可解释的机器学习揭示了热分层和混合如何重塑放线菌群落的稳定性，并调节饮用水源水库中的味道和气味风险

《Journal of Environmental Chemical Engineering》：Explainable machine learning reveals how thermal stratification and mixing reshape actinobacterial community stability and regulate taste and odor risk in drinking-water source reservoirs

本研究解析了华北地区6个饮用水水库放线菌群落季节垂直分布与稳定性机制。发现夏季分层期放线菌α多样性在温跃层最高（Shannon=4.92±0.45），冬季混合期整体趋同。网络分析表明分层期结构复杂（Modularity=0.624），混合期连通性更高（AVD=0.56-0.608）。阈值分析显示温度敏感区20-22℃，CODMn在2.2 mg/L附近敏感，这些阈值对水库管理和异味防控具有重要指导意义。

　　

张嘉峰|史坤|吴晨斌|赵玉婷|周世雷

河北科技大学土木工程学院，中国石家庄050018

摘要

饮用水水库中的季节性分层和冬季混合会改变水体的物理化学环境，可能通过重塑放线菌群落来影响味道和气味化合物的垂直分布。我们分析了华北六个水源水库中这些群落的垂直分布模式。在分层条件下，α-多样性在温跃层最高（Shannon = 4.92 ± 0.45），而系统发育多样性在深层水体达到峰值（PD = 13.49 ± 2.59）；在冬季，多样性和群落结构都表现出垂直均质化。在分层期间，产生气味的放线菌在温跃层（7-28%）和深层水体（5-24%）中富集，而在混合期间未观察到明显的层间差异。β-多样性分配表明，物种更替一致性地主导了群落差异（Turnover/Dissimilarity > 0.95）。群落组装分析表明，随机过程在两个季节都起主导作用。在这种随机框架下，热分层期间“非主导的随机过程”占主导地位，而在冬季混合期间，扩散限制成为主要子过程。网络分析显示，热分层具有较低的连通性和较高的模块性（0.624）以及较低的AVD（0.455-0.560），而冬季混合具有较高的连通性和较低的模块性（0.438）以及较高的AVD（0.560-0.608）。在热分层期间，温度（T）对稳定性的影响最大，大约在20-22℃时有一个敏感的拐点。同时，T和氮主要通过多样性介导的间接途径调节稳定性。在冬季混合期间，COD_Mn在2.2mg/L附近出现拐点，稳定性主要由COD_Mn和氮的直接效应决定。这些发现为了解水库中放线菌的生态机制提供了见解。

引言

在全球气候变暖和快速城市化的背景下，饮用水水库已成为连接流域环境变化与区域生态安全的关键接口[1]、[2]。与天然湖泊相比，这些水库通常表现出明显的垂直环境异质性和强烈的季节性水动力变化[3]。夏季，热分层会在温度（T）、溶解氧（DO）和营养物质之间产生明显的垂直梯度，通常表现为表层水体受到严重干扰，温跃层交换受限，而深层水体寒冷且受干扰较小[4]。冬季，完全混合会使各水层的物理和化学性质均质化，并加强与外来输入的连接[5]。这种分层与混合之间的交替可以重塑垂直栖息地的异质性和生态位分化，驱动深度依赖的群落分化以及混合引起的趋同，从而改变微生物介导的生物地球化学过程和生态系统功能[6]、[7]、[8]。在这种情况下，微生物群落的稳定性被广泛认为是维持生态系统功能和保障饮用水供应的基础[9]。然而，关于关键细菌谱系如何在饮用水水库特有的物理驱动环境梯度上保持结构和功能稳定性的机制理解仍然有限。

放线菌是一类广泛分布且功能多样的异养细菌，在淡水生态系统中通常占据主导地位[10]、[11]。它们可以通过多种流域传输途径进入饮用水水库，包括降雨驱动的地表径流和土壤侵蚀[12]、[13]。先前的研究已经确定了一些代表性属，如链霉菌（例如灰链霉菌）是地斯敏（geosmin）和2-甲基异波醇（2-MIB）的主要生产者，而非链霉菌的放线菌，包括诺卡菌、微单孢菌和假诺卡菌，也被证实是强有力的生产者[14]、[15]。这些次级代谢物由于极低的气味阈值而构成显著的水质风险，即使在低至10-30 ng/L的浓度下也能引发明显的气味[16]、[17]。现有证据表明，这些气味化合物的浓度在很大程度上取决于放线菌群落与外部环境因素之间的相互作用[14]、[18]。例如，饮用水水库中放线菌的丰度表现出明显的季节性变化，其富集会增加T&O（味道和气味）问题的风险[18]、[19]。营养物质的增加会进一步促进气味化合物的积累并加剧T&O问题[20]。因此，进一步阐明放线菌群落的稳定性及其环境调控机制对于深入理解T&O的形成和支持饮用水水库的精细管理至关重要。

