📄 文献精读 · 技术经济与建模

机器学习与因果推断预测光合细菌废水产蛋白：驱动因子与适宜参数区间 | 彭博士工具屋

基于401条文献与自测数据，用RF、GBDT、XGBoost、Bagging四种算法预测光合细菌（PSB）废水产单细胞蛋白。XGBoost预测蛋白含量（R²=0.8985），GBDT预测蛋白产量（R²=0.9885）、产率（R²=0.9878）与光能产蛋白（R²=0.9810）。SHAP识别驱动因子，ICALiNGAM识别因果因子，GAM给出临界点：蛋白含量pH 6.0–7.5、HRT<3.8 d；蛋白产量生物量>1.7 g、OLR>9.2 g/L/d、温度26.7–35.0 ℃等。

机器学习因果推断单细胞蛋白光合细菌SHAP临界点分析
💡 核心结论：因果推断辅助机器学习可有效预测光合细菌废水产单细胞蛋白的四个目标变量（R²最高0.9885），并给出驱动因子、因果因子及其适宜参数区间，其中光照条件并非蛋白合成的驱动因子。
📑 目录
文献信息要点速览背景与问题概念边界体系与方法结果逐条解读机制小结工程含义适用场景局限声明来源

文献信息

英文题名
Predicting photosynthetic bacteria-derived protein synthesis from wastewater using machine learning and causal inference
作者
Pengfei Hou, Shiqi Liu, Duofei Hu, Jie Zhang, Jinsong Liang, Huize Liu, Jizheng Zhang, Guangming Zhang
期刊 / 年份
Bioresource Technology 2024
DOI
10.1016/j.biortech.2024.131638
卷期 / 页码
414: 131638
单位
河北工业大学能源与环境工程学院（天津 300401）
一句话概括：整合文献与自有实验的401条观测数据，比较四种树模型预测蛋白含量、产量、产率与光能产蛋白，再用SHAP、ICALiNGAM与GAM识别驱动/因果因子并定位单因子与双因子交互的适宜范围。

一图不看也要知道的几件事

  • 数据库共401条观测，涵盖13种光源与9类接种物；输入变量包括DO、TN、TP、COD、温度、pH、OLR、COD/N比、光照度、光能、光周期、接种比例、生物量、HRT，以及光源与接种物等类别变量，正文称识别出16个输入变量。
  • 四个目标变量为蛋白含量（g/g生物量）、蛋白产量（g/L）、蛋白产率（g/L/d）与光能产蛋白（g/kWh），分别由公式(1)–(4)计算。
  • 数据集目标变量分布：蛋白产量0.0–89.9 g/L（均值3.7 g/L），蛋白产率0.0–59.5 g/L/d（均值1.1 g/L/d），光能产蛋白0.0–6.2 g/kWh（均值0.3 g/kWh），蛋白含量0.0–0.9 g/g（均值0.5 g/g）。
  • Spearman相关：蛋白产量与蛋白产率强相关（rho=0.89），但与蛋白含量几乎无关（0.09与0.07）；产量与产率对光能产蛋白为中等相关（0.51与0.62）；COD、OLR、生物量与产量的相关系数分别为0.52、0.50、0.71，与产率分别为0.57、0.59、0.58；pH与蛋白含量呈中等负相关。
  • 最优模型：蛋白含量用XGBoost（R²=0.8985），蛋白产量、产率、光能产蛋白均用GBDT（R²分别为0.9885、0.9878、0.9810）；模型评价使用R²、MSE、RMSE、MAE，超参数由Optuna贝叶斯优化调优。
  • SHAP重要性：蛋白含量前三位为pH（15.4%）、接种物（14.6%）、HRT（10.5%）；蛋白产量为生物量（33.0%）、OLR（21.3%）、温度（19.8%）；蛋白产率为OLR（48.2%）、HRT（18.4%）、生物量（18.2%）；光能产蛋白为光能（22.6%）、生物量（15.9%）、COD（15.2%）。
  • 因果因子与平均处理效应（ATE）：蛋白含量受pH（ATE=-0.6）与接种物（ATE=-2.7）影响；OLR（ATE=1.3与3.1）影响蛋白产量与产率；生物量（ATE=5.0）与HRT（ATE=-2.5）影响光能产蛋白；光照度直接负向影响蛋白产量（ATE=-24.7）与光能产蛋白（ATE=-416.3）；接种物（ATE=0.2）正向影响光能产蛋白。
  • 单因子临界点：蛋白含量在HRT>3.8 d时受负向影响，pH 6.0–7.5为正向区间；蛋白产量在OLR>9.2 g/L/d、温度26.7–35.0 ℃、光照度>3242 lx、生物量>1.7 g时正向；蛋白产率在HRT<3.5 d、生物量>1.6 g、OLR>10.0 g/L/d时正向，DO 0.3–1.4 mg/L有利，COD>3.3 g/L不利，光照度<1544.0或>5701.0 lx均有利。
  • 光能产蛋白的适宜区间：生物量1.7–65.0 g、光能0.1–4.4 kWh、HRT 0.2–3.0 d、COD 0.1–2.5 g/L、COD/N比11.0–152.0、光照度6.0–1544.0 lx。
  • 双因子交互优化区间：蛋白含量pH 6.4–7.5；蛋白产量OLR>164 g/L/d且生物量>6.4 g；蛋白产率OLR>166 g/L/d且生物量>7.2 g；光能产蛋白光能<3.0 kWh且生物量>50.2 g。

