《Bioresource Technology》：Interpretable three-dimensional deep learning identifies and reveals the spatial Microstructure of multi-enzyme degradation of lignocellulose
编辑推荐：
该研究构建了微流控平台与可解释三维深度学习框架的集成系统，通过荧光显微成像分析多酶协同作用下的木质纤维素微结构演变规律，揭示酶解动力学的空间特征。DenseNet121-CBAM模型结合注意力机制有效捕捉了酶单独作用（表面降解）与协同作用（尺度状结构破坏、颗粒破碎及内部空心化）的差异，并通过SEM验证了模型预测的物理真实性。此非破坏性分析技术为生物质精炼中的酶解动态监测提供了新范式，特别适用于高 lignin 含量难降解材料（如梭梭木）的研究。
Ziyi Tie|Xianduo Meng|Cheng Chen|Chuncheng Xu|Sasa Zuo
中国农业大学信息与电气工程学院，北京100083，中国
摘要
由于缺乏空间量化和无损分析方法，人们对多酶木质纤维素分解的空间机制的理解受到阻碍。本研究建立了一个可解释的三维（3D）深度学习框架，并结合了微流控平台，用于表征在不同酶处理（包括纤维素酶、木质素过氧化物酶和漆酶）下木质纤维素的微观结构演变。使用共聚焦显微镜成像构建了标准化的微流控3D空间数据集，并用这些数据集训练了集成注意力机制的3D卷积神经网络。DenseNet121-CBAM模型在预测性能和泛化能力之间取得了最佳平衡。通过可解释人工智能（XAI）进行的可解释性分析有效地揭示了不同的空间降解特征。具体而言，单独使用纤维素酶处理仅导致表面级别的降解。相比之下，木质素分解酶破坏了木质素基质，形成了类似鳞片的改性结构，暴露了底层的纤维素骨架。关键的是，在多酶联合处理过程中，这种初始的木质素破坏增强了纤维素的可访问性，使得酶协同作用能够驱动广泛的片状结构变化、严重的颗粒破碎以及深层内部空洞化。此外，使用扫描电子显微镜进行的跨尺度验证证实了模型识别的微观结构的物理相关性。总之，这一低成本、无损的框架能够快速、自主地量化结构重塑过程，并为监测先进生物精炼厂中的酶降解动态奠定了坚实的基础。
引言
作为可持续生物精炼厂的主要可再生生物质资源，木质纤维素是一种由纤维素微纤丝嵌入半纤维素和木质素基质中的异质三维（3D）复合材料（Cosgrove等人，2012；Zhao等人，2012）。酶解是生物精炼厂中实现木质纤维素生物质价值化的基本策略（Saldarriaga-Hernández等人，2020）。酶的作用通常首先发生在可接触的表面和缺陷上，然后逐渐向内部进行（Arantes和Saddler，2010；Ren等人，2024；Sethupathy等人，2021）。这一过程主要由纤维素酶、半纤维素酶和木质素氧化酶组成的复杂协同体系驱动，并辅以辅助酶（Binod等人，2019）。尽管在优化酶混合物方面付出了大量努力，但多酶分解背后的空间机制尚未完全阐明（Gao等人，2023；Hu等人，2023；Zhang等人，2022）。
传统的分析方法，包括成分分析（Karimi & Taherzadeh，2016）、酶活性测定（Mansour等人，2016）、核磁共振（Foston等人，2016）和电子显微镜（Donohoe等人，2012），往往具有破坏性、劳动密集且成本高昂。虽然光谱仪允许进行原位测量，但它们通常提供的是整体平均数据，无法捕捉3D时空演变过程（Agarwal，2019）。最近的一些先进空间成像技术，如X射线微断层扫描（Blosse等人，2023）和红外光谱显微术（Jeoh等人，2024），显示出潜力；然而，它们的高成本和复杂的设置限制了其广泛应用。因此，需要一种经济高效且具有空间分辨率的策略。荧光显微镜和共聚焦激光扫描显微镜（CLSM）被广泛用于区分木质素和纤维素（Himmel等人，2007；Zhao等人，2012）。然而，现有文献主要关注强度-成分相关性（Auxenfans等人，2017）或局部攻击位点（Donaldson & Vaidya，2017），缺乏系统化的框架来量化多酶系统中的全局3D微观结构演变。此外，荧光观察通常仅限于二维（2D）成像，这本质上忽略了轴向信息，无法充分表示体积特征，如颗粒破碎（Blosse等人，2023；Jeoh等人，2024）。
