将生态策略与生态位宽度联系起来：可解释的机器学习方法揭示了饮用水水库中沿氧气梯度分布的nirS型好氧反硝化菌群落模式

《Water Research》：Linking ecological strategies to niche breadth: interpretable machine learning unravels community patterns of nirS-type aerobic denitrifiers along oxygen gradients in drinking water reservoirs

本研究分析了华北地区14个深层饮用水水库中nirS型好氧反硝化菌群落，发现DO梯度（临界值8.31 mg/L）导致生态策略（K/r）、DOM组成（OLN蛋白质-like，OEN荧光强度高）和共现网络结构变化，组装过程显示OLN环境选择显著，OEN随机性强。机器学习模型揭示温度、锰和COD主导OLN稳定性，无机氮和DOM组成影响OEN，为水质管理提供依据。

　　

作者：史坤|李婉颖|张嘉峰|霍瑞|赵玉婷|周世雷

河北科技大学土木工程学院，石家庄 050018，中国

摘要

好氧反硝化细菌在深度饮用水水库中的氮去除作用日益受到重视，然而溶解氧（DO）梯度与其生态策略、生态位宽度和共现网络之间的关系仍不明确。我们使用分层水柱样本研究了华北地区14个饮用水水库中的nirS型好氧反硝化细菌，并根据K/r策略和生态位泛化/特化将群落分为四类。生态阈值检测、群落组装和网络分析表明，当溶解氧浓度为8.31 mg/L时，存在一个分界点，将缺氧生态位（OLN）和富氧生态位（OEN）区分开来。在两种生态位中，溶解有机物（DOM）主要由蛋白质类成分组成，而OLN中的荧光强度更高。从OLN向OEN的梯度变化中，优势属从Sulfuritalea转变为Rhodanobacter、Pseudomonas和Achromobacter。组装分析表明，OLN中的K策略者和特化者受到更强的环境选择和扩散限制，而在OEN中随机性增加；r策略者和泛化者在两种生态位中都表现出更大的随机性。共现网络分析显示，r策略者和泛化者形成了更紧密的网络，并在OEN中表现出更高的基于凝聚力的结构稳定性。随机森林模型结合Shapley加性解释和偏最小二乘路径建模表明，在OLN中稳定性与温度、锰和化学需氧量密切相关，而在OEN中则与无机氮和DOM组成更相关，这主要是通过β多样性间接实现的。总体而言，溶解氧状况与饮用水水库中好氧反硝化细菌的群落组装和相互作用结构的系统性变化有关，为评估氧气、氮负荷和DOM特性的综合效应提供了可检验的假设。

引言

饮用水水库对城市供水和区域水资源储存至关重要。然而，外部输入和湖泊内的生物地球化学过程常常会扰乱无机氮的循环，导致硝酸盐积累和水质波动（Sinha等人，2017年；赵等人，2025年）。虽然传统的异养反硝化需要缺氧或厌氧条件，但深度水库通常是有氧的，因此好氧反硝化——即在氧气存在下还原硝酸盐和亚硝酸盐——成为主要的氮去除途径（Ji等人，2015年；Shi等人，2025a年；Yang等人，2020年）。多种异养细菌可以在有氧条件下进行这一过程，这与碳的可用性、电子转移和环境压力响应有关（Zhou等人，2016年；Huo等人，2025年）。nirS基因编码cd1型亚硝酸盐还原酶，是反硝化过程中的一个核心功能标志物。其序列多样性反映了反硝化群落的组成和功能潜力，包括能够进行好氧反硝化的群落（Braker等人，1998年；Zhang等人，2023a年）。因此，沿溶解氧梯度变化的nirS群落结构可以指示不同氧气条件下潜在（好氧）反硝化活性的变化。

深度水库中的季节性温度分层和混合作用产生了连续的溶解氧梯度以及缺氧微生境，重塑了氮循环微生物的分布和功能角色（Shi等人，2025b年；Yang等人，2015年；Yu等人，2014年）。溶解氧动态并非孤立存在，而是与关键水质参数紧密相关——包括各种形式的无机氮（NO??-N、NO??-N、NH??-N）、TN/TP比值和有机负荷——所有这些参数都沿着氧化还原梯度变化，并反馈影响微生物群落结构和功能基因表达（Liu等人，2021年；Zhang等人，2015年）。因此，在“溶解氧–水质”综合梯度中解释好氧反硝化群落的变化不仅有助于水质风险管理，也反映了水库生态系统的多因素性质。然而，关于饮用水水库的研究仍然主要集中在整体细菌群落或单一营养素响应上，好氧反硝化细菌与水质参数之间的联系尚未得到充分理解。

