《TRENDS IN Microbiology》：Applications of machine learning in microbial source tracking
编辑推荐：
微生物广泛分布于极地冰盖、深海热液喷口、土壤、大气及动植物宿主等各类生境中，因其分布广度、物种多样性及对环境的敏感性，众多微生物类群可作为可靠的生物指示物。微生物溯源（MST）已成为推断微生物起源及跨环境扩散的核心框架，最初用于通过宿主特异性或宿主关联性微生物
微生物广泛分布于极地冰盖、深海热液喷口、土壤、大气及动植物宿主等各类生境中，因其分布广度、物种多样性及对环境的敏感性，众多微生物类群可作为可靠的生物指示物。微生物溯源（MST）已成为推断微生物起源及跨环境扩散的核心框架，最初用于通过宿主特异性或宿主关联性微生物指示物识别环境中微生物污染的来源，后续应用逐步拓展至公共卫生与食品安全领域，用于识别污染源并推断传播路径。尽管流行病学应用同样重要，但本研究未对其展开详细讨论，因其主要聚焦于高传染性人类病原体。
传统微生物溯源方法（如粪便指示菌检测中的粪大肠菌群与链球菌比值法）虽为污染源识别提供了实用路径，但受限于培养依赖性、低通量及分类分辨率不足等缺陷。高通量测序技术部分克服了上述局限，推动了基于群落的分析方法发展，例如集成交互式微生物鉴定与溯源（MIST）系统。然而，测序数据的爆发式增长带来了新的挑战，尤其是从海量复杂数据集中识别特定类群并重建迁移路径的难度显著提升。
与此同时，人工智能（AI）尤其是机器学习（ML）在多学科领域的应用日益广泛。机器学习擅长高维数据分析、模式识别及预测建模，为突破微生物溯源的分析瓶颈提供了重要潜力。随机森林（RF）、人工神经网络等方法已成功应用于关键物种识别及群落结构预测，标志着微生物生态学领域对机器学习的采纳度不断提升。
本综述系统梳理了人工智能技术（尤其是基于机器学习的工具）及微生物溯源领域的最新研究进展。研究人员重点阐述了这些方法如何优化大规模复杂微生物数据集的分析流程，提升信息性群落特征的识别能力，增强溯源结果的准确性与可解释性，从而为构建更可靠的微生物溯源框架提供支持。
微生物溯源：传统方法与基于机器学习的方法
微生物溯源方法的发展源于19世纪以来对粪便污染的长期关注，此类污染与海滩关闭、贝类禁捕、肉制品及水道污染等事件密切相关，造成了显著的经济与公共卫生负担。1854年，John Snow证实霍乱等肠道疾病主要与受粪便污染的饮用水相关；1881年，Angelina Fanny Hesse提出以琼脂作为细菌培养基凝固剂，大幅提升了微生物分离培养的稳定性；随后Escherich发现大肠杆菌为粪便中优势菌群，确立了微生物作为污染指示物的地位。微生物溯源由此发展为利用宿主特异性及宿主关联性微生物指示物识别水体粪便污染源的框架。
传统微生物溯源方法随微生物学、分子生物学及测序技术的进步逐步演进，依据技术策略可分为培养法、表型法及基因型法。20世纪后期，环境监测主要依赖大肠菌群、肠球菌等指示菌评估粪便污染及卫生风险，但其源特异性不足，难以满足精准溯源需求，逐步被认识到存在局限性。随着微生物组技术的发展，微生物溯源已超越单一指示菌检测范畴，转而利用微生物群落组成的差异推断样本的环境起源、地理来源或扩散模式。
培养法微生物溯源通过分离诊断类群识别潜在污染源。早期采用的粪便指示菌及粪大肠菌群与链球菌比值法受限于特异性低及环境再生效应。后续开发的宿主关联性指示物（如反刍动物源Rhodococcus coprophilus、人源山梨醇发酵双歧杆菌）提升了源判别能力，但培养法仍受限于环境样本中目标生物丰度低、生长周期长及培养条件严苛等问题，应用范围受限。
表型法微生物溯源依据可观测的微生物性状或源关联性化学标记推断污染源。抗生素抗性指纹分析、碳源利用分析及磷脂脂肪酸分析可提供源特异性信息，但需繁琐的实验室操作及全面的参考库支持。其中抗生素抗性指纹分析易受基因水平转移引入的偏差影响；粪便甾醇、咖啡因等化学示踪剂虽无需微生物参考库，可指示人为输入，但源特异性有限，且仅与微生物污染间接相关，易导致源误判。
