【技术实现步骤摘要】
本专利技术涉及一种生物处理系统功能菌群的构建方法，尤其涉及一种面向新污染物控制的生物处理系统高效功能菌群的构建方法，属于生物信息学与生物。
技术介绍
1、新污染物指具有生物毒性、环境持久性、生物累积性等特征的有毒有害化学物质，这些物质对生态环境或者人体健康存在较大风险，但尚未纳入环境管理或者现有管理措施不足。目前，国际上广泛关注的新污染物有四大类，分别是持久性有机污染物、内分泌干扰物、抗生素和微塑料，例如抗生素磺胺甲噁唑(sulfamethoxazole,smx)，能够治疗敏感菌引起的尿路感染、呼吸系统感染或肠道感染等疾病，但由于其环境浓度高、易富集、难降解，已成为抗生素类新污染物的代表。但由于新污染物具有危害严重、风险隐蔽、环境持久、来源广泛、治理复杂等特征，因此治理难度很大。
2、传统的生物处理系统面临着菌群处理效能差、群落稳定性差、无法满足新污染物处理需求等严峻挑战，如何增加生物处理系统对新污染物控制需求的处理效能得到研究者们的广泛关注。传统的生物增强手段包括：工程菌构建及功能菌剂接种等，但由于其基于理想环境的设计，在实际应用中面对复杂系统环境往往无法达到理论效果。而原位强化菌群的方法由于仅考虑关键功能物种，导致关键菌群多样性低，稳定性差，从而难以实现原位强化。微生物群落结构及相互关系错综复杂，网络分析是探索关键菌群及微生物关联的有力工具，然而其构建方法往往依赖于相关性或协方差。基于这些方法获得的生物关联往往受到扩散限制、环境选择等群落装配机制的影响，难以直接表示微生物之间的生物关联，且一般的网络拓扑结构无法全
3、此外，传统方法调节原位菌群往往通过更改生物处理系统的工艺参数来实现，包括含氧量、温度、ph值、碳氮磷比例等等。然而，生物处理系统的环境因素影响复杂，依托小样本数据更改工艺参数，原位菌群不能对环境变化做出有效响应，原位菌群构建成功率相对较低。
技术实现思路
1、专利技术目的：本专利技术的目的在于针对生物处理系统中面向新污染物控制的原位高效菌群识别与构建困难的现状，提供一种面向生物处理系统新污染物控制的高效功能菌群构建方法。
2、技术方案：本专利技术提供一种面向新污染物控制的生物处理系统高效功能菌群的构建方法，包括以下步骤：
3、(1)识别生物处理系统的基石微生物；
4、(2)分析假定生物关联网络，识别枢纽微生物；
5、(3)测定生物处理系统中的目标新污染物，识别降解目标新污染物的功能微生物；
6、(4)测定生物处理系统中的信号分子，利用以基石微生物、枢纽微生物和功能微生物构成的关键菌群与信号分子间的相关性，识别菌群关键信号分子；
7、(5)利用关键信号分子促进关键菌群耦合及定殖，构建针对目标新污染物的高效降解菌群。
8、生物处理系统的微生物大数据可通过开放数据源或测序技术获取，包括16srrna扩增子测序等本领域所熟知的测序方案。所述基石微生物对生物处理系统中微生物群落结构形成关键作用；所述枢纽微生物是结合微生境分析并减少扩散限制与环境选择的影响菌落结构形成的菌群；所述功能微生物与目标新污染物降解有关。结合基石微生物、枢纽微生物和功能微生物三个维度，能够全面准确地识别生物处理系统中的关键菌群，从而挖掘出影响关键菌群的关键群体感应特征(即群体感应关键信号分子)，用于生物处理系统关键菌群的耦合及定殖，构建得到面向目标新污染物的高效降解菌群。
9、优选的，在步骤(1)中，所述基石微生物通过深度学习识别，例如cnode。
10、优选的，在步骤(1)中，所述基石微生物识别方法为：
11、(11)对微生物数据进行预处理，相对丰度记作表p，即该样本物种组成表示为向量p∈δn，第i个物种的相对丰度为pi，δn表示概率单纯形，物种是否存在的记作表z，存在用1表示，不存在用0表示，即向量z∈{0,1}n；数据预处理优选抽平处理，噪音处理等，包括过滤掉出现频率低于20％，相对丰度少于0.0005％的微生物数据；
12、(12)采用cnode2深度学习框架学习映射损失函数定义为所有样本真实值与预测值之间的平均bray-curtis距离，训练后得到预测文件；
