一种基于人工智能的闭环框架：一种新型的酶促生物炭技术，可实现可生物降解塑料的近乎完全降解

《Journal of Hazardous Materials》：An AI-Driven Closed-Loop Framework: A Novel Enzymatic Biochar Enabling Near-Complete Degradation of Biodegradable Plastics

　　

王世卓|张涛|范建伟|张亚蕾|沈正

中国上海同济大学环境科学与工程学院，水污染控制与绿色资源回收国家重点实验室，200092

摘要

食物垃圾（FW）和可生物降解塑料（BPs）的厌氧共消化（AcoD）是一种有前景的废物转化为能源的策略，但仍然受到水解过程不同步的严重限制。通过传统的试错优化方法来克服这一限制既缓慢又昂贵。为了解决这个问题，开发了一个集成机器学习（ML）框架，将预测建模与严格的实验和机制验证相结合。虚拟筛选初步确定了中温酶负载的生物炭（BC）作为最佳干预措施。随后，合成了一种新型的蛋白酶K负载的生物炭（PKBC），在120天的试验中成功实现了对2毫米厚BP薄膜高达90%的降解率。高精度的随机森林模型进一步映射了系统动态，证实降解速率受到反应时间和甲烷产量的积极影响，但受到较大颗粒大小的严格限制。多组学分析揭示了PKBC触发了一种靶向的代谢级联反应，这种级联反应重新编程了微生物群落，加速了乳酸驱动的BP分解并最大化了产氢甲烷的过程。最终，这项工作为混合废物处理提供了一种高效的解决方案，并为复杂生物过程的智能设计建立了一个可转移的AI优先范式。

引言

全球食物垃圾（FW）的产生量正在激增。同时，可生物降解塑料（BPs）作为传统塑料的可持续替代品被广泛采用[1]。这些并行趋势给废物管理系统带来了前所未有的挑战。目前，厌氧消化（AD）是处理FW的主要方法[2]。然而，无论是否进行预处理，BPs（如聚乳酸（PLA）和聚对苯二甲酸丁二醇酯（PBAT））总是会与进入的FW混合[3]。BPs本身具有抗降解性，因此其缓慢的降解速率成为AD过程中的一个关键瓶颈。这个问题导致了操作问题，例如反应器堵塞，并显著限制了底物的降解效率和甲烷产量[4]。这种系统性的低效率破坏了循环经济的目标和BPs的推广[5]。为了解决这一降解瓶颈，酶催化成为一种有前景的策略[6]。酶预处理已被证明能有效提高各种有机废物的甲烷产量[7]，[8]。例如，对小麦秸秆进行合成微生物酶预处理后，甲烷产量达到了801.16 L/kg TS，比对照组高出38.79%，而漆酶预处理使庭院废物的甲烷产量提高了37.75%[9]，[10]。特别重要的是，特定的水解酶可以直接应用于BPs。例如，最近的研究表明，游离蛋白酶K（Pro K）可以直接促进厌氧共消化（AcoD）系统中BPs的降解[11]，[12]。然而，游离酶的实际应用受到其不稳定性和高成本的阻碍。将酶固定在像生物炭（BC）这样的坚固载体上提供了一个有吸引力的解决方案，因为BC不仅提高了酶的稳定性，还为AcoD提供了协同效益，如促进直接种间电子转移（DIET）和提供微生物定植位点[13]，[14]。尽管有这种潜力，但通往最佳酶负载BC系统的道路充满了复杂性。变量组合的爆炸性增长——包括酶类型、固定化化学、BC性质和工艺条件——形成了一个庞大的实验领域。通过传统的试错实验来探索这一领域既耗时又昂贵，这是该领域快速创新的一个根本方法论障碍。

