《Chemical Engineering Journal》：Nanotech-enabled and AI-driven paper-based analytical devices (PADs) for cancer screening: From material engineering to intelligent diagnostics
编辑推荐：
矿物-微生物-氮耦合系统中，基于可解释机器学习与因果推断的ML-CI框架揭示了界面氮去除的协同还原机制，证实普雷沃菌门通过差异化能量转化路径连接矿物活性与氮通量动态。
石天宇|张志勇|冯江辉|邹志坤|霍阳|兰华春|张华春|袁宝玲|傅明来
教育部松辽水环境重点实验室，吉林建筑大学，长春，130118，中国
摘要
为了提高基于自然的水处理系统的反硝化性能，深入了解天然矿物界面（例如，在基质或沉积物中）上矿物与功能性微生物群落之间的相互作用至关重要，同时还需要系统地阐明关键基质性质、微生物群落结构和氮去除效率之间的复杂非线性关系。本研究提出了一种新的框架，将可解释的机器学习与因果推断（ML-CI）相结合，以系统地解码“矿物-微生物-氮”系统中的因果路径。结果表明，界面氮去除并非由单一矿物成分控制，而是由矿物和微生物网络之间的协同氧化还原作用共同决定的。此外，还发现了一种精确的调控机制：变形菌门作为关键中介，通过不同的能量转换途径将矿物反应性与氮通量动态联系起来。这项工作揭示了矿物驱动的氮生物地球化学过程源于矿物-微生物氧化还原耦合的自组织特性，从而建立了新的范式。这些发现为自然水处理系统中功能性基质的合理设计和优化提供了理论基础，有助于开发更高效和可持续的水处理技术。
引言
天然矿物界面（例如，沉积物-水边界、土壤团聚体）是微生物氮循环的关键热点[1]，[2]。在天然界面处，矿物驱动的微生物反硝化过程控制着生态系统的氮通量，然而矿物氧化还原性质与微生物功能群落之间的动态相互作用在机制上仍不明确[3]。当前研究表明，矿物基质在氮去除性能上表现出显著的异质性，这受到多种因素的复杂影响。另一方面，研究这种异质性模式需要大量资源[4]。传统的分析方法无法完全反映天然矿物界面发生的复杂生物地球化学动态。例如，仅测量含铁矿物（如黄铁矿、磁铁矿）系统中的总氮去除量或氮气生成量，无法区分纯微生物反硝化作用和非生物氮还原途径（如Fe(II)的化学还原或表面介导的电子转移）[5]。同样，传统的实验方法虽然基本，但通常需要一系列额外的昂贵实验（如无菌对照、同位素标记或特定抑制剂）来区分和量化矿物介导的生物过程与竞争性非生物途径的贡献[1]，[2]。
天然矿物材料，如多孔沸石球，不仅增强了微生物的定殖，还通过提供丰富的微生物附着位点改变了微生物群落间的相互作用，从而使氨氮（NH??N）的去除效率比传统沸石提高了12%[6]。此外，由硫红铬矿基质引发的自主氮去除途径实现了91.6%的总氮（TN）去除，并有效抑制了甲烷（CH?）和一氧化二氮（N?O）等温室气体的排放[7]，[8]。然而，关于特定矿物材料应用的理论基础尚不完善。矿物精确的矿物组成（特别是金属含量和形态）与影响氮去除的生物地球化学过程之间的机制联系尚未完全阐明。鉴于不同矿物基质在氮去除性能上的显著异质性，这种异质性受到其元素组成、物理性质和系统操作参数之间复杂相互作用的影响[9]，因此对基质性质、微生物群落动态和反硝化效率之间的非线性多因素关系理解仍然不足。这限制了用于提高自然水处理解决方案（如人工湿地（CWs）中氮去除性能的矿物基质的优化[10]。
应用先进的计算方法，特别是机器学习（ML），对于解决复杂的“基质-微生物-氮”关系至关重要。虽然像随机森林（RF）和极端梯度提升（XGBoost）这样的机器学习模型具有强大的预测能力[11]，但它们的“黑箱”特性限制了对系统驱动因素的机制洞察[12]。此外，这些系统的观测数据在规模上往往有限，并受到环境因素的干扰，这使得可靠地识别控制氮去除的因果路径变得具有挑战性[13]。为了解决这些限制，本研究整合了一个多阶段分析框架。我们采用可解释的机器学习（XML）技术来识别关键预测特征，并利用虚拟样本生成（VSG）来增强数据的稳健性[14]，[15]。随后，我们通过双重机器学习（DML）进行因果推断（CI），系统地识别和量化基质（矿物学）性质对氮去除性能的直接因果效应，以及通过微生物群落介导的间接效应，同时严格控制潜在的混杂因素[16]。
在本研究中，我们通过一种新的因果机器学习框架（ML-CI）研究了天然矿物界面上的动态微生物氮去除过程，该框架将预测建模与因果推断相结合（图1）。研究目标有三个：（i）在严格控制混杂变量的同时开发全面的特征集；（ii）识别和量化关键的矿物学驱动因素及其对氮去除效率的动态调控；（iii）通过区分直接矿物效应和微生物介导的机制来阐明因果路径。这些见解将加深我们对天然矿物界面高效氮去除机制的理解，并有望为环境恢复和资源管理提供优化策略。
数据收集和虚拟样本合成
虽然人工湿地提供了易于处理的模型系统，但其中的矿物-微生物相互作用反映了自然环境中普遍存在的根本过程[17]。本研究使用了人工湿地的数据作为自然氮去除解决方案的代表性代理。我们利用Web of Science和ScienceDirect数据库，并通过三个关键词的布尔组合：“人工湿地”、“基质”和“氮去除”来搜索相关文献
天然矿物界面的数据表征
利用VSG技术增加样本量可以有效克服建模中数据有限的挑战[28]。通过生成高质量的虚拟样本，可以提高模型的泛化能力，从而在数据有限的情况下改善其性能。确保生成的数据具有代表性和真实性，同时避免引入噪声或偏差，是维持模型可靠性的前提
讨论
本研究通过整合虚拟数据生成和混合建模，为解决复杂环境系统中野外数据稀缺带来的限制提供了强有力的解决方案。通过统计验证虚拟样本在分布、方差和特征间关系方面与真实数据的高度相似性，我们为后续的模型训练和解释建立了可靠的基础[77]。预测性能的一致性（R2值超过
结论
本研究建立了一个综合框架，结合了机器学习、基于SHAP的解释方法和因果推断，以研究天然矿物界面上的微生物氮去除机制。通过证明使用统计验证的虚拟数据的可行性，该模型克服了野外数据稀缺带来的限制，并提供了一种可扩展的方法来探索复杂的微生物-矿物相互作用。SHAP分析显示，像锰这样的氧化还原活性元素
CRediT作者贡献声明
石天宇：撰写——原始草稿、可视化、研究、概念化。张志勇：撰写——审稿与编辑、项目管理、资金获取、概念化。冯江辉：软件、方法论。邹志坤：验证、正式分析。霍阳：正式分析。兰华春：资源。张华春：方法论。袁宝玲：撰写——审稿与编辑、监督、资源、资金获取。傅明来：资源。
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
本研究得到了国家自然科学基金重大项目（52293444）、国家自然科学基金联合基金（U24A20186）和国家自然科学基金（52400044）的支持。
