中国石油大学（北京）李叶青、清华大学王笑楠CEJ：利用自动机器学习技术探索厌氧消化的关键因素——在环境因子、微生物和系统层面

图片摘要

成果简介

近日，中国石油大学（北京）李叶青和清华大学王笑楠团队利用自动化机器学习（AutoML）技术对厌氧消化（AD）的反应参数进行了深入研究，基于H ₂ O AutoML设计了一种三重探索框架，在环境因素、微生物及系统层面均进行了智能分析与预测，并成功实现了AD的关键因素的确定 。

厌氧消化（ AD ）是利用微生物活动来处理有机废弃物，减少环境污染和生产绿色可再生能源的有效方法。由于消化底物和操作参数的巨大多样性，难以预测和控制复杂 AD 系统的稳定性和最终的沼气生产效果。探索关键因素对理解复杂的 AD 系统有重要的指导意义。但 AD 系统中的各参数间的内部相关性是高度复杂和非线性的，使得传统机理模型和机器学习（ ML ）模型难以全面处理 AD 过程中的各种代谢途径和微生物种群，发生过拟合和不稳定运行。此外，单一地对 AD 进行宏观因素探索，而忽略微生物作用机制，容易造成无法解释的 ML 输出结果，不足以揭示 AD 反应本质机理。

为了解决上述问题，中国石油大学（北京）新能源与材料学院李叶青教授团队设计了一种基于自动化机器学习（ H ₂ O AutoML ）的三重探索框架（图 1 ）。首先，框架第一层基于 H ₂ O AutoML 的最佳 Leader 模型对厌氧消化反应中的环境因数进行智能分析和预测，挖掘出关键操作参数及范围。其次，框架第二层基于 H ₂ O AutoML 的最佳 Leader 模型对厌氧消化反应中的微生物进行智能分析和预测，挖掘出关键古菌属和细菌属（及其最优相对丰度范围），并分别挖掘出对二者影响最大的细菌属和古菌属。最后，框架第三层基于 H ₂ O AutoML 的最佳 Leader 模型对厌氧消化反应中的系统层面进行智能分析和预测，并结合框架第一层和第二层结果，最终得出最关键的环境因素、古菌属和细菌属，及其最优参数范围组合。与此同时，三重框架均采用 H ₂ O 提供的集成式特征重要性（ FI ）方法和部份依赖图（ PDP ）方法进行可解释性分析。结果显示，框架第一层确定了水力停留时间（ HRT ）是最重要的环境因素，最佳范围为 33-45 天。框架第二层中 Methanocelleus （最佳相对丰度（ ORA ） = 3.0% ）和 Candidatus_Caldatribacterium （ ORA = 1.7% ）分别是关键的古菌属和细菌属。此外，基于环境因素和其余微生物数据对关键微生物的分析与预测显示了 Methanothermobacter 和 Acetomicrobium 的重要作用。探索预测沼气产量的最优数据变量组合的框架第三层表明，结合古菌属和环境因素实现了最准确的预测（均方根误差（ RMSE ） = 84.21 ）。此外， GBM 模型在所有内置模型中具有最好的模型性能和预测精度。基于最优 GBM 模型在系统层面的分析结果表明， HRT 是全局最重要的变量。然而，最重要的微生物 Methanocelleus 在合适的丰度范围内，也是实现最佳沼气产量的必要条件。可见，通过 AutoML 技术在不同层次上探索关键参数，有望为工业和实验室理解 AD 系统的复杂体系结构提供指导。

图文导读

本研究基于 12 个全尺寸规模项目和 8 个实验室项目中的 56 个样本收集了相应的环境因素、微生物、沼气产量数据。输入变量中的环境因素确定为：挥发性固体 / 总固体（ VS/TS ）、碳 / 氮（ C/N ）、 pH 值（ pH ）、温度（ T ）、水力停留时间 (HRT) 、有机负荷率（ OLR ）、挥发性脂肪酸（ VFAs ）、总氨氮量（ TAN ）和化学需氧量（ COD ）；微生物宏基因组数据通过 16S rRNA 高通量测序，并在古菌和细菌中选择属水平上相对丰度 >0.001% 的微生物菌属。输出变量为沼气产量。原始数据如图 2 所示。同时，基于上述变量数据建立了多个数据集用于框架分步利用，分别为： EBD （环境因素 - 沼气产量数据集）、 ABD （古菌属 - 沼气产量数据集）、 BBD （细菌属 - 沼气产量数据集）、 OAECD （其他细菌属 + 古菌属 + 环境因子 - 关键细菌属数据集）、 OBECD （其他古菌属 + 细菌属 + 环境因素 - 关键古菌属数据集）、 AEBD （古菌属 + 环境因素 - 沼气产量数据集）、 BEBD （细菌属 + 环境因素 - 沼气产量数据集）、 ABEBD （古菌属 + 细菌属 + 环境因素 - 沼气产量数据集）。利用 MissForest 算法对上述环境因素数据的缺失值样本进行填补。同时，对每个数据集进行皮尔逊相关矩阵分析（ PCC ），以探索变量之间的线性关系 。

利用一种广为使用且具备优秀性能的自动化机器学习算法 H ₂ O AutoML 来自动选择最佳运行模型。三重框架均通过在 60-2100s 运行时间范围内对众多模型进行模拟和预测，并利用均方根误差（ RSME ）指标对模型进行性能评估，来锁定最佳运行时间和对应的最优模型参数。同时，基于特征重要性和 PDP 图得出最关键参数及其最优范围 。

结果显示，框架第一层在 1800s 时实现了最低 RMSE 为 117.45 ，并发现最优模型为 GBM ， HRT 是影响沼气产量的最重要环境因子， HRT 处在 33-45 天时可以实现最大化沼气产量和经济效益（图 3 ）。

框架第二层在 2100s 时实现了最低 RMSE 为 1129.52 ，并发现最优模型为 GBM ， Methanoculleus 是最重要的古菌属（ FI=17% ），当其相对丰度在 0-0.03 % 内上升时，沼气产量迅速升高（图 4a ， b ， c ）； Candidatus_Caldatribacterium 是 最 为 重 要 的 细 菌 属 （ FI=39% ），当其相对丰度为 0.016% 时会成为最大化沼气产量的一个节点（图 4e ， f ， g ）。 Methanothermobacter 是对 Methanoculleus 影响最重要的因素（ Feature Importance=28% ）（图 5b ）； Acetomicrobium 是对 Candidatus_Caldatribacterium 影响最重要的因素（图 5e ） 。

框架第三层针对三个数据集（ AEBD 、 BEBD 和 ABEBD ）分别在 1500s 、 900s 和 300s 取得最低 RMSE ，并获得最佳模型均为 GBM 。在系统层面，三个数据集中均显示 HRT 是最重要的影响因素，其次 Candidatus_Caldatribacterium 和 Methanocelleus 是分别最重要的细菌属和古菌属。

往期推荐