研究背景与要解决的问题

在环境可持续前提下提高蛋白产量是重要挑战。传统作物、畜牧与水产蛋白生产依赖低效施肥与食物链转化，资源浪费与环境负担较大（如养分流失）。以微生物作为蛋白来源（单细胞蛋白SCP）成为替代路径，相比传统蛋白源具有生产效率高、营养值高、占地与用水少、受季节影响小、可利用多种低成本底物、温室气体排放少等优势。

光合细菌（PSB）富含蛋白与必需氨基酸，代谢途径多样，可处理渔业、淀粉、乳品、畜牧与生活污水等多类废水，是SCP的潜在来源。已知光照条件、水质因子、生物因子与运行参数均显著影响PSB产SCP，且PSB对近红外光（尤其805–1035 nm）选择性吸收以提升光能转化。

既有研究积累了PSB废水产SCP的大量数据，但参数间为复杂非线性关系，传统统计方法难以给出可操作的过程优化见解。机器学习擅长高维复杂问题，因果推断辅助机器学习（CIML）可辨识变量间因果关系以增强可解释性。

本研究以CIML策略分析PSB废水产SCP，创新性地将蛋白含量、蛋白产量、蛋白产率与光能产蛋白作为目标变量进行综合评价，识别驱动因子与因果因子，并计算单变量与双变量交互的临界点，给出适宜操作区间。

概念与技术边界

SCP（单细胞蛋白）
以酵母、微藻、真菌或细菌等微生物发酵得到的蛋白产品，可作水产与畜禽饲料的环保替代蛋白源。
SHAP（Shapley加性解释）
基于博弈论Shapley值的模型解释方法，量化每个输入变量对预测结果的贡献大小与方向。
偏依赖图PDP与二维PDP（2D-PDP）
固定其他变量、观察某一（或两个）变量变化时模型预测如何改变的可视化方法，用于识别变量间交互效应。
ICALiNGAM
基于独立成分分析（ICA）的线性非高斯无环模型，是用于从数据中发现因果结构的一种因果推断方法。
ATE（平均处理效应）
因果推断中衡量某变量取值变化对目标变量平均影响的指标，正负号表示影响方向。
GAM（广义加性模型）
将SHAP值对变量值做平滑拟合的模型，用于定位目标变量行为发生显著转变的临界点。
临界点（tipping point）
使系统或过程行为发生显著转变的参数值；高于或低于该值，目标变量的变化规律会发生改变。

体系与方法

环节做法与参数
数据收集以Web of Science检索“photosynthetic bacteria/phototrophic microorganisms/photosynthetic non-sulfur bacteria”与“protein production/single-cell protein”，并整合课题组此前实验数据，共得到401条观测；参数从表格与正文提取，图形数据用Plot Digitizer v3.00 数字化。
数据预处理数值特征缺失值用KNN填补，类别特征用独热编码；剔除明显错误与离群点；按公式计算四个目标变量；对数值变量计算Spearman秩相关并用corrplot可视化。
模型训练与评价数据按80%/20%划分为训练集与测试集；比较RF、GBDT、XGBoost、Bagging四种算法；用scikit-learn v1.2.2与xgboost v2.0.3在Python v3.11.7实现，Optuna v3.6.1做贝叶斯超参数调优；以测试集最高R²选择各目标的最优模型。
模型解释用SHAP（shap v0.43.0）量化各输入变量重要性与贡献，用偏依赖图（pdpbox v0.2.1）识别非线性关系；以最优模型作为解释器。
因果推断用ICALiNGAM（Causallearn v1.5.4，Python v3.11.7）识别变量间因果关系，以ATE表示对目标变量的正负影响，显著性阈值p<0.05。
临界点与交互分析用GAM（R中mgrc v1.9-1）将SHAP值对变量值拟合，ggplot2 v3.5.1可视化；用二维偏依赖图研究两个驱动因子之间的交互作用。

