分子组成决定了溶解有机物的氮同位素特征

《Marine Chemistry》：Molecular composition determines the nitrogen isotopic signatures of dissolved organic matter

海洋溶解有机物（DOM）的稳定氮同位素（δ1?N）与分子组成通过机器学习模型有效关联，模型在325个中国近海样本中训练，平均绝对误差0.32‰，并验证了在其他海岸环境的泛化能力，揭示了高δ1?N与饱和及海洋来源DOM相关，低δ1?N则与陆地来源DOM关联。

　　

严振伟|徐宇欣|易远碧|李鹏辉|徐文琪|徐万清|周友平|张传伦|丁贺

香港科技大学海洋科学与海洋研究中心，中国香港

摘要

海洋溶解有机物（DOM）是全球碳循环中最大的还原碳库。DOM中的氮在连接碳循环和氮循环中起着关键作用，既是主要的氮储存库，也是微生物利用的动态来源。DOM的稳定氮同位素（δ¹⁵N）可以提供关于其来源和在海洋环境中转化的信息。然而，由于其测量的困难和复杂性，导致缺乏DOM的δ¹⁵N数据，这限制了我们对海洋氮循环和碳循环的理解。在这项研究中，我们开发了一种快速有效的机器学习方法，用于将固相提取的DOM的δ¹⁵N与其分子组成联系起来。使用来自中国沿海环境的325个样本的分子组成和δ¹⁵N数据进行建模，平均绝对误差为0.32‰。我们发现，所有公式（即使那些不含氮原子的公式）都与DOM的δ¹⁵N有直接或间接的联系。所开发的模型不仅在中国沿海环境中表现良好，而且在其他河口地区也显示出很好的泛化能力。此外，我们的模型建立了沿海海洋中DOM的δ¹⁵N与其分子组成之间的联系，揭示了较高的δ¹⁵N值与更饱和和海洋来源的DOM相关，而较低的δ¹⁵N值则倾向于更不饱和并表现出陆地特征。这项工作阐明了DOM分子特性与氮同位素组成之间的内在耦合关系，推进了我们对海洋沿海环境中氮循环和有机物动态的理解。

引言

海洋溶解有机物（DOM）在海洋环境中含有约660 Pg的还原碳，这一碳库与大气中的CO₂相当，使得海洋DOM成为全球气候的重要调节因子（Hansell, 2013; Dittmar et al., 2021）。DOM中的氮，也称为溶解有机氮（DON），占海洋中氮总量的约70 Pg（Zhang et al., 2020b）。DON在连接碳循环和氮循环中起着关键作用，既是主要的氮储存库，也是微生物利用的动态来源（McCarthy et al., 1998; Letscher et al., 2013）。研究表明，与碳相比，氮在DOM中的生物可利用性通常更高（Bronk et al., 2007; Petrone et al., 2009; Shi et al., 2016; Wang et al., 2024）。此外，DOM中碳和氮的相对稳定的化学计量比也表明了DON在全球碳循环中的重要作用（Liang et al., 2023）。因此，了解DON在海洋环境中的命运可以为海洋氮循环和碳循环以及相关的全球气候变化提供重要见解（Friedlingstein et al., 2003; Canuel et al., 2012）。

稳定氮同位素（δ¹⁵N）已被广泛用于追踪现代海洋中氮的生物地球化学循环（Casciotti, 2016; Sigman and Fripiat, 2019; Casciotti et al., 2024）。然而，DON的δ¹⁵N无法直接测量。它是基于溶解无机氮（DIN）和总溶解氮（TDN）之间的差异，通过同位素质量平衡模型计算得出的（Text S1）（Knapp et al., 2005a; Zhang et al., 2020a）。这种方法通常用于表层海洋，因为在固定氮库中DON是主要成分（Knapp et al., 2018; Zhang et al., 2020a）。然而，在某些区域（如深海、边缘海域），DON仅占TDN的一小部分，这种方法可能会因为测量和计算过程中的误差传播和累积而失效（Text S1和Fig. S1）。为了解决这些问题，先前的研究采用了固相萃取（SPE）技术从水样中分离DON，并消除了DIN的影响，称为SPE-DON（Yan et al., 2021; Broek et al., 2023; Miranda et al., 2023）。随后，SPE-DON经过氧化和“反硝化”步骤以获得其δ¹⁵N值（见方法部分）。SPE-DON的δ¹⁵N已被成功用于揭示不同水生系统中DON的循环（Broek et al., 2017; Yan et al., 2021; Broek et al., 2023; Yan et al., 2023）。虽然这种方法避免了DIN引起的不确定性，但它仍然需要大量时间和资源，并且需要精细的氮空白控制程序（Knapp et al., 2005a; Higgins et al., 2009），这阻碍了大规模获取足够的δ¹⁵N数据集。因此，我们对DON在海洋环境中行为的理解仍然有限。因此，迫切需要一种快速有效的方法来获取DON的δ¹⁵N，以便更好地理解海洋氮循环和碳循环中的DOM动态。

