《Water Research》:Artificial intelligence-enhanced machine learning model improves microbial community analysis of anaerobic digestion systems
编辑推荐:
•一种由大语言模型辅助的框架实现了微生物生活方式的预测。•16S rRNA基因中的K-mer模式可准确预测微生物的需氧偏好。•该框架能够区分外源活性污泥(AS)种群与厌氧消化(AD)微生物组。•过滤来源于AS的序列改善了对AD群落结构的解释。引言从16S rRNA基因序列中准
- •
一种由大语言模型辅助的框架实现了微生物生活方式的预测。
- •
16S rRNA基因中的K-mer模式可准确预测微生物的需氧偏好。
- •
该框架能够区分外源活性污泥(AS)种群与厌氧消化(AD)微生物组。
- •
过滤来源于AS的序列改善了对AD群落结构的解释。
引言
从16S rRNA基因序列中准确识别微生物功能性状,在工程生态系统和自然生态系统中的微生物生态学研究中始终是一项持久挑战。虽然扩增子测序为微生物群落分析提供了高通量框架,但这些数据的功能解释通常依赖于通过系统发育定位或映射至FAPROTAX和PICRUSt2等功能性状数据库进行的间接推断(Djemiel等,2022;Louca等,2016;Wright和Langille,2025)。FAPROTAX基于分类单元与功能之间的关联来分配生态功能,而PICRUSt2则通过系统发育定位来预测功能潜力(Liu等,2021;Srivastava等,2024)。尽管这些方法在广泛的功能分析中已显示出实用性,但它们在处理好氧和厌氧代谢生活方式等性状时往往受到限制,因为这些性状在系统发育中分布不均匀,或在现有的参考基因组和性状数据库中代表性不足(Bizzotto等,2024;Hackmann等,2026)。少数工具(例如Bac2Feature)试图通过从16S rRNA基因序列推断氧气偏好来弥补这一空白,但对某些细菌类群的预测准确性仍不一致(Fujiyoshi等,2025)。这些局限性凸显了对能够更可靠地从广泛可用的16S rRNA基因序列推断微生物代谢生活方式的补充方法的迫切需求。
机器学习通过直接从大规模微生物数据集构建预测模型,提供了一种强大的替代方案。更广泛地说,人工智能和机器学习越来越多地被应用于废水处理系统,以分析复杂的微生物系统并支持数据驱动的研究与管理(Huang等,2021;Majumdar等,2026)。在废水处理研究中,这些方法已成功用于监测微生物代谢状态(Lu等,2026)、优化微生物活性(Yu等,2026;Zhang等,2026)、预测和控制反应器性能(Lv等,2026;Nie等,2025),以及利用图卷积网络对微生物动态进行建模(Kim等,2025)。然而,专门用于预测微生物代谢生活方式的模型通常依赖于全基因组信息的可用性(Koblitz等,2025;Wan等,2025;Weimann等,2016)。虽然基于基因组的方法对于分离细菌菌株和高质量宏基因组有效,但由于测序成本高且基因组覆盖不完整,对于废水处理过程中存在的大量多样且未能培养的微生物来说并不实际。相比之下,直接基于16S rRNA基因序列构建的机器学习框架可能为群落水平的代谢生活方式预测提供了一种可及且可扩展的替代方案。然而,其潜力尚未得到充分探索,尤其是在优化模型准确性和可扩展性方面。
大语言模型(LLM)(例如ChatGPT和Gemini)的最新进展为从大量生物学文献中自动提取知识开辟了新的可能性(Ille等,2024)。尽管前景光明,但这些语义能力与基于序列的机器学习框架的协同整合在功能微生物组研究中仍很大程度上未被探索(Mitchell等,2025)。在本研究中,我们使用ChatGPT API基于属水平的元数据高效地注释微生物的偏好生长环境,因为属水平信息通常能提供可靠的分类学归属并表现出相对一致的生态偏好。这些由LLM生成的注释与全长16S rRNA基因序列相结合,开发了随机森林模型,用于直接从序列组成预测偏好生长环境。我们使用独立测试集、分类学未解析的序列以及环境调查中常见产生的部分扩增子,严格评估了模型的稳健性和泛化能力。
