中国科学技术大学环境科学与工程系发展了一种基于机器学习辅助的高通量复合碳源筛选方法，旨在帮助污水处理厂迅速识别并优化异养反硝化所需的复合碳源配比。研究成果以“Machine Learning-Assisted Optimization of Mixed Carbon Source Compositions for High-Performance Denitrification” 为题近期发表于Environmental Science & Technology(DOI: 10.1021/acs.est.4c01743)，并评选为补充封面文章。

适宜的复合碳源在提升市政污水处理厂反硝化效率及降低运营成本方面具有巨大的潜力。然而，复合碳源组合的多样性使得传统筛选方法难以高效地确定最优组合。针对此问题，本研究研发了一种基于机器学习的高通量筛选技术，帮助污水处理厂迅速识别并优化其碳源组合。以当地污水处理厂作为研究对象，通过该高通量技术建立了一个针对反硝化的复合碳源反硝化潜力数据库，并利用此数据训练了机器学习模型。该模型采用碳源组成和接种污泥类型作为输入，通过XGBoost等算法预测总氮去除效率和微生物生长，以此评估反硝化潜能。动力学实验及长期反应器运行表明优化后的复合碳源反硝化效果显著优于单一碳源。模型特征分析进一步揭示了不同碳源之间的累积效应及其对于微生物潜在的碳源互补作用。此外，宏基因组学分析也显示，复合碳源可显著增加污水处理厂内反硝化细菌群落的多样性与复杂性。本研究为污水处理厂优化碳源添加提出了一种有效的策略，并为深入探索在多碳源条件下生物反硝化过程的增效机制提供了科学支撑。

环境科学与工程系特任副研究员潘元与博士研究生花添伟为本论文的第一作者，该工作得到了国家重点研发计划、国家自然科学基金及安徽省重大专项等项目的支持。

图 机器学习辅助优化复合碳源配比研究流程与期刊副封面

论文链接：https://doi.org/10.1021/acs.est.4c01743