水质监测是环境保护的重要组成部分，电活性生物膜（EAB）传感器凭借其高灵敏度、快速响应和低成本优势，已广泛应用于水污染监测。然而，传统EAB传感器因其输出的电信号为综合响应，难以在复杂水体中同时识别多种毒物。随着计算机科学的发展，机器学习（ML）技术在环境污染评估中展现出巨大的潜力，为多毒物检测提供了新的解决方案。
鉴于此，成都生物研究所功能菌种创制与生物质高效利用创新团队基于已开发的生物毒性EAB传感器，成功构建了复合污染物选择性定量毒物预测模型（MEA-ANN）。该模型通过结合思维进化算法和人工神经网络，提取了不同类型水中毒物的电化学响应数据并对其进行分析，以评估模型在复杂水体中的预测性能（图1）。通过与不同实际水样（如河水、地下水、垃圾渗滤液等）的对比实验，研究验证了该模型的抗干扰性和实际适用性。
基于思维进化算法与人工神经网络模型共驱动的电化学生物传感器选择性定量监测水体复合污染物
MEA-ANN模型是一种基于进化计算的优化算法，模拟人类思维进化过程，旨在解决复杂优化问题。人工神经网络（ANN）擅长处理高维、非线性和复杂数据，而MEA能够优化ANN的结构或参数，使得模型在非线性问题上的表现更加稳定和准确。MEA与ANN结合时，利用MEA对神经网络的参数（如权重和偏置）进行优化，可以提高模型的预测性能和全局优化能力。这给了我们启发能否将其用于准确识别多毒物系统中的不同毒物类型，并实现毒物浓度的高效预测呢？研究结果显示，对于Cd²⁺、Cr⁶⁺、TCS和TCAA的预测准确率分别为100%、97.8%、92.5%和86.07%，整体预测准确率达到90.32%。与其他常见的机器学习模型（如随机森林 RF、K 近邻 KNN、支持向量机 SVM）相比，MEA-ANN表现出显著的优势。此外，通过进一步优化我们构建了OMEA-ANN模型，使预测准确性得到了提升，特别是在复杂环境中的毒物识别和定量预测能力。在此基础上，我们进一步通过平均响应值算法筛选简化输入特征参数以提高模型计算效率，结果表明，OMEA-ANN对毒物类型的总体预测准确率为92.68%。Cd²⁺、Cr⁶⁺、TCS和TCAA的定性预测准确率分别提高到100%、97.8%、95.6%和96.77%。在保证预测精度的同时，该优化算法将模型的训练时间减少了17%，提高了计算效率，达到了模型优化的目的。此外，我们评估了不同浓度的干扰毒物与不同浓度的目标毒物混合时OMEA-ANN模型的预测精度，结果表明即使存在类似干扰元素的情况下，OMEA-ANN模型也能准确识别目标毒物类型并保持精确的定量能力。在此基础上，我们探索了OMEA-ANN在实际水环境中的应用潜力（图2），进一步验证了其在不同水样中的可靠性和准确性。本研究提出的新型智能水生态风险预警策略有效克服了传统EAB传感器的局限性，为水质监测提供了一种快速、精准的解决方案，并显著扩大了EAB传感器在多种水体中的应用。
该研究成果已发表于环境领域权威期刊Environmental Science & Technology，题为“Selectively Quantify Toxic Pollutants in Water by Machine Learning Empowered Electrochemical Biosensor”。该论文第一作者/通讯作者为中国科学院成都生物研究所青年研究员汪婧婷，共同通讯作者为丹麦技术大学Yifeng Zhang教授。合作作者包括还包括四川农业大学沈飞教授、生物所博士生郑德聪、山地所博士生黄迪文等。本研究得到了国家自然科学基金、中国博士后科学基金等项目的资助。
本研究成果是团队近年来围绕生物传感器研发及其环境监测中的应用研究中（Water Research,2023;Biosensors and Bioelectronics,2023,2022），取得的又一重要进展。上述系列研究成果为水质监测技术的进步提供了重要支持，并为多污染物协同防治、水生态保护等领域提供了智慧决策技术。
原文连接：https://doi.org/10.1021/acs.est.4c09156
不同真实水样和加标天然水样中OMEA-ANN模型的实用性。