最近，使用超高分辨率质谱技术（如傅里叶变换离子回旋共振质谱仪（FT-ICR MS）（Altieri et al., 2009; Lusk and Toor, 2016; Yan et al., 2023; Yan et al., 2024）在分子水平上研究了海洋DOM。这种方法能够检测数千种含氮化合物。这些单个含氮分子的同位素特征有助于确定整体δ¹⁵N。一些研究考虑利用这些非靶向解决方案来找出δ¹⁵N与其分子同位素特征之间的联系（Khodjaniyazova et al., 2018; Hofmann et al., 2020; Xie et al., 2022）。理论上，可以通过分子峰和相关同位素峰的强度比来确定某些分子的δ¹⁵N值。这种方法非常有前景，因为它可以同时确定整体DOM的δ¹⁵N和单个分子的特定δ¹⁵N值。然而，由于¹⁵N的自然丰度较低（0.366%）以及当前高分辨率质谱技术的局限性（分辨率不足以定量识别DOM分子的¹⁵N峰），基于分子组成的δ¹⁵N测量的准确性仍然远不可接受（Khodjaniyazova et al., 2018; Hofmann et al., 2020; Xie et al., 2022）。最近，Kew等人（2023）使用21?T FT-ICR MS获得的化合物峰计算了稳定同位素（δ¹³C和δ¹⁵N）。某些模型化合物的δ¹³C和δ¹⁵N的整体标准误差分别为1.12‰和7.57‰。在某些情况下，δ¹³C的这种准确性是可以接受的，但对于δ¹⁵N来说则不可接受，因为水生环境中DON的δ¹⁵N的典型变化小于5‰（Knapp et al., 2018; Zhang et al., 2020a; Yan et al., 2021; Yan et al., 2024）。因此，目前使用质谱数据来计算氮的同位素比率是不现实的，本研究旨在寻找另一种方法来建立DOM的δ¹⁵N与其分子组成之间的联系，并发现这些联系的生物地球化学意义。

近年来，机器学习（ML）已被广泛用于处理地球科学问题（Pan et al., 2020; Mahynski et al., 2022; Shi et al., 2022），并在处理质谱数据方面也表现出良好的性能（Dührkop et al., 2019; Wang et al., 2021）。它使用统计算法来学习数据并泛化到未见数据，从而无需明确指令即可完成任务（Jordan and Mitchell, 2015; Alpaydin, 2021）。值得注意的是，ML已成功应用于预测DOM的δ¹³C，平均绝对误差（MAE）为0.30‰（Yi et al., 2023b）。ML不仅能够高精度地获得稳定碳同位素，而且通过其可解释性在关联分子组成和稳定同位素方面也显示出有希望的应用。

在这项研究中，ML用于将DOM的分子组成与其δ¹⁵N相关联。共使用了511个样本（325个用于训练，186个用于预测），这些样本来自中国沿海环境（CCE）。本研究的目标是：（1）开发一个ML模型，将DOM的δ¹⁵N与其分子组成联系起来；（2）使用先前报告的沿海海洋数据测试所开发模型的泛化能力；（3）揭示海洋氮循环和碳循环的生物地球化学意义。随着全球分子组成数据的日益丰富（Hansman et al., 2015; Bercovici et al., 2023），由于测量困难，DOM的δ¹⁵N数据仍然缺乏，这仍然是一个未解决的问题。如果能够使用ML模型成功将DOM的δ¹⁵N与其分子组成联系起来，这种方法为在更大范围内估计DOM的δ¹⁵N提供了一条有希望的途径。最终，这种基于ML的方法可以大大增强我们对海洋氮循环和碳循环的理解。

研究区域

样本来自中国沿海环境（CCE）（图1b），包括渤海、黄海、东海和南海。此外，世界上两个最大的河口——长江口和珠江口，将大量的陆地DON带入沿海海洋。在西部，CCE与亚洲大陆相连，该地区人口密度最高，受到人类活动的影响很大。

模型开发的数据选择

学习数据包括CCE中的325个样本（图1）。SPE-DON的浓度（2.0?±?0.9?μM）随盐度增加而降低，而其δ¹⁵N（2.4?±?0.7‰）随盐度增加而增加，表明陆地DON和海洋DON的混合。在325个样本中，共鉴定出13457个独特的分子公式（平均3785个±984个）和7137个CHON公式（平均1664个±519个）（图S3）。CHON的相对强度占所有样本的19.9?±?2.3%。

结论

在这项研究中，使用了CCE中的325个样本来开发一个快速有效的ML模型，用于将SPE-DOM的稳定氮同位素值与其分子组成联系起来。SVR算法表现最佳，平均绝对误差（MAE）为0.32‰。在模型开发过程中，我们发现所有DOM公式（包括那些不含氮原子的公式）都与δ¹⁵N有关。所开发的模型在先前发表的沿海海洋样本中显示出良好的泛化能力，无论样本范围是宽还是窄。

CRediT作者贡献声明

严振伟：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，方法论，正式分析，数据管理。徐宇欣：撰写 – 审稿与编辑，监督，资源获取，概念化。易远碧：撰写 – 审稿与编辑，方法论，数据管理。李鹏辉：研究，撰写 – 审稿与编辑。徐文琪：资源，正式分析。徐万清：正式分析。周友平：撰写 – 审稿与编辑，资源。张传伦：

致谢

我们感谢王文涛博士在稳定氮同位素测量方面提供的帮助。这项工作得到了国家自然科学基金（42222061）、国家重点研发计划（2023YFC3108104和2018YFC0309803）、中国香港特别行政区研究资助委员会（AoE/P-601/23-N和26300822）、广东海洋科学与工程实验室（珠海）创新小组项目（311022005）的资助。

利益冲突声明

作者没有需要披露的相关财务或非财务利益。