【儀表網(wǎng) 研發(fā)快訊】水質(zhì)監(jiān)測是環(huán)境保護(hù)的重要組成部分，電活性生物膜(EAB)傳感器憑借其高靈敏度、快速響應(yīng)和低成本優(yōu)勢，已廣泛應(yīng)用于水污染監(jiān)測。然而，傳統(tǒng)EAB傳感器因其輸出的電信號為綜合響應(yīng)，難以在復(fù)雜水體中同時識別多種毒物。隨著計算機(jī)科學(xué)的發(fā)展，機(jī)器學(xué)習(xí)(ML)技術(shù)在環(huán)境污染評估中展現(xiàn)出巨大的潛力，為多毒物檢測提供了新的解決方案。
 

　　鑒于此，成都生物研究所功能菌種創(chuàng)制與生物質(zhì)高效利用創(chuàng)新團(tuán)隊(duì)基于已開發(fā)的生物毒性EAB傳感器，成功構(gòu)建了復(fù)合污染物選擇性定量毒物預(yù)測模型(MEA-ANN)。該模型通過結(jié)合思維進(jìn)化算法和人工神經(jīng)網(wǎng)絡(luò)，提取了不同類型水中毒物的電化學(xué)響應(yīng)數(shù)據(jù)并對其進(jìn)行分析，以評估模型在復(fù)雜水體中的預(yù)測性能(圖1)。通過與不同實(shí)際水樣(如河水、地下水、垃圾滲濾液等)的對比實(shí)驗(yàn)，研究驗(yàn)證了該模型的抗干擾性和實(shí)際適用性。
 

　　基于思維進(jìn)化算法與人工神經(jīng)網(wǎng)絡(luò)模型共驅(qū)動的電化學(xué)生物傳感器選擇性定量監(jiān)測水體復(fù)合污染物
 

　　MEA-ANN模型是一種基于進(jìn)化計算的優(yōu)化算法，模擬人類思維進(jìn)化過程，旨在解決復(fù)雜優(yōu)化問題。人工神經(jīng)網(wǎng)絡(luò)(ANN)擅長處理高維、非線性和復(fù)雜數(shù)據(jù)，而MEA能夠優(yōu)化ANN的結(jié)構(gòu)或參數(shù)，使得模型在非線性問題上的表現(xiàn)更加穩(wěn)定和準(zhǔn)確。MEA與ANN結(jié)合時，利用MEA對神經(jīng)網(wǎng)絡(luò)的參數(shù)(如權(quán)重和偏置)進(jìn)行優(yōu)化，可以提高模型的預(yù)測性能和全局優(yōu)化能力。這給了我們啟發(fā)能否將其用于準(zhǔn)確識別多毒物系統(tǒng)中的不同毒物類型，并實(shí)現(xiàn)毒物濃度的高效預(yù)測呢？研究結(jié)果顯示，對于Cd²?、Cr??、TCS和TCAA的預(yù)測準(zhǔn)確率分別為100%、97.8%、92.5%和86.07%，整體預(yù)測準(zhǔn)確率達(dá)到90.32%。與其他常見的機(jī)器學(xué)習(xí)模型(如隨機(jī)森林 RF、K 近鄰 KNN、支持向量機(jī) SVM)相比，MEA-ANN表現(xiàn)出顯著的優(yōu)勢。此外，通過進(jìn)一步優(yōu)化我們構(gòu)建了OMEA-ANN模型，使預(yù)測準(zhǔn)確性得到了提升，特別是在復(fù)雜環(huán)境中的毒物識別和定量預(yù)測能力。在此基礎(chǔ)上，我們進(jìn)一步通過平均響應(yīng)值算法篩選簡化輸入特征參數(shù)以提高模型計算效率，結(jié)果表明，OMEA-ANN對毒物類型的總體預(yù)測準(zhǔn)確率為92.68%。Cd²?、Cr??、TCS和TCAA的定性預(yù)測準(zhǔn)確率分別提高到100%、97.8%、95.6%和96.77%。在保證預(yù)測精度的同時，該優(yōu)化算法將模型的訓(xùn)練時間減少了17%，提高了計算效率，達(dá)到了模型優(yōu)化的目的。此外，我們評估了不同濃度的干擾毒物與不同濃度的目標(biāo)毒物混合時OMEA-ANN模型的預(yù)測精度，結(jié)果表明即使存在類似干擾元素的情況下，OMEA-ANN模型也能準(zhǔn)確識別目標(biāo)毒物類型并保持精確的定量能力。在此基礎(chǔ)上，我們探索了OMEA-ANN在實(shí)際水環(huán)境中的應(yīng)用潛力(圖2)，進(jìn)一步驗(yàn)證了其在不同水樣中的可靠性和準(zhǔn)確性。本研究提出的新型智能水生態(tài)風(fēng)險預(yù)警策略有效克服了傳統(tǒng)EAB傳感器的局限性，為水質(zhì)監(jiān)測提供了一種快速、精準(zhǔn)的解決方案，并顯著擴(kuò)大了EAB傳感器在多種水體中的應(yīng)用。
 

　　該研究成果已發(fā)表于環(huán)境領(lǐng)域權(quán)威期刊Environmental Science & Technology，題為“Selectively Quantify Toxic Pollutants in Water by Machine Learning Empowered Electrochemical Biosensor”。該論文第一作者/通訊作者為中國科學(xué)院成都生物研究所青年研究員汪婧婷，共同通訊作者為丹麥技術(shù)大學(xué)Yifeng Zhang教授。合作作者包括還包括四川農(nóng)業(yè)大學(xué)沈飛教授、生物所博士生鄭德聰、山地所博士生黃迪文等。本研究得到了國家自然科學(xué)基金、中國博士后科學(xué)基金等項(xiàng)目的資助。
 

　　本研究成果是團(tuán)隊(duì)近年來圍繞生物傳感器研發(fā)及其環(huán)境監(jiān)測中的應(yīng)用研究中(Water Research,2023;Biosensors and Bioelectronics,2023,2022)，取得的又一重要進(jìn)展。上述系列研究成果為水質(zhì)監(jiān)測技術(shù)的進(jìn)步提供了重要支持，并為多污染物協(xié)同防治、水生態(tài)保護(hù)等領(lǐng)域提供了智慧決策技術(shù)。
 

不同真實(shí)水樣和加標(biāo)天然水樣中OMEA-ANN模型的實(shí)用性。