主要结果（原文图表逐条解读）

图文摘要（Graphical Abstract）：PSB废水产单细胞蛋白的机器学习-因果推断研究框架。
图文摘要（Graphical Abstract）：PSB废水产单细胞蛋白的机器学习-因果推断研究框架。
图示信息：三阶段流程：①数据收集——光照条件、运行条件、水质因子、生物因子四类输入变量进入PSB光生物反应器，输出蛋白含量、产量、产率与光能产蛋白四个目标变量，数据来自文献检索与数据集构建；②模型处理与解释——在RF、GBDT、XGBoost、Bagging中筛选各目标最优模型，并用SHAP与二维偏依赖图解释；③决策支持——由临界点分岔图导向改善蛋白产量与光能利用的决策模块。
论文结果：研究以四类输入变量预测四个目标变量，并以SHAP、2D-PDP与临界点分析形成从建模到操作决策的完整链条。
研究意义：该框架说明本研究并非单一产量预测，而是覆盖“预测—解释—因果—临界点—交互优化”的综合评估思路。
Fig. 1 数据集所有变量间的Spearman秩相关系数矩阵。相关性强度判定：±0.8~±1.0为强相关，±0.5~±0.79为中等相关，±0.30~±0.49为弱相关，0~±0.29为无线性关系。（原图未能稳定匹配，仅文字解读）
图示信息：数值输入变量与四个目标变量两两之间的Spearman秩相关矩阵，用颜色深浅表示相关强弱与方向。
论文结果：蛋白产量与蛋白产率强相关（rho=0.89），二者与蛋白含量无显著相关（0.09与0.07），与光能产蛋白为中等相关（0.51与0.62）；COD、OLR、生物量与蛋白产量中等相关（0.52、0.50、0.71），与蛋白产率中等相关（0.57、0.59、0.58）；pH与蛋白含量呈中等负相关。
研究意义：多数线性相关不显著，说明变量间主要为非线性关系，传统相关性分析不足以刻画PSB产SCP的复杂机制，需借助机器学习与因果推断。
Fig. 2 最优模型对（a）蛋白含量、（b）蛋白产量、（c）蛋白产率与（d）光能产蛋白的预测性能；散点为预测值与观测值之比。（原图未能稳定匹配，仅文字解读）
图示信息：四个目标变量最优模型的预测值与观测值对比散点图（以预测/观测比值表示）。
论文结果：筛选后蛋白含量采用XGBoost（R²=0.8985），蛋白产量、蛋白产率与光能产蛋白均采用GBDT（R²分别为0.9885、0.9878、0.9810）；MSE、RMSE、MAE见补充材料。
研究意义：四个最优模型均具高精度与稳健性；蛋白含量模型R²相对较低（0.8985），因其受多变量影响、预测更难，但不影响其准确预测能力。
Fig. 3 基于SHAP方法的输入变量对不同目标变量的影响。（a）各输入变量在不同目标间的定量重要性；（b-e）分别为蛋白含量、蛋白产量、蛋白产率与光能产蛋白的全局重要性（蜂群图）。
Fig. 3 基于SHAP方法的输入变量对不同目标变量的影响。（a）各输入变量在不同目标间的定量重要性；（b-e）分别为蛋白含量、蛋白产量、蛋白产率与光能产蛋白的全局重要性（蜂群图）。
图示信息：（a）为四个目标变量的堆叠条形重要性图；蛋白含量：pH 15.4%、接种物14.6%、HRT 10.5%、其他59.5%；蛋白产量：生物量33.0%、OLR 21.3%、温度19.8%、其他25.9%；蛋白产率：OLR 48.2%、HRT 18.4%、生物量18.2%、其他15.3%；光能产蛋白：光能22.6%、生物量15.9%、COD 15.2%、其他约46%。下方箭头标注“驱动因子”。（b-e）为蜂群图，横轴为SHAP值，点为样本，颜色由紫（低值）到黄（高值）表示特征取值。
论文结果：不同目标变量由不同输入变量主导；（b）蛋白含量前几位为pH、接种物、HRT、OLR、DO、生物量；（c）蛋白产量由生物量、OLR、温度主导，高生物量对应大正向SHAP值；（d）蛋白产率由OLR、HRT、生物量主导，高OLR对应正向影响；（e）光能产蛋白由光能、生物量、COD主导。总体而言，前三重要变量主要属水质因子、生物因子与运行条件，光照条件的重要性明显偏低。
研究意义：光照条件并非蛋白合成的驱动因子，其可能主要影响PSB生物量积累而非蛋白合成；这提示优化时应优先调控pH、OLR、HRT、生物量与温度等变量。