13、(13)使用预测文件计算目标生物处理系统的微生物基石度并识别基石微生物，计算公式表示物种i对群落组成的影响组分，(1-pi)表示生物量组分；为去除物种i后的预测的新群落组成，为去除物种i后，简单地设置pi＝0后重新归一化的群落组成；优选基石度排名前10％的微生物为基石微生物。
14、优选的，在步骤(2)中，所述假定生物关联网络分析方法为qcmi，包括以下步骤：
15、(21)构建生物关联网络；
16、(22)对网络构建结果进行显著性分析，筛选高度相关参数，避免多重共线性；
17、(23)通过assigned_process()功能函数计算扩散限制和环境选择对生物关联网络的影响，获取最终的假定生物关联网络。
18、优选的，在(21)中，所述生物关联网络构建方法包括spiec-easi(生态关联的稀疏逆协方差估计与统计推断)方法、pearson相关系数、spearman相关系数。
19、优选的，在(22)中，所述显著性分析方法包括能够去除网络分析中的间接关系的idirect、去除基于相关性分析得到的网络中的非显著关系的随机矩阵理论rmt法。
20、优选的，在步骤(4)中，所述群体感应信号分子包括ahl信号分子。
21、优选的，在步骤(2)中，构建所述假定生物关联网络的数据包括微生境信息、工艺参数信息或地理信息。微生境信息包括：总氮、氨态氮、硝态氮、亚硝态氮、水溶性有机氮、水温、ph、总磷、有机碳。地理信息包括经纬度坐标。
22、优选的，在步骤(3)和/或(4)中，所述含量测定方法为液质联用，包括三重四极杆液质联用系统。
23、优选的，在步骤(1)中，所述生物处理系统包括活性污泥法、生物膜法、生物滤池等污水处理系统，以及生物堆肥等利用生物过程处理废物或污染物的系统。
本文档来自技高网...【技术保护点】
1.一种面向新污染物控制的生物处理系统高效功能菌群的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的构建方法，其特征在于，在步骤（1）中，所述基石微生物通过深度学习识别。
3.根据权利要求2所述的构建方法，其特征在于，在步骤（1）中，所述深度学习方法包括cNODE。
4.根据权利要求1所述的构建方法，其特征在于，在步骤（2）中，所述假定生物关联网络分析方法为QCMI。
5.根据权利要求4所述的构建方法，其特征在于，QCMI假定生物关联网络分析包括以下步骤：
6.根据权利要求5所述的构建方法，其特征在于，在（21）中，所述生物关联网络构建方法包括Spiec-Easi、pearson相关系数或spearman相关系数。
7.根据权利要求5所述的构建方法，其特征在于，在（22）中，所述显著性分析方法包括iDIRECT或随机矩阵理论RMT法。
8.根据权利要求1所述的构建方法，其特征在于，在步骤（4）中，所述群体感应信号分子包括AHL信号分子。
9.根据权利要求1所述的构建方法，
10.根据权利要求1所述的构建方法，其特征在于，在步骤（3）和/或（4）中，所述含量测定方法为液质联用。
...【技术特征摘要】
1.一种面向新污染物控制的生物处理系统高效功能菌群的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的构建方法，其特征在于，在步骤（1）中，所述基石微生物通过深度学习识别。
3.根据权利要求2所述的构建方法，其特征在于，在步骤（1）中，所述深度学习方法包括cnode。
4.根据权利要求1所述的构建方法，其特征在于，在步骤（2）中，所述假定生物关联网络分析方法为qcmi。
5.根据权利要求4所述的构建方法，其特征在于，qcmi假定生物关联网络分析包括以下步骤：
6.根据权利要求5所述的构建方法，其特征在于，在（21）中，所述生物关...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。