基于层级因果推断的流水养殖病原增殖早期预警框架

《Environmental Technology & Innovation》：A causal inference framework for early warning of pathogen proliferation in flow-through aquaculture

　　

摘要专业翻译 近期开发了多种水产养殖水处理技术，然而由于病原去除效率不足或成本过高，其在商业化养殖场中的推广应用仍十分有限（Gupta et al., 2024；Teitge et al., 2020）。以往研究主要关注这些系统的工程特性及实验室规模性能，而其在现场条件下的有效性往往受到水质自然波动的影响。例如，紫外（UV）消毒效率会因浊度和悬浮固体的升高而显著降低，这些物质会散射并吸收紫外辐射。臭氧氧化效率受溶解性有机物影响显著，且在海水体系中可能通过与天然溴化物反应产生致癌的溴酸盐副产物。同样，硝化生物滤池的性能对温度、pH、碱度和溶解氧（DO）的波动高度敏感（Bazyar Lakeh et al., 2013；Chen et al., 2006；Gon?alves and Gagnon, 2011；Gullian et al., 2012）。上述局限性揭示了一个关键的知识空白：哪些关键水质变量（包括pH、水温（WT）、含氮化合物（NH?/NH??、NO??和NO??）、DO、溶解态CO?及浊度）直接影响病原增殖，以及这些效应在不同处理系统之间如何存在差异，目前仍不清楚。此外，相较于依赖简单相关性分析，通过因果推断系统性地将环境波动和代谢副产物积累与病原动态联系起来，对于在运营性水产养殖条件下识别病原增殖的精确机制驱动因子至关重要。本研究选取了9种目标病原：副乳房链球菌（Streptococcus parauberis）、海豚链球菌（Streptococcus iniae）、杀鱼爱德华氏菌（Edwardsiella piscicida）、美人鱼发光杆菌（Photobacterium damselae）、哈维氏弧菌（Vibrio harveyi）、海栖纤细杆菌（Tenacibaculum maritimum）、七点库道虫（Kudoa septempunctata）、利氏肠粘虫（Enteromyxum leei）和迈阿密 avidus（Miamiensis avidus）。这些病原是韩国牙鲆（Paralichthys olivaceus）养殖场的地方性病原。牙鲆约占韩国海洋有鳍鱼类产量的49%，几乎完全采用陆基流水养殖系统进行养殖。作为一种常以高放养密度养殖的底栖物种，牙鲆持续接触积累在养殖系统底部的沉降固体和代谢产物。因此，牙鲆既具有重要经济价值，又高度暴露于导致养殖场超过70%死亡率的病原，使其成为研究环境驱动疾病暴发的理想模型（Hong et al., 2025；Shim et al., 2019）。 为复现商业化水产养殖中常见的条件（包括高放养密度、代谢副产物积累以及加剧环境胁迫的降低流速），研究人员建立了两个平行系统。传统流水养殖系统（FTAS）作为对照，而结合了额外水处理工艺的改良流水养殖系统（M-FTAS）作为实验系统。两系统的主要差异在于流速和处理配置，由此形成了截然不同的环境条件和病原动态，为因果分析提供了基础。 数字农业和智慧水产养殖的最新进展增加了对数据驱动方法的需求，这些方法需能够识别影响系统稳定性和疾病风险的环境因素。机器学习模型已被应用于水产养殖水质和疾病发生预测，具有较高的预测精度（Xie et al., 2025；Zhao et al., 2021），而SHapley Additive exPlanations（SHAP）等可解释人工智能方法也越来越多地被用于将模型预测归因于各个变量（Khajavian et al., 2026；Nourani et al., 2025）。然而，仍有三大瓶颈尚未解决。首先，当前管理实践仍依赖实时传感器测量与基于相关性的方法（如Spearman和Pearson相关分析）（Deng, 2019；Su et al., 2025；Tran et al., 2010），这些方法无法确定因果方向，也无法在紧密耦合的水生环境中区分直接与间接效应，因为该环境中的水质变量通过化学平衡和生物过程相互作用。其次，仅凭预测精度并不能表明哪些变量应被控制，这限制了现有模型向可操作运营干预措施的转化。第三，尽管因果发现算法已在环境和 hydrological 系统中成功应用，但尚未用于解析水产养殖中的环境-病原耦合路径（Ombadi et al., 2020；Runge et al., 2019）。 为克服上述局限，研究人员采用了一个三层分析框架，逐步从关联过渡到因果。首先，使用Spearman秩相关分析表征环境变量与病原丰度之间的两两关系，提供共变性的探索性概览。其次，利用随机森林模型导出的SHAP值量化单个环境变量对病原丰度的非线性贡献，并识别最具影响力的预测因子。最后，结合自助抽样和生物学先验知识，应用直接线性非高斯无环模型（DirectLiNGAM）显式推断环境胁迫因子与病原动态之间的机制性因果路径。 本研究的主要目标是建立一个层级因果发现流程，能够解析流水养殖系统中环境到病原的方向性路径。次要目标是确定哪些监测水质变量占据上游因果位置，评估单个病原类群对这些变量的响应是否一致或分化，以及确定先进处理是否改变了相对于传统系统的因果结构。在先前基于相关性的预测研究基础上（Choi et al., 2026），本研究考察了先进处理是否将病原增殖的因果驱动因子从物理胁迫因子转向氧化态氮物种。