为了克服这些分析瓶颈并解码3D数据集中捕获的复杂空间信息，深度学习的进步，特别是卷积神经网络（CNN），为从体积成像中提取高维信息和捕捉传统上难以量化的特征提供了有希望的框架（Ioannidou等人，2017）。然而，传统的CNN架构常被批评为“黑箱”，因为它们的预测性能并未本质上揭示模型决策的结构基础，限制了其在机制解释中的实用性（Singh等人，2020）。最近在可解释人工智能（XAI）和注意力机制方面的发展使得模型分析更加透明（Singh等人，2020）。诸如梯度加权类激活映射（GCAM）（Selvaraju等人，2017）和注意力模块等技术明确引导网络朝向信息丰富的特征（Woo等人，2018）。结合3D荧光成像，这种可解释的方法通过XAI对多酶系统进行分类并可视化其分解路径，从而在计算和生物学理解之间架起了桥梁。
可靠的模型可解释性分析需要严格最小化混淆变量的实验条件（Venkataramani等人，2024）。脱水、样品压缩、焦点漂移和不一致的基底定位的变化可能会掩盖真实的酶作用并误导数据驱动的模型。微流控平台提供了一个受控环境，用于限制木质纤维素基底的运动，保持水分，并在定义的空间内实现连续光学切片的可重复获取，确保观察到的差异主要源于酶的作用而非制备过程中的伪影。微流控技术已被用于木质纤维素水解的原位观察（Chandrasekar等人，2024；Jeoh等人，2024）。
在这项研究中，我们建立了一个与微流控平台集成的可解释3D深度学习框架，用于解码在纤维素酶、木质素过氧化物酶、漆酶及其组合处理下木质纤维素的微观结构变化。通过双通道共聚焦成像构建的标准化3D CLSM数据集使用带有注意力机制的3D CNN进行了分析。可解释性分析识别出与特定酶系统相关的独特空间结构特征，并通过扫描电子显微镜（SEM）进行了交叉验证。该框架表明，可以使用低成本的荧光信号快速获取信息，并且通过注意力机制显著提高信息提取的准确性。与传统依赖专家总结、主观性强且难以捕捉复杂纹理的成像方法不同，该模型可以自动提取和量化高维空间拓扑特征。这一集成框架提供了一种无损的超分辨率策略，用于揭示木质纤维素分解中的多酶协同机制，并为生物精炼过程中的酶系统检测和降解动态监测提供了实用的基础。值得注意的是，本研究中研究的木质纤维素来源于Caragana korshinskii Kom。这种广泛用于干旱地区生态恢复的木本灌木每年产生超过400万吨的修剪废弃物（Du等人，2024）。由于其高木质素含量和结构抗性，其降解特征本质上较为微妙，信噪比较低。成功识别出这种基质的复杂模式充分证明了该模型的高灵敏度和精确度。
章节片段
微流控芯片设计与制造
微流控芯片模板使用SolidWorks设计，并使用光聚合3D打印机（Whale 4，Nova，深圳，中国）制造。芯片是通过在65°C下将SYLGARD 184硅胶（Dow Corning，Midland，美国）以10:1（重量比）混合并固化12小时制成的。然后使用等离子清洗器（Harrick Plasma，Ithaca，NY，美国）将芯片粘接到0.1毫米厚的熔融石英盖玻片上。
原始木质纤维素材料处理
首先将干燥的C. korshinskii生物质在锤磨机中研磨。
标准化数据采集和数据集构建
微流控芯片的设计、制造和操作如图1A所示。构建了四个平行的微通道（0.1毫米×1.2毫米），以匹配CLSM的视野。通道宽度略大于成像窗口，以确保木质纤维素颗粒完全占据视野，通道和粘接玻璃基底的组合高度对应于轴向成像深度。入口和出口端口的尺寸根据Luer标准进行设计。
结论
本研究通过将微流控平台与可解释的3D深度学习相结合，建立了一个创新的无损分析框架，用于解码多酶处理下木质纤维素分解的复杂空间机制。通过使用共聚焦显微镜获取标准化体积数据集，我们证明了DenseNet121-CBAM架构在预测准确性和模型泛化能力之间取得了最佳平衡，有效克服了
CRediT作者贡献声明
Ziyi Tie： 研究。Xianduo Meng： 数据整理。Cheng Chen： 写作——审稿与编辑，资金获取。Chuncheng Xu： 资金获取。Sasa Zuo： 写作——审稿与编辑，资源管理，项目协调，资金获取。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。
致谢
本研究得到了中国研发计划[2022YFD1300902]和国家自然科学基金[U24A20446]的支持。