Fig. 4 多个输入变量与PSB产SCP目标变量之间的因果识别。（a）蛋白含量、（b）蛋白产量、（c）蛋白产率、（d）光能产蛋白。实线箭头表示显著关系（p<0.05），红色为负因果效应、蓝色为正因果效应；虚线表示不显著（p≥0.05）；箭头旁数字为平均处理效应ATE。（原图未能稳定匹配，仅文字解读）
图示信息：因果网络图，节点为输入变量与目标变量，箭头与ATE数值表示因果方向与强度。
论文结果：同时作为因果因子与驱动因子的变量：pH（ATE=-0.6）与接种物（ATE=-2.7）影响蛋白含量，OLR（ATE=1.3与3.1）影响蛋白产量与蛋白产率，生物量（ATE=5.0）与HRT（ATE=-2.5）影响光能产蛋白。光照度直接因果作用于蛋白产量（ATE=-24.7）与光能产蛋白（ATE=-416.3），即光照度升高反而降低蛋白产量、对光能产蛋白的负向影响尤为显著；接种物（ATE=0.2）对光能产蛋白为正因果。另有若干间接因果路径：光照影响蛋白产量，DO、COD、光源影响蛋白产率，OLR、COD、COD/N比影响光能产蛋白。
研究意义：驱动因子与目标变量的相关不能等同于因果；光照度升高带来的能耗增大可能损伤光合色素与反应中心、降低光合效率，因此盲目提高光照度不利于蛋白产量与光能利用效率。
Fig. 5 多个输入变量中单因子临界点的识别。（a-b）蛋白含量、（c-f）蛋白产量、（g-l）蛋白产率、（m-r）光能产蛋白。（原图未能稳定匹配，仅文字解读）
图示信息：以GAM将SHAP值对变量值拟合的曲线族，正SHAP值表示对产SCP正效应、负值表示负效应。
论文结果：蛋白含量：HRT>3.8 d产生负向影响，pH 6.0–7.5为正向区间。蛋白产量：OLR>9.2 g/L/d正向，温度26.7–35.0 ℃正向，光照度>3242 lx增强，生物量>1.7 g正向。蛋白产率：HRT<3.5 d、生物量>1.6 g、OLR>10.0 g/L/d均正向；DO 0.3–1.4 mg/L有利；COD>3.3 g/L不利；光照度<1544.0或>5701.0 lx均增强日产率，且该正向效应在整个变量范围内均可见。光能产蛋白：生物量1.7–65.0 g、低光能0.1–4.4 kWh、短HRT 0.2–3.0 d、低COD 0.1–2.5 g/L、COD/N比11.0–152.0、光照度6.0–1544.0 lx均正向。
研究意义：给出各关键因子的可操作区间；增加接种比例以越过生物量临界点在实践中比直接控制PSB生长更可行，而低COD与低COD/N条件下化学降解供能受限、可能提升光能利用效率。
Fig. 6 两个驱动因子交互对PSB产SCP的影响。（a）pH与接种物对蛋白含量；（b）OLR与生物量对蛋白产量；（c）OLR与生物量对蛋白产率；（d）光能与生物量对光能产蛋白。图a纵轴0–8分别代表混合培养、Rhodopseudomonas sp.、Rhodobacter sp.、Ectothiorhodospira sp.、Rhodospirillales sp.、Rhodocyclus sp.、Rhodospirillum sp.、Rubrivivax sp.、Rhodovulum sp.。（原图未能稳定匹配，仅文字解读）
图示信息：四张二维偏依赖图，纵轴与横轴分别为两个驱动因子，色标表示目标变量预测值。
论文结果：中性初始pH下，混合培养与Rhodopseudomonas sp.作接种物时蛋白含量最高（超过0.56 g/g生物量）。随OLR增大，蛋白产量与蛋白产率显著上升，尤其当生物量超过阈值（蛋白产量对应生物量6.4 g、蛋白产率对应7.2 g）时；在最高OLR处两者达到峰值。当光能超过3.0 kWh时，光能产蛋白随生物量增长而显著提高；但过高能耗下光能产蛋白被限制在0.0–0.8 g/kWh，与生物量产量无关；当光能低于1.50 kWh时，光能产蛋白峰值可达1.8 g/kWh。
研究意义：非因果输入变量（HRT、生物量、光能）会调节因果因子（pH、OLR、生物量）对产SCP的作用；据此给出更精确的双因子操作区间。