论文解读

一、研究背景与问题

水产养殖业近年来开发了多种水处理技术以控制病原传播，然而这些技术在商业化养殖场的实际应用仍面临显著障碍，主要问题在于病原去除效率不足或运行成本过高。以往研究多聚焦于处理系统的工程特性和实验室规模性能，而忽视了现场条件下水质自然波动对处理效果的影响。例如，紫外消毒效率会因浊度和悬浮固体的升高而显著下降；臭氧氧化效率受溶解性有机物影响，且在海水体系中可能产生致癌副产物；硝化生物滤池的性能则对温度、pH、碱度和溶解氧的波动高度敏感。这些局限性揭示了一个关键的知识空白：哪些关键水质变量直接驱动病原增殖，以及这些效应在不同处理系统之间如何差异，目前仍缺乏系统性认识。

此外，当前养殖管理实践仍主要依赖实时传感器测量与相关性分析方法（如Spearman和Pearson相关分析），这类方法无法确定因果方向，也难以在紧密耦合的水生环境中区分直接与间接效应。机器学习模型虽能实现高精度预测，但预测精度本身并不能表明哪些变量应被控制，限制了模型向可操作干预措施的转化。尽管因果发现算法已在环境和水文系统中成功应用，但尚未用于解析水产养殖中的环境-病原耦合路径。本研究正是针对上述瓶颈，以韩国牙鲆养殖为模型体系，探索从相关性到因果推断的层级分析框架。

牙鲆约占韩国海洋有鳍鱼类产量的49%，几乎完全采用陆基流水养殖系统养殖。作为一种底栖物种，牙鲆在高放养密度下持续接触积累在养殖系统底部的沉降固体和代谢产物，高度暴露于导致养殖场超过70%死亡率的病原。研究选取了9种目标病原，包括副乳房链球菌、海豚链球菌、杀鱼爱德华氏菌、美人鱼发光杆菌、哈维氏弧菌、海栖纤细杆菌、七点库道虫、利氏肠粘虫和迈阿密avidus。

二、研究内容与结论

研究人员建立了两个平行的中试规模系统：传统流水养殖系统作为对照，改良流水养殖系统则结合了多重水处理工艺，包括高压砂滤、FIBALON?银掺杂聚合物纤维过滤、双紫外消毒单元、板式热交换器控温、PSA增氧器以及内部循环脱气单元。两系统在流速和处理配置上存在显著差异，形成了截然不同的环境条件和病原动态。实验采用渐进式水力胁迫测试，流速从5.0 m3 h?1逐步降至1.5 m3 h?1，以促进代谢副产物积累并建立有利于病原增殖的条件。牙鲆以38.3 kg m?2的标准化初始密度放养，实验持续33天，共获得136个水质测量时间点和8个病原丰度采样事件。