为了克服这一方法论障碍，本研究将范式从传统的回顾性优化转变为由机器学习（ML）指导的前瞻性方法。ML已经在优化AD实验方面展示了显著的潜力。例如，Li等人利用包含700多个数据点的数据集，使用支持向量机（SVM）和决策树（DT）模型准确预测了甲烷产量并反向推导出最佳操作条件[15]。其他研究成功地使用支持向量回归（SVR）对特定产甲烷活性进行了高精度预测（R²高达0.97），而对于木材废物的AD，随机森林（RF）的甲烷产量预测准确率为0.96[16]，[17]。虽然这些案例无疑证明了ML在管理复杂生物系统方面的强大能力，但其指导新型功能材料的设计和应用的潜力尚未得到充分开发[18]。一个更深刻的限制是，这些预测模型往往像黑箱一样，无法揭示为什么某些条件是最优的。这种缺乏可解释性的问题阻碍了真正的科学发现，并限制了对AI驱动建议的信任。可解释AI（XAI）这一新兴领域直接解决了黑箱问题。它提供了工具来揭示模型预测背后的机制原因。一个有力的例子是使用XAI来识别AD中的关键微生物驱动因素。可解释模型揭示了某些低丰度微生物（如Chloroflexi）对系统性能的重要性可能超过许多优势物种[19]。这样的结论产生了可以在实验室中测试的新数据驱动假设。这种方法与越来越多的共识一致，即将ML预测与潜在的生物过程联系起来对于推动该领域的发展至关重要[20]。

在这项研究中，我们建立了一个集成的闭环研究框架，无缝结合了AI引导的预测、实验验证和多组学阐释。我们有意绕过了传统的试错方法，开创了一种AI优先的逆向设计策略。我们的目标有三个。首先，我们通过ML驱动的虚拟实验室确定了一种酶负载BC策略作为最佳途径。其次，我们物理合成了指定的材料（Pro K负载的BC，PKBC），并通过实验验证了其在几乎完全降解BPs方面的优越性能。第三，我们通过多组学分析揭示了背后的生物机制。最终，我们提供了一种高效的废物处理解决方案，并为复杂生物过程的智能优化建立了一个新的范式。

部分摘录

基于ML的虚拟实验室用于甲烷产量预测

为了显著提高传统AD实验的效率并降低初步试验的成本，开发了一个基于ML的虚拟实验室（图1）。该框架采用端到端的回归方法，直接将关键实验条件（包括反应时间、温度、BC添加量和四种不同的酶应用策略（对照、混合、共价和BC负载）与最终的累积甲烷产量相对应。其核心方法包括

AI引导的逆向设计：一种数据驱动的新催化剂提案

AcoD是一个涉及多个变量的复杂生物过程，传统的实验优化通常既耗时又昂贵。为了规避这一限制，本研究应用了一个集成ML框架，通过虚拟筛选、实验验证和深入分析的闭环来指导和加速FW和BPs的共消化优化。这种方法旨在利用ML的预测能力快速识别最佳条件

讨论

有机废物被BPs污染是一个重大的环境挑战。本文讨论了一种新的AI驱动方法来解决这一瓶颈。之前已经详细介绍了PKBC的成功开发，它是这项研究的核心实验成果。这种材料促进了AcoD过程中BPs的几乎完全降解（90.2%）。因此，这代表了该研究领域的一个非常有前景的进展（表1）。现在解释了推动这一成功的潜在机制。

结论

为了克服BPs和FW在AcoD中的持续水解瓶颈，本研究用一种创新的AI驱动的闭环设计框架取代了传统的试错优化方法。在ML预测的指导下，我们合成了一种新型的Pro K负载BC（PKBC）复合材料。实验验证证实了其卓越的性能，在120天内几乎完全（90.2%）降解了抗降解塑料薄膜，并表现出对酶浸出的强抵抗力。

环境影响

本研究提出了一个AI驱动的闭环框架，用于解决可生物降解塑料（BPs）在厌氧共消化中的降解问题。新型的蛋白酶K负载生物炭（PKBC）实现了几乎完全（90%）的BP降解。这为混合废物管理提供了一种高效且可持续的解决方案，显著提高了可再生能源（甲烷）的回收率。通过有效降解BPs和优化微生物过程，它极大地

CRediT作者贡献声明

王世卓：撰写——原始草稿、方法论、调查、数据整理。沈正：撰写——审稿与编辑、项目管理。张亚蕾：资源获取。范建伟：方法论、资金获取。张涛：验证、监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了政府间国际科技创新合作重点项目（2022YFE0120600）、上海市科学技术委员会（23dz1203700）和中国国家自然科学基金（U21A20322）的财政支持。

CRediT

王世卓进行了大部分实验（包括材料合成和厌氧消化），进行了数据分析，并起草了手稿。张涛开发了机器学习模型，