水質(zhì)監(jiān)測是環(huán)境保護的重要組成部分，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。隨著計算機科學的發(fā)展，機器學習（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)新團隊基于已開發(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響應(yīng)數(shù)據(jù)并對其進行分析，以評估模型在復(fù)雜水體中的預(yù)測性能（圖1）。通過與不同實際水樣（如河水、地下水、垃圾滲濾液等）的對比實驗，研究驗證了該模型的抗干擾性和實際適用性。

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

MEA-ANN模型是一種基于進化計算的優(yōu)化算法，模擬人類思維進化過程，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)能否將其用于準確識別多毒物系統(tǒng)中的不同毒物類型，并實現(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)測準確率分別為100%、97.8%、92.5%和86.07%，整體預(yù)測準確率達到90.32%。與其他常見的機器學習模型（如隨機森林 RF、K 近鄰 KNN、支持向量機 SVM）相比，MEA-ANN表現(xiàn)出顯著的優(yōu)勢。此外，通過進一步優(yōu)化我們構(gòu)建了OMEA-ANN模型，使預(yù)測準確性得到了提升，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)測準確率為92.68%。Cd2?、Cr??、TCS和TCAA的定性預(yù)測準確率分別提高到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模型也能準確識別目標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在實際水環(huán)境中的應(yīng)用潛力（圖2），進一步驗證了其在不同水樣中的可靠性和準確性。本研究提出的新型智能水生態(tài)風險預(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、精準的解決方案，并顯著擴大了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Yifeng Zhang教授。合作作者包括還包括四川農(nóng)業(yè)大學沈飛教授、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基金、中國博士后科學基金等項目的資助。

本研究成果是團隊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），取得的又一重要進展。上述系列研究成果為水質(zhì)監(jiān)測技術(shù)的進步提供了重要支持，并為多污染物協(xié)同防治、水生態(tài)保護等領(lǐng)域提供了智慧決策技術(shù)。

原文連接：https://doi.org/10.1021/acs.est.4c09156

不同真實水樣和加標天然水樣中OMEA-ANN模型的實用性。