基因型法微生物溯源依据微生物DNA特征进行源判别，包括核糖体分型、脉冲场凝胶电泳、扩增片段长度多态性分析、rep-PCR、末端限制性片段长度多态性及多位点序列分型等技术。此类方法较表型法具备更高的遗传分辨率，但部分技术仍存在通量低、流程耗时、近缘源判别分辨率不足、重复性欠佳或依赖标准化参考数据库等局限。为克服上述缺陷，研究人员逐步探索宿主关联性分子标记，例如Bernhard等鉴定了人特异性拟杆菌16S rRNA基因片段并开发了定量PCR（qPCR）引物用于人源粪便溯源；基因组片段富集技术也识别了牛特异性标记用于PCR验证。然而，分子标记的性能易受温度、盐度依赖的降解及环境样本中目标序列低丰度的影响，导致分析灵敏度下降。测序技术的进步进一步推动了基于共享操作分类单元（OTU）的群落分析方法及MIST系统等工具的发展，但此类方法高度依赖测序质量与参考数据库完整性，且在源判别类群丰度较低时性能下降。
过去20年，微生物溯源领域研究产出增长约6-7倍，总引用量提升近30倍，广泛应用于水质评估、公共卫生保护及诉讼与法医调查等领域，研究主要集中于环境科学、微生物学及水资源领域，同时拓展至环境工程、公共卫生及食品科学。研究方法正从培养法、表型法及标记法向高通量测序与计算溯源框架转变，为基于机器学习的方法奠定了技术基础。
机器学习作为人工智能的子领域，旨在从大规模异质数据集中自动学习特征与模式以支持预测与决策，区别于依赖人工编码规则的传统软件系统。高通量测序技术的快速发展推动环境微生物组数据呈指数级增长，使微生物多样性表征更为深入。在此背景下，机器学习及相关计算方法可从复杂群落谱中提取判别性微生物特征，用于区分不同来源、生境或地理起源。
当前基于机器学习的方法主要利用高通量测序获得的微生物群落谱，包括标记基因扩增测序（如16S rRNA基因）及鸟枪法宏基因组学数据。不同工具与算法在方法学基础、输入数据、输出类型及适用场景上存在显著差异。SourceTracker基于贝叶斯混合模型估计已知源群落对汇样本的贡献比例；快速微生物溯源期望最大化算法（FEAST）采用期望最大化（EM）框架，可更高效地完成大规模源比例估计；基于环境选择的微生物溯源（STENSL）利用稀疏正则化在存在大量候选源或干扰源时识别相关源；随机森林（RF）作为监督机器学习算法，在源类别明确且以分类为核心目标时表现优异；近期发展的本体感知神经网络用于微生物溯源（ONN4MST）则专为处理大规模微生物数据集及分层源标签设计。
随机森林适用于源分类任务，其通过集成多棵决策树降低过拟合风险，对噪声、缺失值及不同数据类型（包括扩增子与宏基因组测序谱）具备鲁棒性。一项食品相关研究中，随机森林追溯单核细胞增生李斯特氏菌（Listeria monocytogenes）食品来源的准确率达0.72，优于支持向量机（0.61）与梯度提升模型（0.70），是预定义源类别判别的实用选择。
SourceTracker是源比例估计领域应用最广的框架之一，具备高灵敏度及建模未知源的能力。一项双盲研究中，其在34份浓度范围为0.025%-10%（v/v）的混合样本中识别准确率达91%。但其贝叶斯采样框架计算成本较高。FEAST以EM算法替代马尔可夫链蒙特卡洛（MCMC）采样，计算速度较SourceTracker提升30-300倍，同时保持较高估计精度，适用于大规模数据集的高通量分析。STENSL作为FEAST的稀疏扩展，在存在大量无关候选源时表现突出，其结合EM框架与L1正则化，可自动执行稀疏源选择，降低非贡献源的噪声干扰，在候选源数量庞大且人工预选不可行时具备显著优势。
ONN4MST与上述方法的核心差异在于其面向超大规模、本体感知的微生物溯源设计，其结合随机森林的特征选择与深度学习模型，同时解析分类组成与生境间的层级关系，在大规模数据集上分类准确率达0.99，受试者工作特征曲线下面积（AUC）达0.999，实现了亚百万级微生物群落样本的超快速溯源，为跨数百个生态位的源判别提供了高效工具。
微生物溯源应用已从描述性源识别向污染控制决策支持框架、地理来源推断、食品安全管理及法医调查拓展，但其可靠性高度依赖参考数据库、验证标准及应用场景特异性约束。静态的源-汇关系假设在汇群落受生态演替、微生物互作及环境过滤重塑时可能失效，凸显了构建基准数据集与过程导向机器学习框架的必要性。当前研究仍面临模型可解释性不足、生态动态过程复杂及缺乏明确真值与评估标准的基准数据集等挑战，下一代人工智能（尤其是深度学习）有望推动构建更稳健、智能的微生物溯源体系。
