基于机器学习和质量充电指纹指纹的实时监测和化功能的解释的新视角
Chen-Shun Lu1, Shilong He1, Chunmiao Wang2
1School of Environment and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China.
Water research
|March 4, 2026
概括
这项研究引入了一种结合质谱和机器学习的新方法,用于实时监测化. 它将废水处理监测从水质转移到微生物代谢状态.
科学领域:
- 环境科学 环境科学
- 生物技术是生物技术.
- 分析化学 分析化学
背景情况:
- 化稳定性对于废水处理至关重要,但对操作变化敏感.
- 传统的监测方法缺乏对微生物代谢活动的直接洞察.
- 微生物功能状态的实时评估是有效的化过程控制所需的.
研究的目的:
- 开发使用质子转移反应飞行时间质谱和机器学习的化实时监测系统.
- 为了将微生物挥发性有机化合物 (mVOC) 信号与化过程参数和微生物状态相关联.
- 实现从传统的水质监测向废水处理中的代谢状态监测的转变.
主要方法:
- 从一个空中升降反应堆收集了28,396个质谱和水质参数数据集.
- 利用质子转移反应飞行时间质谱检测微生物挥发性有机化合物 (mVOCs).
- 使用机器学习,特别是XGBoost模型,用于数据分析和预测.
主要成果:
- XGBoost模型准确地预测了温度 (R 2: 0.96),溶解氧 (DO) (R 2: 0.95) 和pH (R 2: 0.99) 等关键参数.
- 特定的m/z信号 (Mz42,Mz87) 与变化有很强的相关性 (ΔNH+-N) (R高达0.83).
- 确定了m/z信号与微生物转移之间的关联,例如,Mz42表示化抑制,Mz45反映了Sphaerotilus增殖.
结论:
- 建立了一个基于mVOC和机器学习的实时化监测的新系统.
- 特性m/z信号作为特定微生物代谢状态和过程性能指标.
- 这种方法促进了转向废水处理中的代谢状态监测的范式转变.


