《Current Opinion in Biotechnology》：Toward an integrative framework for monitoring biodegradation of environmental contaminants across scales
编辑推荐：
生物修复技术监测中存在多尺度数据整合与复杂环境干扰的挑战，本文提出整合微纳米级生物传感器、植物-微生物互作检测及遥感技术的综合监测框架，强调通过标准化数据集和机器学习模型实现跨尺度污染降解轨迹预测。
杨宇国|陈明飞|苏珊娜·G·特林格|哈尔希尼·穆昆丹|罗米·查克拉博蒂
美国加州伯克利劳伦斯伯克利国家实验室气候与生态系统科学部门
来自自然和人为来源的有机污染物威胁着全球的水资源和食品安全。虽然生物修复技术具有显著的缓解潜力，但在复杂生态系统中追踪化合物的降解过程仍然具有挑战性。检测技术涵盖了从微观方法（如生物传感器、成像和挥发性有机化合物分析）到景观尺度的遥感技术。每种技术都提供了独特的信息，但整合这些不同的数据流是阻碍生态尺度追踪和评估的主要瓶颈。
在这篇综述中，我们提出了一个全面的监测框架，用于检测污染物并追踪生物修复的进展，重点介绍了最小侵入性的检测技术和跨尺度传感器集成。我们讨论了新兴技术以及为利用人造生态系统预测降解轨迹而生成的标准化数据集。将环境传感、微生物组科学和先进分析相结合，为评估修复工作提供了新的方法。
引言
环境污染物——包括各种有机外来化合物——通过影响土壤健康和作物生产力，直接危及人类健康，从而威胁全球的水资源和食品安全[1]。利用生物体来净化受污染的环境是一个有前景的解决方案[2]，但评估这些过程的成功与否需要准确高效地追踪来自污染物或其降解中间体的环境信号[3]。已经开发出多种传感器和检测方法来在多个尺度上检测这些相关信号，包括生物传感器[3]、成像技术[4]、植物和微生物产生的挥发性有机化合物（VOC）的测量以及高光谱反射率分析[5, 6]等。然而，自然环境的复杂性和异质性使得相关信号的识别、多传感器数据的整合以及在实验室和野外环境之间的结果转化变得困难：在受控实验室条件下识别的信号和模式在自然环境中往往会被复杂的环境因素削弱或掩盖。因此，迫切需要协调的多尺度系统级评估和分析，以提升我们监测生物修复和感知新兴环境和生物威胁的能力。
利用机器学习（ML）和人工智能（AI）可以实现对复杂多尺度数据集的可靠和准确分析，支持系统级的环境监测。然而，使用这些方法的前提是迫切需要精心策划、规模大、多样性丰富且校准良好的数据[7]，而这些数据从现实世界的环境样本中提取出来具有挑战性。模型系统由于其可控和可扩展的环境，能够实现环境信号的精确校准和验证[8, 9]，有助于构建稳健的数据集，并弥合分子检测方法与不同环境传感器之间的差距，推动生物修复技术的发展。在这篇简短综述中，我们总结了跨尺度监测污染物生物降解的最小侵入性和非破坏性技术的最新进展，并将这些进展与模型系统和机器学习的进步相结合，为未来的创新奠定基础。
小节摘录
微生物-污染物相互作用的小尺度检测
作为生物地球化学循环的主要驱动者，微生物群落对土壤、水资源和食品安全至关重要，它们既作为污染物的降解者，也作为生态系统健康的指标。土壤微生物群落能够响应并降解各种复杂的有毒有机污染物，如石油泄漏物、农药和塑料[2, 10]。系统生物学方法通过综合手段被广泛用于理解微生物在这些过程中的复杂作用
用于原位检测植物-微生物与污染物相互作用的快速工具
作为主要的生产者，植物在食品安全和环境质量方面发挥着多重作用：维持生物量生产、直接吸收污染物、促进其降解，并为检测和降解污染物的微生物提供生存环境[25]。此外，当根际微生物群与地下外来物质相互作用时，植物还会表现出地上生理反应[26]。重要的是，植物传感和植物修复通常是跨领域驱动的综合性过程
微生物与污染物相互作用跨尺度验证的不足
尽管在追踪生物降解方面取得了进展，但在应用创新检测方法时仍存在一些不足。最大的挑战之一是确保检测的选择性，即在各种环境条件下从背景噪声中分离出感兴趣的微生物信号。电信号生物传感器容易受到土壤氧化还原活动和有机物质影响的离子和导电性波动的影响[3]
结论与未来展望
虽然生物修复是一种公认的去除环境污染物的方法，但其效果往往具有案例和地点依赖性，在实际生态系统中监测生物修复仍然是一个艰巨的任务。主要障碍包括难以从复杂的环境背景中区分过程特征、缺乏能够在变化参数下提供全面信息的、非破坏性和可扩展的传感技术的快速发展，以及缺乏大规模的数据集
CRediT作者贡献声明
杨宇国：概念构思、文献综述、可视化、撰写——初稿。陈明飞：概念构思、撰写——审稿与编辑。苏珊娜·G·特林格：文献综述、撰写——审稿与编辑。哈尔希尼·穆昆丹：手稿结构与整合、撰写——审稿与编辑。罗米·查克拉博蒂：概念构思、撰写——审稿与编辑。
致谢
本研究得到了美国国防高级研究计划局（DARPA）的资助（合同编号：O2503-097-089-091224）。本文所表达的观点、意见和/或发现仅代表作者个人观点，不应被视为美国国防部或政府的官方立场。