除了无机营养物质外，溶解有机物（DOM）既是异养反硝化的潜在电子供体也是碳源，同时作为反映内源/外源输入、腐殖化和分子组成的关键“水质维度”（Ren等人，2023年；Meng等人，2024年）。DOM质量和来源的变化可以改变微生物的底物可用性和代谢途径选择，从而通过改变氧化还原条件、底物供应和微生物相互作用来重塑好氧反硝化过程（Liu等人，2021年；Zhang等人，2023b年）。三维荧光结合平行因子分析（PARAFAC）能够将复杂的DOM分解为可解释的荧光成分，从而确定其来源、腐殖化程度和分子大小——为评估“溶解氧–DOM”梯度上的生态响应提供了实用工具（Murphy等人，2013年）。然而，与废水和工程系统中的研究相比（Ji等人，2015年；Yang等人，2020年），关于自然深度饮用水水库中nirS型好氧反硝化群落如何沿着变化的溶解氧和DOM梯度分化，以及它们的相互作用网络和稳定性如何响应的系统研究仍然不足。

从群落生态学的角度来看，微生物对环境梯度的响应不仅涉及物种更替，还涉及生态特征和组装过程的变化。根据rrn拷贝数（反映资源利用和生长之间的权衡），可以将微生物分类为r策略者（机会主义者）或K策略者（资源高效利用者）（Singer等人，2011年；Sun等人，2021年；Trivedi等人，2013年）。生态位宽度区分了泛化者和特化者，反映了对外部环境变化的适应性和扩散-定居之间的权衡（Shi等人，2025b年；von Meijenfeldt等人，2023年；Xu等人，2022年）。这些特征影响微生物网络的稳健性和功能冗余性，与生态系统理论中的“多样性–稳定性”关系相关（Loreau和de Mazancourt，2013年；Mo等人，2021年）。群落组装在确定性选择和随机过程之间切换，决定了可预测性和空间变异；iCAMP框架有助于定量分离这些力量（Ning等人，2020年）。在多变量水库系统中，可解释的机器学习有助于识别关键的环境驱动因素及其方向性影响——例如，随机森林可以排序变量重要性，而Shapley加性解释（SHAP）可以揭示各个因素的贡献大小和方向（Cutler等人，2007年）。

本研究研究了华北地区的14个深度饮用水水库，收集了从缺氧到富氧条件范围内的水柱样本。根据溶解氧阈值将样本分为缺氧生态位（OLN）和富氧生态位（OEN），以捕捉由氧气驱动的生态分区和群落变化。我们通过nirS扩增子测序表征了nirS型好氧反硝化群落，并使用三维荧光结合PARAFAC分析评估了DOM质量。应用iCAMP框架量化了组装过程，并利用基于SHAP的可解释机器学习识别关键环境驱动因素及其方向性影响。我们假设溶解氧–DOM梯度驱动了nirS型群落在OLN和OEN之间的系统性分化，并且组装过程的变化进一步重塑了共现网络结构和稳定性。为了验证这一点，我们的目标如下：（1）比较群落组成、α/β多样性，并通过生态策略（K/r）和生态位宽度（泛化者/特化者）识别主要的区分性分类单元；（2）量化并解释在两种氧气条件下确定性选择、扩散限制和漂变的相对贡献差异；（3）确定溶解氧、DOM和传统水质参数（包括无机氮形式、Fe/Mn和COD）对群落结构、网络属性和稳定性的关键驱动因素和方向性。

研究区域、样本采集和水质分析

本研究选择了华北地区的典型饮用水水库，包括河北省的6个水库（大河亭、潘家口、王槐、西大洋、岗南、黄壁庄）和山东省的8个水库（周村、禅子、沐峪、龙门口、龙家山、门楼、安里、王武），代表了多样的地形和流域土地利用类型（图1）。在2023年洪水季节（7月至8月），每个水库建立了3-4个代表性采样点——通常位于河流入口附近、海湾或近岸

OLN和OEN中的DOM成分组成及其异质性

利用EEMs和PARAFAC方法，从水库的三维荧光光谱中识别出三种稳定且具有环境意义的DOM荧光成分（图2a）。C1（Ex/Em = 250/410 nm）是一种类似富里酸的成分，其光谱特征与沿海和土壤系统中报道的陆地腐殖物质一致（Cawley等人，2012年；Wu等人，2021年），代表了来自外来输入和长期腐殖化的缓慢循环池。

结论

本研究建立了华北地区饮用水水库中好氧反硝化细菌群落沿溶解氧梯度的综合响应框架。观察到在8.31 mg/L的溶解氧浓度处存在一个明确的生态阈值：OLN中蛋白质类和腐殖质类DOM富集，而OEN则保持较低且更稳定的DOM背景。在这个梯度范围内，根据生长策略和生态位宽度定义的四个功能组表现出一致的属级更替。

CRediT作者贡献声明

史坤：撰写 – 原稿撰写、软件开发、方法学设计。李婉颖：方法学设计、数据管理。张嘉峰：指导、方法学设计、数据管理。霍瑞：指导、软件开发、数据管理。赵玉婷：软件开发、数据管理。周世雷：撰写 – 审稿与编辑、指导、方法学设计、资金争取、概念构思。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了河北省自然科学基金（E2024208033）和河北省教育厅基础研究关键人才培养计划（JCZX2026001）的支持。