最后,为展示所开发框架的实际应用价值,我们将模型应用于厌氧消化(AD)微生物群落。AD代表了一种用于废弃污泥稳定和生物能回收的可持续策略(Badra等,2025)。它依赖于复杂的微生物联合体来分解由上游AS过程产生的废弃活性污泥(AS)中所含的有机物(Alvarado等,2022)。这些微生物群落在应对反应器运行条件时表现出复杂的种间相互作用和动态的组成变化,最终驱动污泥降解和甲烷生成(Hellwig等,2026;Huang等,2026;Xiao等,2024)。虽然16S rRNA基因测序是分析AD系统的标准方法,但数据集经常受到上游AS来源微生物检测的干扰(Jiang等,2021;Kirkegaard等,2017)。由于这些迁移微生物在AD系统中大多处于不活跃或死亡状态且缺乏功能相关性(Mei和Liu,2022),它们的出现可能引入噪声,从而偏倚生态学解释。在本研究中,我们证明LLM增强的机器学习模型可以有效识别这些AS特异性微生物,并促进下游的β多样性群落分析,揭示AD系统在不同运行条件或扰动下更为准确的种群动态视图。
章节摘要
16S rRNA基因数据集
MiDAS 16S rRNA基因数据库(
https://midasfieldguide.org,v5.3)被用作注释、模型训练和模型验证的主要参考数据集。该数据库提供了高质量、生态系统特异性的分类学信息,源自对AS和AD系统全长16S rRNA基因序列的全球性广泛调查。总共,该数据库包含51,197条至少分类到属水平的全长16S rRNA基因序列。
使用ChatGPT API注释偏好生长环境
ChatGPT API(OpenAI REST API
开发LLM增强的机器学习模型以推断微生物的环境偏好性状
模型开发过程包括两个部分。第一部分研究了LLM能否仅基于属名可靠地推断微生物在好氧、厌氧/产甲烷或兼性条件下的偏好生长环境(图1A)。使用标准化提示词,通过ChatGPT API查询了涵盖45个门的1,291个属的生长条件,覆盖了来自MiDAS数据库的51,197条全长16S rRNA基因序列(图S1A)。该查询
讨论
准确预测微生物代谢生活方式对于增强我们对微生物在微生物生态系统中特性、功能和作用的理解至关重要。以往研究主要从基因组来源的蛋白质特性推断微生物代谢生活方式。例如,基于蛋白质功能概况的朴素贝叶斯分类器对好氧菌和厌氧菌的预测准确率超过80%,但对兼性细菌的预测准确率仅为35%(Edirisinghe等
结论
本研究证明,使用整合的LLM和机器学习框架可以直接从16S rRNA基因序列可靠地推断微生物的偏好生长环境。LLM辅助注释能够实现属水平性状分配的一致性,并促进微生物性状数据库的高效整理。所获得的模型在独立序列数据集上表现出稳健的泛化能力,证明了其对多样微生物输入的可靠性。当
CRediT作者贡献声明
Youshuai Fang:写作—初稿撰写、数据整理、可视化。 Weiqin Ma:数据整理、可视化。 Wen-Tso Liu:概念设计、写作—审阅与编辑。 Lin Ye:方法论、写作—审阅与编辑、资金获取。
CRediT作者贡献声明
Youshuai Fang:写作—初稿撰写、可视化、数据整理。 Weiqin Ma:可视化、数据整理。 Wen-Tso Liu:写作—审阅与编辑、概念设计。 Lin Ye:写作—审阅与编辑、方法论、资金获取。
利益冲突声明
作者声明,他们没有任何已知的竞争性经济利益或个人关系可能会影响本文报告的工作。
致谢
我们真诚感谢台湾的Jer-Horng Wu教授对本手稿的修订和改进所做出的重大智力贡献。本研究得到了中国国家自然科学基金(52270040)的支持。
Youshuai Fang|Weiqin Ma|Wen-Tso Liu|Lin Ye