为了更深入地阐明放线菌群落的动态调控机制，采用先进的机器学习方法定量识别关键驱动因素已成为一个重要的新兴方向[21]、[22]。定量识别放线菌稳定性的关键环境驱动因素越来越需要能够处理高维、非线性和共线预测因子的方法，这通常限制了传统统计模型在水库环境中的可解释性和稳健性[23]。机器学习方法的最新进展（例如随机森林（RF）和极端梯度提升（XGBoost），结合可解释工具如SHAP（Shapley Additive Explanations），为排名预测因子重要性和揭示与水质和富营养化研究相关的非线性响应特征提供了有效框架[22]、[24]。例如，这些方法已被应用于解析丹江口水库中的多尺度营养状态控制，并量化三峡水库回水区富营养化风险的相对贡献[25]、[26]。基于这一理解，我们整合了监督机器学习模型（随机森林和XGBoost）并应用SHAP进行模型解释，以量化边际效应并识别与放线菌稳定性相关的环境因素的敏感范围和阈值，从而为精细的水库运营和T&O风险的间接管理提供可操作的依据。

尽管有越来越多的证据表明水动力制度（热分层和冬季混合）会重塑垂直栖息地和与气味相关的分类群，但水动力驱动、群落组装、网络级稳定性和T&O风险之间的季节性耦合仍不清楚。具体来说，尚不清楚水动力如何改变不同深度的组装过程，这些变化如何传播到网络结构和稳定性，或者网络重组最终如何转化为与产生气味的放线菌相关的季节性和深度特定的T&O风险。为了解决这些空白，我们在热分层和冬季混合期间研究了华北的六个饮用水水源水库。通过整合高通量测序、群落组装分析、共现网络分析、可解释机器学习和偏最小二乘路径建模（PLS-PM），我们旨在阐明放线菌群落的时空模式和稳定性机制。我们假设季节性分层-混合动态重塑了垂直环境梯度，从而改变了放线菌的组装过程和相互作用网络结构，这些共同影响了群落的稳定性及其潜在的T&O影响。具体来说，我们探讨了：（1）分层和混合如何重塑垂直环境梯度并驱动放线菌的深度依赖分布和季节性更替？（2）在分层和混合条件下，组装机制和共现网络如何重组，以及这些变化如何与不同的稳定性模式相关？（3）哪些关键驱动因素和途径控制着稳定性的变化及其相关的风险转换，是否可以识别出敏感范围/阈值以支持早期预警和管理？我们进一步将稳定性动态与产生气味的放线菌的主要深度栖息地以及潜在的地斯敏/2-MIB风险区联系起来，旨在为气候变暖和营养负荷变化下的精细水库运营和流域源控制策略提供可解释的、可转移的微生物学证据。

研究区域和采样点

2023年12月（冬季，完全混合）和2024年6月（夏季，明显热分层）选择了华北河北省六个代表性的大型饮用水水库进行采样。这些水库包括大河亭和潘家口（滦河流域）、西大洋和王槐（大庆河流域），以及黄壁庄和岗南（葫芦河流域）。每个采样点的详细信息见表S1。

在每个水库的主要流域内，有三个

水库水中物理化学性质的时空动态

水库温度（T）在不同季节之间存在显著差异（P < 0.001），夏季（9.20-27.70 ℃）高于冬季（2.70-5.40 ℃）。夏季形成了明显的热分层：表层水体的温度（26.90 ± 0.64 ℃）显著高于深层水体（15.93 ± 5.50 ℃；P < 0.001）。相比之下，冬季混合期间垂直温度剖面基本均匀（图1c）。溶解氧（DO）也表现出类似的分层相关模式，从9.16 ± 0.62 mg/L

季节性分层-混合对放线菌和产生气味的放线菌时空模式的影响

饮用水水库中的热分层被广泛认为是塑造淡水微生物群落结构的关键物理驱动因素。通过增强温度（T）和营养物质等环境因素的垂直异质性，分层促进了明显的深度依赖的群落分化[7]、[22]、[42]。在本研究中，热分层期间从表层水体到深层水体形成了明显的温度和溶解氧梯度，而垂直条件基本

结论

本研究综合分析了华北饮用水水源水库中放线菌群落的时空动态和稳定性调节。热分层和混合之间的季节性交替成为与群落结构和稳定性变化相关的主要物理驱动因素。在热分层期间，产生气味的放线菌在温跃层和深层水体中富集，而垂直

CRediT作者贡献声明

周世雷：撰写 – 审稿与编辑，资源获取，概念构思。赵玉婷：方法学，数据管理。吴晨斌：方法学，数据管理。史坤：方法学，数据管理。张嘉峰：撰写 – 原稿，方法学，数据管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了河北省自然科学基金（E2024208033）、河北省教育厅基础研究关键培养计划（JCZX2026001）和河北省研究生创新能力培训计划（CXZZSS2026088）的支持。