Digitalizing river aquatic ecosystems
Yaohui Bai*, Hui Lin, Chenchen Wang, Qiaojuan Wang, Jiuhui Qu*
https://doi.org/10.1016/j.jes.2023.03.012
成果简介
本研究提出了一种新的河流水生态系统健康和风险评估方法，该方法结合了污染物检测（特别是新污染物）、高通量DNA/RNA测序技术和机器学习。通过这种方法，可以全面地获取和分析河流生态系统的物理化学和生物特性，进而准确判定河流的生态与健康状态，有效支持河流管理和保护工作。
全文速览
数字化河流水生生态系统可以阐明长期暴露于低浓度的新污染物的环境影响，并评估河流的生态、健康风险。基于多组学和新污染物数据，这项技术可以实现风险评估、预测以及污染物溯源。此外，使用环境DNA、宏基因组学和宏转录组学，可以获得河流生态系统生物群落的综合组成和功能信息。而利用机器学习可对多组学和污染物监测数据进行综合分析。因此，数字化河流水生生态系统可以有效预测和识别对河流生态、健康具有显著影响的污染物，为未来的环境管理提供新的工具。
引言
以往对河流污染的研究主要基于有限的水质指标，不能全面掌握生命及非生命物质的构成。特别是由于缺乏对河流“水基因”的深入研究，无法准确获得河流污染物与水生生物群落之间的相互影响、作用过程。随着高通量测序技术、生物信息学及云计算的快速发展，使得“快速获取及分析河流中的基因密码”成为可能，通过破解这些基因密码便能获得水生态系统的物种组成及代谢功能特征，而全面掌握水中污染物特征及水生生物群落特征便能使对河流水质整体进行更准确的评价。
图文导读
数字化河流水生生态系统的关键步骤：
1. 构建物理化学和生物数据集：在不同流量、季节进行河流水生生态系统的实地调查，监测环境因素、营养物质和新污染物，分析污染物浓度的变化趋势，并识别潜在的风险污染物。生物特征的分析包括样本采集、DNA/RNA提取、特定遗传标记的PCR扩增、测序及生物信息学分析。应用多组学技术来分析水生植物、动物和微生物等生物群落的组成和功能特征，并识别反映污染水平的指示生物种类。整合以上数据形成河流水生生态系统的综合数据集，包括新污染物和营养物的种类与浓度、生物群落的组成与功能，以及抗生素抗性和致病因子基因。
2. 基于机器学习确定河流生态和健康风险水平：利用污染物和生物群落的检测数据，分析生态风险因子的变化趋势和分布，筛选出影响河流生态系统的关键因素。运用地理信息系统（GIS）技术，在河流地图上绘制生态风险因素的分布。通过对水质、新污染物、生物多样性和致病微生物等数据集进行有监督的机器学习分析，执行分层分类，以确定河流的生态和健康风险水平。机器学习流程包括：(ⅰ) 数据收集和准备；(ⅱ) 模型开发和优化；(ⅲ) 模型应用；(ⅳ) 模型验证。
3. 污染源识别：建立不同污染源的对应污染物和独特生物特征的数据库，使用机器学习识别河流中可能的污染源。综合样本中的序列分析（例如，标记基因集的样本丰度矩阵）来训练模型，区分不同的污染源类型。通过筛选，从数千个序列中选择最有助于源识别的特征子集。利用不同的分类方法，如RandomForest和SourceTracker，进行基于生物群落的源追踪。
4. 河流生态和健康风险的控制技术和策略：提出工业点源污染和农业非点源污染的协调控制策略，以减轻生态和健康风险。根据生态和健康风险评估，制定区域污染控制原则和方法，重点控制关键污染物排放，从而降低河流的生态和健康风险。
图1 生态和健康风险评估的方法流程图。该图展示了从数据采集到风险评估的各个步骤，强调了机器学习在处理和分类环境数据中的应用。
小结
数字化河流水生态系统利用先进的污染物检测技术和基因数据，结合河流水文特征，通过模型化提取有用信息，以全面且准确地了解河流环境问题。应用机器学习和深度学习等人工智能技术，可以从复杂的数据集中发掘隐藏的模式和关联，帮助解读河流的健康状况和环境挑战。例如，通过综合分析水质数据和微生物组构成，不仅可以预测水体的健康状况，还能识别具体的污染源。此外，构建的模型能够阐释和推断微生物间的相互作用。数字化河流通过整合环境科学、水文学和生物学等多学科知识和技术手段，不仅创新了河流水质监测和分析方法，还为河流管理提供了强有力的技术支撑。
作者简介
柏耀辉，中国科学院生态环境研究中心研究员，博士生导师。2009年在北京大学环境科学与工程学院获博士学位。2008-2009年以公派联合培养博士身份在美国Princeton大学学习，2013-2014年在瑞士联邦水科学技术研究所（Eawag）进行国际合作研究。长期从事水污染控制理论与环境生物技术的相关科研工作，近年来着重于“水质与水生态”的研究工作。目前已承担国家自然科学基金原创项目、国家重点研发计划、国家水体污染控制与治理科技重大专项、中科院重点项目、环保公益项目等多项课题研究。已在The ISME Journal、ISME Communications、ES&T、Water Research等期刊发表百余篇论文。
原文链接
https://www.sciencedirect.com/science/article/abs/pii/S100107422300116X
引用格式
Yaohui Bai, Hui Lin, Chenchen Wang, Qiaojuan Wang, Jiuhui Qu, 2024. Digitalizing river aquatic ecosystems. J. Environ. Sci. 137, 677-680.