机制小结

  • 光照条件主要通过促进光合作用增加生物量积累，而非直接驱动蛋白合成；蛋白合成还受还原力分配与限制性养分可用性的共同影响。
  • 当PSB需要利用还原力时，优先选择聚羟基脂肪酸酯（PHA，一种重要生物量形式）合成途径而非蛋白合成途径，因此光照增强未必提高蛋白含量。
  • 红外光可穿透培养液促进能量捕获，红光与细菌叶绿素吸收峰匹配、优化能量转化并提高蛋白产量；近红外LED还可在省能的同时提升光能产蛋白。
  • 混合培养中PSB与其他微生物通过电子互养形成合作关系，增强还原力从而改善光合作用与蛋白合成，故混合接种物对蛋白含量尤为重要。
  • 中性pH下有机物电子更高效地转移至PSB细胞，胞内电子过剩，多余电子在蛋白合成中被消耗以维持氧化还原平衡，从而促进蛋白积累。
  • 过高光照度带来的能耗增大可能损伤光合色素与反应中心、降低光合效率，从而负向影响蛋白产量与光能产蛋白。

工程与产业含义

  • 同类PSB废水产蛋白过程可优先调控pH、OLR、HRT、生物量与温度，而非单纯追求提高光照强度。
  • 推荐操作区间：蛋白含量对应pH 6.0–7.5、HRT<3.8 d；蛋白产量对应生物量>1.7 g、OLR>9.2 g/L/d、温度26.7–35.0 ℃；蛋白产率对应HRT<3.5 d、生物量>1.6 g、OLR>10.0 g/L/d；光能产蛋白对应光能0.1–4.4 kWh、生物量1.7–65.0 g、COD 0.1–2.5 g/L。
  • 双因子协同优化区间：蛋白含量pH 6.4–7.5；蛋白产量OLR>164 g/L/d且生物量>6.4 g；蛋白产率OLR>166 g/L/d且生物量>7.2 g；光能产蛋白光能<3.0 kWh且生物量>50.2 g。
  • 实际运行中通过提高接种比例以越过生物量临界点，比直接控制PSB生长更可行。
  • 在评估经济可行性时，应将光能消耗纳入优化，因为光能是光能产蛋白的首要驱动因子，过量能耗会把光能产蛋白限制在0.0–0.8 g/kWh。

适用与不适用场景

✅ 适用场景
  • 利用光合细菌处理废水并同步生产单细胞蛋白的过程预测与参数优化
  • 已有一定数量文献与实验数据积累、需要数据驱动建模的PSB产蛋白场景
  • 需要区分驱动因子与因果因子、并获取可操作参数区间的工艺优化
  • 以pH、OLR、HRT、生物量、温度、光能等为调控手段的水处理-资源回收耦合系统
⚠️ 不适用 / 需谨慎
  • 远离训练数据参数范围的极端工况，模型与临界点结论外推需谨慎
  • 忽略光能消耗而只追求蛋白产量最大化的评价场景
  • 以添加剂、种间竞争等未纳入数据集的因子为主导的过程（因数据范围窄、样本不足被排除）
  • 对蛋白含量预测的精度要求极高而仅依赖本文模型的情形（该模型R²为0.8985，低于其他三个目标）

局限与不确定性

作者未解决 / 需要读者注意的问题
  • 蛋白含量模型R²为0.8985，低于产量、产率与光能产蛋白（均>0.98），说明蛋白含量受多变量影响、预测更难。
  • 驱动因子与目标变量之间存在非线性波动，给准确识别驱动因子的真实影响带来挑战。
  • 添加剂、与其他微生物竞争、种间关系等影响SCP生产的因素因操作范围窄、相关数据不足而被排除在数据集之外。
  • 部分数据由图形数字化（Plot Digitizer）获取，可能引入提取误差；缺失值用KNN填补也可能引入偏差。
  • 结论基于文献与实验汇总的401条观测，光源与接种物类型在数据集中分布不均（13种光源、9类接种物）。

数据 · 代码 · 经费 · 利益冲突

正文声明数据可依请求提供（Data will be made available on request），补充材料见 https://doi.org/10.1016/j.biortech.2024.131638；致谢国家自然科学基金（52070067）资助；作者声明无已知的竞争性经济利益或个人关系。

来源与链接

🐾 返回主站