水質監測是環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、快速響應和低成本優勢，已廣泛應用于水污染監測。然而，傳統EAB傳感器因其輸出的電信號為綜合響應，難以在復雜水體中同時識別多種毒物。隨著計算機科學的發展，機器學習（ML）技術在環境污染評估中展現出巨大的潛力，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制與生物質高效利用創新團隊基于已開發的生物毒性EAB傳感器，成功構建了復合污染物選擇性定量毒物預測模型（MEA-ANN）。該模型通過結合思維進化算法和人工神經網絡，提取了不同類型水中毒物的電化學響應數據并對其進行分析，以評估模型在復雜水體中的預測性能（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網絡模型共驅動的電化學生物傳感器選擇性定量監測水體復合污染物

MEA-ANN模型是一種基于進化計算的優化算法，模擬人類思維進化過程，旨在解決復雜優化問題。人工神經網絡（ANN）擅長處理高維、非線性和復雜數據，而MEA能夠優化ANN的結構或參數，使得模型在非線性問題上的表現更加穩定和準確。MEA與ANN結合時，利用MEA對神經網絡的參數（如權重和偏置）進行優化，可以提高模型的預測性能和全局優化能力。這給了我們啟發能否將其用于準確識別多毒物系統中的不同毒物類型，并實現毒物濃度的高效預測呢？研究結果顯示，對于Cd2?、Cr??、TCS和TCAA的預測準確率分別為100%、97.8%、92.5%和86.07%，整體預測準確率達到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表現出顯著的優勢。此外，通過進一步優化我們構建了OMEA-ANN模型，使預測準確性得到了提升，特別是在復雜環境中的毒物識別和定量預測能力。在此基礎上，我們進一步通過平均響應值算法篩選簡化輸入特征參數以提高模型計算效率，結果表明，OMEA-ANN對毒物類型的總體預測準確率為92.68%。Cd2?、Cr??、TCS和TCAA的定性預測準確率分別提高到100%、97.8%、95.6%和96.77%。在保證預測精度的同時，該優化算法將模型的訓練時間減少了17%，提高了計算效率，達到了模型優化的目的。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模型的預測精度，結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。在此基礎上，我們探索了OMEA-ANN在實際水環境中的應用潛力（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風險預警策略有效克服了傳統EAB傳感器的局限性，為水質監測提供了一種快速、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用。

該研究成果已發表于環境領域權威期刊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大學Yifeng Zhang教授。合作作者包括還包括四川農業大學沈飛教授、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及其環境監測中的應用研究中（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監測技術的進步提供了重要支持，并為多污染物協同防治、水生態保護等領域提供了智慧決策技術。

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。