基于过程的 Antibiotic 生态风险管理在水产养殖系统中的应用：基于机器学习的 DOM 来源与系统开放性的不同作用

《Journal of Environmental Chemical Engineering》：Process-Based Controls on Antibiotic Ecological Risk in Aquaculture Systems: Contrasting Roles of DOM Sources and System Openness Based on Machine Learning

　　

张浩静|姬琪|严浩|余惠斌|马静晶|史伟|李清倩

宁夏大学生态与环境学院，中国银川750021

摘要

抗生素在水产养殖中得到了广泛应用，但其生态风险的影响机制在不同的养殖系统中存在着根本性的差异。本文通过整合水质参数、溶解有机物（DOM）的光学特性、结构方程建模和机器学习方法，分析了两种不同养殖模式（循环水养殖系统RAS和传统水产养殖系统TAS）中抗生素生态风险的形成机制。在RAS中，抗生素生态风险主要与营养条件（如NH?–N）和pH值相关；而本土微生物产生的DOM则具有次要的预测作用。封闭或半封闭的循环系统限制了外部物质的输入，降低了环境变异性，使得环境因素与抗生素风险之间的响应关系相对稳定且接近线性。相比之下，TAS则强烈依赖于陆源的类腐殖质DOM（C1）以及pH值的调节。持续的外部DOM输入通过吸附、络合和光化学反应等非线性过程改变了DOM的组成，并控制了抗生素的命运。这些差异解释了为什么RAS中的抗生素风险更具可预测性，主要表现为线性关系，而TAS中的风险则依赖于非线性的、依赖于具体环境的相互作用，需要采用非线性和集成建模方法来分析。我们的研究结果为针对不同系统的风险评估策略提供了机制基础，并强调了DOM来源和系统开放性在塑造水产养殖环境中抗生素生态风险中的关键作用。我们的分析基于实地观测数据，因此所发现的关联关系仅说明了可能的驱动因素，并不能确定因果关系。

引言

在全球范围内，水产养殖中使用的抗生素主要用于疾病预防、治疗和促进生长[25]。在高放养密度和疾病频发的情况下，抗生素成为确保产量和经济效益的重要手段[24]。调查显示，仅水产养殖行业每年就消耗超过10,000吨抗生素，其中磺胺类药物[10]、喹诺酮类（QNs）、大环内酯类[9]和四环素类（TCs）在淡水养殖中占主导地位[35]。抗生素在水产养殖周期中的使用具有明显的时间规律：在养殖中期，为了加速生长和预防疾病爆发，抗生素的使用量急剧增加[22]。后期随着微生物动态的变化，抗生素的降解效率下降，排水成为稀释残留抗生素的主要方式。现有数据表明，池塘水中抗生素浓度的高峰通常出现在7月至9月[3]。在水生环境中，大约80%的抗生素以原始形式或代谢物形式释放到水中，对生态系统构成显著威胁[17]。然而，现有的抗生素检测方法需要复杂的预处理步骤、高操作难度和较长的检测周期，不适合大规模、高频率的监测。因此，监管部门在准确评估生态和健康风险及制定针对性缓解策略方面面临挑战。因此，开发快速、灵敏且适用于实地的检测技术，并建立基于水质-溶解有机物-生态响应框架的综合评估系统，成为解决抗生素相关生态风险、确保水产养殖环境生态安全的关键途径。

先前的研究表明，常规的水质参数（如pH值、化学需氧量[8]和总氮（TN）显著影响抗生素的存在和命运[12],[27]。其中，pH值不仅反映了H?的活性，还决定了水体的酸碱性；其变化直接影响某些抗生素的光化学转化速率，从而改变其空间分布[21]。此外，水温与碳和氮源共同影响环丙沙星（CFX）的降解过程，其中NH?–N是主要影响因素[20]。总之，水生环境中抗生素的残留水平并非孤立存在，而是随着水质物理化学性质的变化而动态波动。

溶解有机物（DOM）在水生环境中普遍存在，现有研究表明DOM的特性可用于检测微量抗生素。所有DOM组分都促进了氟喹诺酮类（FQs）的间接光降解，这是这些化合物的主要降解途径。促进这一过程的关键反应中间体是三重态溶解有机物（3DOM*）和单线态氧（1O?）[11],[13],[14]。由于DOM的异质性和复杂性，通常使用荧光光谱法来表征其光学特性。激发-发射矩阵（EEM）光谱结合平行因子分析（PARAFAC）能够分解和鉴定DOM组分，有效揭示其组成、反应性和来源[32]。该方法广泛应用于各种自然水体，以研究DOM的环境行为和转化途径。

因此，本研究的主要目的如下：(1) 描述整个水产养殖系统中抗生素、水质和DOM的空间和时间分布差异；(2) 探讨水质、DOM与抗生素生态风险之间的耦合关系；(3) 在小样本条件下实现水质-DOM-抗生素风险的耦合分析和预测。

节选

研究区域和样本采集

本研究调查了中国宁夏回族自治区内代表性水产养殖系统的抗生素污染情况。研究了两种典型的养殖系统：传统水产养殖系统（TAS）和循环水养殖系统（RAS）（见图1）。采样时间从5月持续到9月，覆盖了主要的水产养殖生长周期，共进行了五次采样（见补充材料1）。

为明确后续建模使用的数据结构，需要说明

养殖环境中抗生素的存在

在两个养殖系统的不同时期采集的水样中，共检测到66种属于9个类别的抗生素（见补充材料3）。这9个类别的平均检测频率依次为：四环素类（TCs，59.6%）>氯霉素（CAPs，59.6%）>大环内酯类（MLs，55.8%）>喹诺酮类（QNs，40%）>林可酰胺类（LMs，39%>氨基糖苷类（AGs，32%）>β-内酰胺类（20.8%）>硝基呋喃/硝基咪唑类（NF/NI，15.0%）>磺胺类药物（SAs，13.16%）。

结论

本研究结合水质参数、DOM的光学特性和机器学习辅助分析，探讨了两种不同养殖系统（RAS和TAS）中抗生素生态风险的环境关联。根据目前的观测数据，抗生素生态风险与系统配置和DOM特性有关，但这些关系应被视为统计趋势

局限性

首先，分析基于有限的独立观测数据（每个系统每月5次观测数据汇总），这限制了统计功效并增加了模型不稳定的风险。在这种条件下，内部验证方法（如留一法交叉验证）可能会产生过于乐观或不稳定的结果，尤其是对于复杂的模型而言。其次，本研究为观测性研究，因此无法进行因果推断。

未引用参考文献

[1]、[2]、[7]、[19]、[37]

CRediT作者贡献声明

严浩：研究工作。姬琪：撰写初稿，数据整理。张浩静：撰写初稿，进行正式分析，数据整理，概念构建。李清倩：撰写稿件修订与编辑。史伟：数据整理。马静晶：数据整理。余惠斌：研究工作。

利益冲突声明

作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。

致谢

本研究得到了广州水务局科技项目（HCJC-2025-026）和中国工程院地方合作项目（2024BEL01004）的财政支持。

利益冲突声明

作者声明他们没有利益冲突。