**基于漫反射光谱原位预测光养生物膜组成成分的评估研究**

《ACS ES&T Engineering》：Evaluation of Diffuse Reflectance Spectroscopy for Prediction of In Situ Phototrophic Biofilm Composition

　　

本研究评估了漫反射光谱法（diffuse reflectance spectroscopy, DRS）作为一种原位监测手段的可行性。研究人员利用可见-近红外光谱建立了偏最小二乘回归（partial least squares regression, PLSR）模型，用于预测光养生物膜中的脂肪酸甲酯（fatty acid methyl esters, FAME）、挥发性固体（volatile solids, VS）、灰分及碳水化合物含量。与以往多采用干燥生物质或纯藻培养物的研究不同，本研究直接对生长于中试规模旋转藻类生物膜（revolving algal biofilm, RAB）系统上的湿态原位生物膜采集光谱数据，该系统处理实际废水。尽管面临混合物种、湿态及原位生物膜等复杂条件，FAME的PLSR模型仍取得了中等预测性能（归一化均方根误差NRMSE：10%；残差预测偏差RPD：2.3），表明该模型具备在该类运行条件下分辨脂质含量相对差异的潜力。而VS、灰分和碳水化合物的模型预测性能不足以满足实际应用需求（NRMSE：13–14%；RPD：1.1）。当使用季节差异显著的数据集进行模型校准与验证（如以夏季数据训练、秋季数据测试，反之亦然）而非合并混合季节数据集时，预测精度显著下降，凸显了季节性变异的影响，以及建立更大规模、更多样化校准数据集和定期重新校准的必要性。研究结果表明，DRS是一种有望用于湿态光养生物膜FAME成分无损监测的工具，但在实现可靠的长期现场部署之前，仍需在更广泛的运行条件下进行模型开发与验证。

**论文解读：基于漫反射光谱原位预测光养生物膜组成成分的研究**

**一、研究背景与现存问题**

微藻培养在肥料、动物饲料、药品及生物燃料等多个领域具有广阔的应用前景，其中生物燃料因其可再生性而备受关注。目前，商业规模的微藻培养主要采用跑道池或封闭式光生物反应器等悬浮生长系统，但这些系统普遍存在土地和水资源占用大、收获与脱水过程能耗高等问题。生物膜培养作为一种新兴替代技术，使藻类附着于固体表面生长，其生物质固体含量更高，收获更高效，水需求更低，脱水能耗更少。然而，要充分发挥生物膜系统的潜力，必须依赖可靠的过程监测与控制。与悬浮生长系统可利用光学密度或浊度等技术进行快速监测不同，生物膜的结构特性使其原位监测面临天然挑战。现有的生物膜生产力与组分测定方法多为破坏性、劳动密集且耗时的方法，需要采集样本并进行复杂的实验室分析。因此，开发非破坏性的原位监测技术，对于深入理解生物膜动态变化、实现快速运营响应及减少测试造成的生物产物损耗具有重要意义。

**二、研究内容与结论**

针对上述问题，研究人员开展了一项评估研究，旨在探索漫反射光谱法作为光养生物膜原位成分监测工具的可行性。研究对象为美国爱荷华市水资源回收设施内中试规模旋转藻类生物膜系统上自然生长的混合培养光养生物膜，该系统处理厌氧消化滤液。研究人员利用可见-近红外光谱仪直接采集湿态原位生物膜的漫反射光谱，并建立了PLSR模型，用于预测生物膜中FAME、VS、灰分和碳水化合物含量。研究结果显示，FAME预测模型表现最佳，取得了中等预测性能，能够分辨样本间脂质含量的相对差异。而VS、灰分及碳水化合物的模型预测能力不足以满足实际应用。此外，当使用季节性差异显著的独立数据集进行跨季节训练与测试时，模型预测精度急剧下降，表明季节变化对模型适用性的强烈影响。该研究的意义在于首次在真实废水环境下的湿态混合物种生物膜上验证了DRS用于FAME原位监测的可行性，为生物膜培养系统的过程监控提供了一种潜在的非破坏性工具，同时指出了实现长期可靠部署所需解决的关键问题，即需要更大规模、更多样化的校准数据集以及定期重新校准策略。

