机器学习辅助的基于自发荧光细胞分选的微藻与细菌共生体中胞外聚合物的快速鉴别与定量

《Environmental Science & Technology》：Machine-Learning-Assisted Auto-Fluorescence Cell-Sorting-Based Fast Differentiation and Quantification of Extracellular Polymeric Substances in the Microalgae and Bacteria Consortium

　　

摘要

胞外聚合物（EPS）在以微藻 - 细菌共培养体系（MBC）为基础的废水处理中至关重要。揭示 EPS 的作用取决于对 MBC 中微藻和细菌的 EPS 进行可靠且准确的区分、提取和定量。基于自发荧光的细胞分选（AFCS）结合热提取可以实现上述目标，但它耗时且成本高昂，并且在细胞分选过程中涉及不可忽视的 EPS 损失（0.4–3.9%）。在本工作中，使用 AFCS 结合热提取获得了一系列 MBC 中微藻（3.42 ± 0.14 mg/g TSS – 52.38 ± 0.47 mg/g TSS）和细菌（2.95 ± 0.17 mg/g TSS – 48.94 ± 0.21 mg/g TSS）EPS 的原始数据。应用机器学习回归模型进行微藻和细菌识别，以及 EPS 浓度模拟和预测。结果表明，基于加热前后 MBC 的总 EPS 浓度和荧光散射特性（通过流式细胞术获得），机器学习回归模型能够准确预测 MBC 中来自微藻（最近邻，R² = 0.975, P < 0.001）和细菌（极端梯度提升，R² = 0.953, P < 0.001）的 EPS 浓度，无需细胞分选或造成 EPS 损失。本研究提供了一种创新方法，可在无需物理分离 MBC 的情况下快速准确地定量微藻和细菌中的总 EPS，从而为深入分析废水处理过程中 MBC 内微藻和细菌的基于 EPS 的相互作用机制和功能调节奠定了重要基础。