《Nature Communications》：Predicting missing links in food webs using stacked models and species traits
编辑推荐：
本研究针对食物网物种互作数据不完整的问题，开发了结合网络结构与物种性状的堆叠泛化预测模型。通过290个全球食物网验证表明，该方法可实现近完美预测性能，并揭示链接可预测性受生态系统类型调控。该研究为生态互作网络重建提供了创新计算方法论。
生态网络是刻画复杂生态系统的重要工具，其中食物网作为描述物种间捕食关系的网络结构，在生态学研究中具有核心地位。然而现实中绝大多数食物网都存在数据缺失问题，现有观测仅能记录部分物种相互作用，这严重制约着对生态系统功能和稳定性的深入理解。传统基于形态特征或行为观察的链路验证方法成本高昂，且难以适用于大规模网络重建。如何通过计算方法精准预测缺失链接，已成为当前计算生态学领域的重要挑战。
为系统解决这一难题，研究团队在《Nature Communications》发表了创新性研究方法。该研究首次将堆叠泛化（stacked generalization）机器学习框架引入生态网络分析领域，开发出能够同时整合网络拓扑特征与物种功能性状的预测模型。特别值得关注的是，该方法创新性地考虑了生态学基本假设——链接方向性（即捕食者-被捕食者关系），使预测结果更符合生态学逻辑。
通过精心设计的验证流程，研究团队首先采用合成食物网（synthetic food webs）对模型进行测试，证实该方法可自动学习最优组合策略，有效融合基于网络结构（structural-based）和基于性状（trait-based）的不同预测结果。在对全球290个真实食物网的大规模验证中，模型表现出接近完美的预测精度（near-perfect performance）。进一步分析揭示，当模型能够同时利用物种性状和网络结构信息时，预测性能达到最优，且模型决策主要受一组具有明确生态学解释意义的预测因子驱动。
关键技术方法包括：1）堆叠泛化算法框架，实现多源预测模型的集成优化；2）食物网结构特征提取技术，涵盖网络拓扑指标计算；3）物种性状数据整合分析，涉及功能特征量化；4）交叉验证策略，确保模型泛化能力；5）全球食物网数据库（含290个网络）的系统性验证。
研究结果具体表现为三个维度的重要发现：
- 1.
模型性能验证方面：通过合成食物网测试证实，堆叠模型可自适应优化不同预测源的权重组合，在保持生态合理性的同时最大化预测准确率。
- 2.
实际应用效果方面：在全球食物网数据集上，模型在多数案例中实现接近完美的链接预测（AUC>0.9），且双源（性状+结构）预测显著优于单源预测。
- 3.
生态机制解析方面：预测性能呈现生态系统类型依赖性，海洋食物网与陆地食物网表现出不同的链接可预测模式，这为理解生态系统特异性提供了新视角。
讨论部分深入剖析了方法学的创新价值。研究表明，堆叠泛化不仅作为预测工具，更可作为生态机制探索的分析框架——通过解析模型中的重要预测因子，能够识别影响物种互作形成的关键生态要素。例如，营养级（trophic level）和体型大小比（body size ratio）等性状在多数网络中显示出核心预测价值，这与经典生态学理论高度吻合。此外，链接可预测性的生态系统差异暗示着不同生态系统可能存在互作形成机制的本质区别，这为后续比较生态学研究指明了新方向。
该研究的重大意义在于：方法学层面，建立了可处理复杂生态网络的标准化预测管道；应用层面，为野外调查提供优先验证目标，大幅降低生态观测成本；理论层面，开创了通过预测模型反推生态机制的新范式。正如作者所言，这项研究不仅解决了食物网数据缺失的技术难题，更重要的是为理解生态网络组构规律（assembly rules）提供了可计算、可验证的分析工具，推动生态网络研究从描述性科学向预测性科学转变。