**三、关键技术方法**

研究人员采用的主要技术方法包括：可见-近红外漫反射光谱采集、PLSR建模、Whittaker平滑滤波预处理、留一日期交叉验证法以及变量重要性投影（Variable Importance in Projection, VIP）分析。样本来源于中试规模RAB系统，该系统包含四个串联运行的水池，总带面积为600 m2。生物膜样本于2025年6月至7月及11月共六个采样事件中采集，共获得66个FAME和碳水化合物样本及64个VS和灰分样本。生物质组分分析由国家落基山实验室完成。光谱预处理仅基于训练集拟合，交叉验证按采样日期分组进行，以避免同一样本日期的数据同时出现在训练集和验证集中。

**四、研究结果**

**FAME预测结果**：研究期间FAME含量范围为1.75–5.66% AFDW，低于纯绿藻培养物的典型报道值，这可能与混合物种群落特征、废水中悬浮颗粒物的稀释效应及不利的废水条件有关。统计分析表明，季节和带位置均显著影响FAME含量，且两者存在显著交互作用。PLSR模型采用1–2个潜变量，经留一日期交叉验证后，预测R2为0.81，NRMSE为10%，RPD为2.3，表明模型具备分辨相对差异的能力。VIP分析显示，近红外区域的1100–1200 nm和1350–1450 nm波段以及可见光区的“红边”区域对模型贡献较大，前者与脂质C–H键吸收带重叠，后者则可能与叶绿素含量或光合生物量变化间接相关。

**VS、灰分和碳水化合物预测结果**：VS和灰分含量在采样期间呈现较大波动，且两者的带位置效应显著，并存在季节与带位置的交互作用。碳水化合物含量在带间呈一致性递增趋势，且相关性强于VS和灰分。然而，三个组分的PLSR模型预测性能均不佳，VS模型的验证R2为0.19、NRMSE为13%、RPD为1.1；灰分模型R2为0.16、NRMSE为13%、RPD为1.1；碳水化合物模型R2为0.18、NRMSE为14%、RPD为1.1。VS模型的低性能可能归因于其化学非特异性，即VS代表多种有机组分的总和，缺乏一致的光谱特征。灰分模型性能与VS相近，符合两者互补的反比关系。碳水化合物模型性能受水干扰影响显著，因为碳水化合物与水的O–H键吸收带重叠。

**跨季节模型性能**：当模型使用夏季数据训练并测试于秋季数据（或反之）而非使用混合季节数据集时，预测性能大幅下降，部分模型的R2出现负值，表明模型预测效果甚至不如直接使用平均值。这一结果反映了季节间群落组成和生物膜基质特性的显著变化。

**五、讨论与结论**

讨论部分指出，FAME模型在湿态混合物种生物膜上仍能实现中等预测精度，这得益于脂质中C–H键在近红外区具有相对可分辨的光谱特征。然而，模型对可见光区及水吸收带的依赖也提示了潜在风险，即模型可能依赖于与FAME间接相关的协变特征，若环境条件改变这种关联，模型的可移植性将受到影响。VS、灰分和碳水化合物的低预测性能分别归因于化学非特异性、缺乏直接光谱对应及水的强干扰。跨季节测试的失败强调了季节性群落演替对模型有效性的显著影响，说明了构建涵盖多季节、多条件校准数据集的必要性。

研究结论明确指出，DRS能够在无需样品制备或干燥的情况下，于常规运行条件下预测湿态混合物种光养生物膜中的FAME组成，其预测精度足以分辨同一采样时段内的相对差异。相比之下，VS、灰分和碳水化合物的模型尚不能用于运营筛选。研究同时强调，实现可靠的长期现场部署仍面临挑战，未来需要更大、更多样化的训练数据集来开发稳健且可推广的模型。