生成式深度学习模型辅助光合细菌实现废水氮资源多目标优化与蛋白转化

本研究针对光合细菌(PSB)废水处理中氮去除与资源回收难以平衡的难题，创新性地采用变分自编码器(VAE)生成5000组增强数据，结合弹性神经网络(ENN)进行多目标优化。研究发现近红外光(NIR)条件下可实现44%的氮蛋白转化率，并显著提升氨同化相关基因表达，为有限数据条件下的废水氮资源化提供了AI驱动的新范式。

　　

随着全球资源短缺加剧，废水中的氮资源回收成为可持续发展的重要课题。传统生物处理技术将废水氮转化为氮气排放，造成资源浪费；而利用光合细菌(PSB)将氮转化为高价值微生物蛋白，既能实现氮去除又可获得含40%-60%蛋白质的生物质。然而，PSB应用中长期存在氮去除效率与蛋白回收率难以协同优化的瓶颈，且现有研究多聚焦单目标优化，缺乏系统性的多目标决策方案。

针对这一挑战，由国家自然科学基金资助的研究团队在《Bioresource Technology》发表创新成果。研究首创性地将生成式深度学习(GDL)引入废水处理领域，通过变分自编码器(VAE)生成5000组高质量模拟数据，突破实验数据稀缺的限制。结合弹性神经网络(ENN)建模和SHAP价值解释算法，首次实现PSB系统中总氮(TN)去除、蛋白浓度和氮转化率的三重目标协同优化。

关键技术包括：1) 从404组文献数据构建PSB蛋白合成数据库；2) 采用VAE进行数据增强；3) 应用ENN模型拟合多目标响应关系；4) 基于SHAP分析识别碳源、氮源和光照类型等关键变量；5) 通过帕累托前沿确定最优参数组合。

源数据收集与预处理
整合Web of Science文献数据与实验数据，建立包含COD(化学需氧量)、TN、COD:TN比、水力停留时间(HRT)、照度、氮负荷率(NLR)等参数的404组数据集，为后续建模奠定基础。

生成数据评估
VAE模型在生成5000样本时达到80.17%重构精度，显著扩展数据边界。ENN模型对增强数据的拟合优度(R²)提升至0.91，验证了生成数据的可靠性。

关键影响因素解析
SHAP分析揭示：碳源、氮源和光照类型主导TN去除；氮源、NLR和光照决定蛋白浓度；而氮源、光照和COD共同调控氮转化效率。近红外光(NIR)在三个目标中均显示关键作用。

多目标优化验证
帕累托解对应的最优参数区间为：COD 3.42–7.48 g L^?1、TN 0.22–0.37 g L^?1、HRT 4.02–7.67天、NIR光照强度967.71–1405.56 lx。实验验证显示NIR组的氮蛋白转化率达44%，较白光提升1.8倍，且显著上调谷氨酰胺合成酶基因表达。

该研究创立了GDL辅助废水资源化的新范式：1) VAE解决小样本优化难题，为环境领域AI应用提供新工具；2) 明确NIR光通过增强氨同化途径(GS-GOGAT)提升蛋白合成的分子机制；3) 提出的参数区间可直接指导工程实践。研究成果推动废水处理从"污染消除"向"资源循环"转型，为碳中和目标下的氮管理提供技术支撑。