测试了11种基于AI的模型，这些模型用于预测以食物废弃物为原料的全规模AD过程的甲烷产量。这些模型结合了操作参数、环境条件和微生物信息以提高预测性能，其中最精确的模型是一种具有优化超参数的一维卷积神经网络（1D-CNN）。随后，利用可解释人工智能（XAI）确定了对最优AI模型预测结果贡献最大的输入特征，从而实现了对模型的详细解释。Methanothrix被确定为甲烷产量的关键预测因子，而宏基因组分析提供了与XAI结果基本一致的独立基因组层面的证据。总体而言，本研究提出了一种新的方法来解释和优化AD性能，而不仅仅关注提高离散模型的预测能力。
引言
由于每年产生的食物废弃物（FW）量巨大，其处理成为许多国家面临的重大问题。例如，2022年全球产生了13亿吨FW（Nature Food, 2024），而2025年的美国食物废弃物报告指出，2023年美国产生了7390万吨FW，占美国总食物供应量的31%。加拿大每年也有大约58%的食物生产量以FW的形式损失（Withanage等人，2021年）。由于可持续发展目标（SDGs）要求到2030年将FW减少50%，包括英国和日本在内的多个发达国家已经实现了FW的显著减少。然而，FW仍占温室气体排放量的8-10%，并且占全球农业用地的30%，这意味着仍需对其进行严格管理（UNEP, 2024）。
作为解决环境问题的手段，FW已被用作可再生能源生产的能源。特别是由于其适宜的碳氮比和相对较高的含水量，FW成为生产甲烷的有用原料（Cie?lik等人，2025年）。将FW转化为甲烷最常用的技术是厌氧消化（AD），由于该过程依赖于微生物活动，因此比传统的焚烧或填埋方式更加环保（Xu等人，2018年）。目前全球有超过13万座CE设施在运行，2024年这些设施为电力生产贡献了超过21吉瓦的电量（Karki等人，2021年；可再生能源统计，2025年）。
虽然有许多尝试来优化AD过程，但大多数方法都是基于IWA厌氧消化模型No. 1（ADM1）。为了扩大ADM1的适用范围，人们对其进行了多种修改，包括扩大到试点规模以及考虑铵抑制效应（Li等人，2019年；Sun等人，2021年）。然而，其实际应用仍然受到限制，因为模型性能通常具有基质特异性，并且在AD初期阶段需要详细的原料特性分析（De Clercq等人，2020年；Kythreotou等人，2014年）。另一个重要限制是，原始的ADM1简化了AD系统中发生的复杂微生物相互作用（De Clercq等人，2020年）。尽管ADM1已经扩展以反映微生物群落内的功能冗余（Ramirez等人，2009年），但仅基于动力学的微生物描述不足以捕捉控制群落动态和过程韧性的根本生态机制，如微生物的选择和适应。
考虑到AD过程的复杂性（其中多个领域相互关联），需要一种智能建模方法来替代ADM1。数据驱动的模型可以在减少对大量实验试验依赖的同时，以可解释的方式识别影响AD性能的关键因素并捕捉非线性关系（Xu等人，2014年）。最近，基于AI的AD建模开始结合过程参数和微生物群落，从而提高了预测性能（Zhang等人，2023年）。例如，仅使用过程参数时的分类准确率从77%提高到了使用微生物群落时的82%（Long等人，2021年）。另一项研究使用可解释人工智能（XAI）研究了全规模AD系统中与甲烷产量相关的微生物因素。XAI分析显示了最大化甲烷产量的相对丰度范围，并揭示了这些关键微生物主要受微生物群落本身的影响，而非环境因素（Zhang等人，2023年）。然而，关键问题不仅仅是XAI是否能够生成这样的解释，而是这些解释是否可靠。在大多数AD研究中，模型比较和选择仍然主要依赖于预测准确性，而XAI的输出通常作为次要的解释结果呈现，而不是经过独立验证的假设（Gupta等人，2023年）。因此，基于XAI的AD过程解释的可靠性很少针对独立的生物学或机制证据进行评估。
为了解决这一限制，本研究采用了基于XAI的建模方法来理解以FW为原料的AD系统。高维输入特征包括来自定期AD采样和高通量测序的高质量生物数据及现实的过程参数。所提出的XAI建模流程基于先前研究中提出的框架（Oh等人，2025年）。与主要依赖16S rRNA测序进行群落分析的先前研究不同（Wang等人，2022年），本研究通过将基因组中心的宏基因组分析与XAI相结合，通过将读段映射到系统发育相关的参考基因组以及对与甲烷生产相关的基因水平覆盖模式的比较分析来扩展该框架。与主要强调预测性能的现有AD建模研究不同，这种方法通过独立的生物分子证据提高了模型解释的可靠性。
数据收集
本研究收集了位于韩国京畿道的一座全规模AD工厂从2023年3月29日至2023年10月10日的运行数据、环境数据和生物数据，其中包括从AD系统中收集的17个悬浮污泥样本。收集变量的定义见补充材料。化学需氧量（COD）、总固体（TS）和挥发性固体（VS）采用标准方法进行分析（Rice等人，2012年）。
全规模AD工厂的统计描述
该AD工厂的甲烷产量在补充材料中有详细说明。平均甲烷产量为0.81 ± 0.22 Nm3-CH?/kg-VS。与2022年该AD工厂的年平均甲烷产量（0.74 ± 0.14 Nm3-CH?/kg-VS）相比，当前采样期间的平均值表明该过程在长期运行中保持了相当的性能。一般来说，稳定的AD性能可以通过多个因素来定义，例如VFA/ALK比率低于0.4。
结论
本研究开发了一种基于AI的全规模AD建模方法，通过整合操作参数、环境条件和宏基因组信息来预测甲烷产量。纳入微生物数据提高了预测性能（R2 = 0.7590–0.8750），突显了生物信息对数据驱动AD建模的重要性。XAI技术用于识别影响甲烷预测准确性的关键参数，PDP分析提供了进一步的支持。
CRediT作者贡献声明
Junbeom Jeon：写作 – 审稿与编辑、撰写初稿、可视化、软件开发、资源管理、方法论设计、实验设计、数据分析、数据整理。
Hiep T. Nguyen：可视化、验证、软件开发、方法论设计、数据分析。
Geonhee Yeo：方法论设计。
Changgee Lee：写作 – 审稿与编辑。
Si-Kyung Cho：写作 – 审稿与编辑。
Seungdae Oh：写作 – 审稿与编辑、项目监督、项目管理、方法论设计、资金筹集、概念构思。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了韩国国家研究基金会（NRF）的资助（由韩国政府（科学技术信息通信部）提供，项目编号：RS-2024-00350751）。