研究采用三层分析框架逐步从关联过渡到因果：首先通过Spearman秩相关分析表征环境变量与病原丰度的两两关系；其次利用随机森林模型导出的SHAP值量化单个环境变量的非线性贡献；最后结合自助抽样和生物学先验知识，应用DirectLiNGAM推断环境胁迫因子与病原动态之间的因果路径。

研究得出以下核心结论：层级因果推断识别出病原增殖的关键驱动因子；推断出的因果网络重现了自养硝化化学计量关系；水处理抑制了部分病原但有利于机会性类群；CO?-pH酸化轴将硝化作用与病原信号联系起来；该框架为水产养殖早期预警监测提供了基础。

三、关键技术方法

研究采用三层分析框架：第一层为Spearman秩相关分析，直接基于8个实测时间点计算环境变量与病原丰度的两两相关性，提供探索性基线；第二层为SHAP值分析，从随机森林模型中量化各环境变量对病原丰度的非线性贡献并识别关键预测因子；第三层为DirectLiNGAM因果发现，结合自助抽样评估边稳定性，并引入生物学先验知识约束因果方向。病原丰度数据通过形状保持三次样条插值与水质时间序列进行时间对齐。样本来源包括韩国济州岛三家商业化牙鲆养殖场的区域病原监测数据（2019-2020年）以及丽水市智慧水产养殖研究中心的中试系统实验数据。

四、研究结果

区域监测与中试实验的环境差异

区域监测阶段仅记录了水温和病原检出率，中试实验阶段则同步监测了溶解氧、水温、pH、浊度、总氨氮、亚硝酸盐、硝酸盐和溶解态CO?等多项水质参数。两系统在渐进式降流速过程中形成了差异化的环境条件，为因果分析提供了必要的数据基础。

相关性分析与SHAP归因

Spearman相关分析提供了环境变量与病原丰度之间共变性的初步概览。SHAP分析进一步量化了各环境变量对病原丰度的非线性贡献，识别出对特定病原最具影响力的预测因子，为后续因果推断提供了变量筛选依据。

DirectLiNGAM因果网络推断

通过DirectLiNGAM结合自助抽样推断出环境变量与病原之间的方向性因果路径。因果网络重现了自养硝化化学计量关系，表明推断的因果结构具有生物学合理性。研究识别出占据上游因果位置的关键水质变量，并发现不同病原类群对相同环境变量的响应存在差异。

处理系统对因果结构的改变

与传统流水养殖系统相比，改良系统的先进水处理工艺改变了病原增殖的因果驱动结构。水处理有效抑制了部分病原的增殖，但同时有利于某些机会性类群的生长。CO?-pH酸化轴被识别为连接硝化作用与病原信号的关键机制路径。

五、讨论与结论

讨论部分指出，因果关系推断相较于传统相关性分析在识别可干预靶点方面具有显著优势。研究发现的CO?-pH酸化轴将硝化过程与病原信号联系起来，提示养殖系统中硝化作用产生的CO?积累可能通过降低pH而间接影响病原动态。不同病原类群对水质变量的差异化响应表明，单一水质指标难以作为普适的预警指标，需要针对特定病原建立差异化的监测策略。先进处理系统虽然抑制了部分病原，但为机会性类群创造了有利条件，这一发现对水处理工艺的优化设计具有重要启示。

研究结论部分指出，该层级因果推断框架成功解析了流水养殖系统中环境变量到病原动态的方向性因果路径，识别出不同处理系统下病原增殖的关键驱动因子。研究结果表明，先进水处理将病原增殖的因果驱动因子从物理胁迫因子转向氧化态氮物种，CO?-pH酸化轴是连接硝化作用与病原信号的关键机制。该框架为水产养殖病原增殖的早期预警监测提供了理论基础和方法支撑，有望推动养殖管理从相关性导向向因果导向的转变。