挥发性脂肪酸（VFA）是厌氧消化、酸化发酵及相关碳转化过程中的核心中间体。它们的积累通常先于酸化、产甲烷抑制、过程失衡和性能丧失（Sun et al., 2022; Jin et al., 2016）。在实际操作中，及时的 VFA 信息不仅对于回顾性化学分析有价值，对于在线诊断、风险预警和反馈控制也有价值（Choi et al., 2023; Nie et al., 2025）。气相色谱和高性能液相色谱仍然是 VFA 定量和定性分析的可靠方法，但两者本质上是离线的：它们需要采样、预处理、专用仪器和经过培训的操作员（Sun et al., 2022）。生化变化与分析确认之间的延迟限制了它们在高频监测和快速干预中的有用性。
微生物电化学传感（MES）通过电活性微生物的电信号响应，提供了一条根本不同的生化监测途径（Logan and Rabaey, 2012; Xue et al., 2024）。在微生物燃料电池（MFC）型系统中，底物代谢、胞外电子传递、界面电荷传输和电路输出是耦合的。因此，浓度信息不仅限于终端电压值；它也嵌入在信号发展的过程中，包括其早期上升、瞬态曲率、浓度依赖性分离和趋于稳定的过程。最近的研究证明了使用呼吸切换 MES 响应进行快速生化监测（Han et al., 2023），而动态生物传感器响应和时间分辨电流行为已被利用以在达到完整响应之前加速定量传感（Zhang et al., 2024b; Yan et al., 2024）。之前的 MES 研究也报道了厌氧消化及相关传感设置中的 VFA 或乙酸响应电信号输出（Jin et al., 2016; Jin et al., 2017; Jiang et al., 2019; Sun et al., 2019）。因为乙酸是这里唯一的靶分析物，实际问题是未完成的 MES 响应是否已经包含足够的定量信息用于早期乙酸预测。
当考虑生物和系统异质性时，这个问题变得更具挑战性。独立运行的生物阳极即使在相同底物条件下，也可能在信号幅度、响应动力学、氧化还原行为和阻抗方面存在差异（Zhang et al., 2024a）。在这个数据集中，每种菌株对应一个特定菌株的 MES 组，包含两个并行操作的物理反应器单元；将成对的浓度匹配轨迹取平均以定义用于建模的组级响应。因为菌株身份和 MES 组身份重合，组间变异代表与菌株相关的系统异质性，而不是孤立的菌株效应。这种变异可以重新缩放电压–浓度关系，并破坏从另一个系统学到的校准。因此，分组评估将来自一个 MES 组的所有浓度响应保持在一起，并询问从三个组学到的浓度相关结构是否能转移到完全留出的第四个组，避免当来自同一组的测量进入训练集和测试集时产生的乐观重叠（Roberts et al., 2017）。
机器学习非常适合这个问题，因为它可以捕捉多维电化学响应与生化目标之间的非线性关系（Giordano et al., 2023）。然而，在目前的 MES 设置中，核心问题不是哪种架构在小数据集上获得最高分，而是可转移的定量信息何时首次出现以及其来源如何随响应发展而变化。因此，三个问题指导分析：不完整的轨迹在多早的时候支持在新特定菌株 MES 组中的浓度预测？早期信息在不同响应规模和电化学状态的组间是否稳定？以及电压动力学与组级电化学背景之间的平衡是否随观察阶段而改变？回答这些问题需要完全的组级保留以及对每个响应成分贡献信息的匹配分析。
因此，在本研究中，分析围绕响应阶段而不是模型架构组织。LSTM-CC 被用作共同的分析骨干，结合基线校正电压动力学和归一化时间，以及八个动力学摘要和组级循环伏安法（CV）和电化学阻抗谱（EIS）描述符。完全嵌套的分组留一菌株（LOSO）验证在每个外部折中留出一个完整的特定菌株 MES 组。上下文可用性分析和匹配消融随后解决了每个信息源贡献随时间变化的方式，而替代模型族、固定种子分析和 Y 随机化测试了稳健性。在评估的终点中，可转移预测首先在 120 分钟时达到 RMSE 低于 1 mM，在 180 分钟时达到最小误差，并揭示了从动力学主导的早期预测到上下文辅助的高精度预测的阶段性信息转变。
