《Emerging Contaminants》：Predictive modeling of fish growth using oral microbiome responses to individual and combined microplastic and nanoparticle contaminated feed exposures
编辑推荐：
为应对水生态系统中微塑料(MPs)和纳米颗粒(NPs)污染对生物健康构成日益增长的威胁，研究人员以鲤鱼为模型，开展了污染物暴露对鱼类生长及口腔菌群影响的研究。研究发现个体与联合暴露均显著降低增重，并揭示了菌群α多样性与宿主生长呈正相关。研究创新性地运用XGBoost机器学习模型，成功仅通过菌群谱预测个体鱼生长，将口腔菌群转化为宿主健康的量化生物标志物。该研究为解决生态毒理应激与生物学结果整合的预测框架提供了新思路。
间隔符
论文解读
水生生态系统，这个蓝色星球的生命摇篮，正面临着一场“看不见的污染”侵袭。自20世纪50年代以来，塑料的大规模生产和使用，让无数微塑料碎片流入江河湖海。与此同时，另一个新兴污染物——纳米颗粒，也因其在工业和消费品中的广泛应用而大量进入水环境。这些肉眼难辨的颗粒，如同潜伏的“微型特工”，被鱼类等水生生物摄取，进入食物链，对生物健康构成潜在威胁。然而，面对这种复合污染，我们如何评估其对生物个体的具体影响？是否存在一种方法，能够像“读心术”一样，通过分析生物体的微观变化，来预测其宏观的生长健康状况？这成为了生态毒理学和环境健康领域亟待解决的难题。
发表在《Emerging Contaminants》上的一项研究，为我们提供了一种新颖的解决方案。这项研究巧妙地以常见的鲤(Cyprinus carpio)为“哨兵”，探究了微塑料和纳米颗粒（包括单一及联合暴露）对其生长和口腔菌群的影响。研究结果令人深思：无论是单独“摄入”微塑料还是纳米颗粒，或是两者的“混合套餐”，都会显著抑制鲤鱼的体重增加。更值得玩味的是，口腔菌群这个“前沿哨所”的反应复杂而微妙。单一污染物暴露时，菌群的丰富度（Alpha多样性）反而有所增加，好似菌群在面对单一压力时试图“招兵买马”来应对；但当两种污染物联合来袭时，菌群的多样性却下降了，这可能意味着压力超过了群落的承受极限，导致生态系统崩溃。研究人员进一步发现，口腔菌群的多样性与鱼的生长表现呈显著正相关，特别是香农(Shannon)指数可以解释约50%的生长差异。基于此，研究团队构建了一个强大的预测工具——利用XGBoost（极限梯度提升）机器学习模型，仅仅通过分析鱼的口腔菌群组成，就能可靠地预测出单条鱼的生长情况。通过SHAP（SHapley Additive exPlanations）值解读，研究者还识别出了关键的预测性细菌类群和多样性指标，从而将口腔菌群转化为了一个可量化的宿主健康生物标志物。这项研究揭示，微塑料和纳米颗粒污染会导致菌群发生可预测的、具有机制信息的转变，为利用人工智能和微生物组学进行生态健康预警打开了新的大门。
为了开展这项研究，作者团队在2025年于三峡大学进行动物实验。研究采用聚酰胺微塑料和氧化铁纳米颗粒，将其掺入商品鱼饲料中制备成污染饲料。实验选用体重5-8克的鲤幼鱼，分为对照组、微塑料暴露组、纳米颗粒暴露组及联合暴露组，进行为期一个月的暴露实验。研究的关键技术方法主要包括：1）生长性能分析：记录初始和最终体重，计算增重、特定生长率和饲料转化率；2）口腔菌群16S rRNA基因测序：使用无菌刮匙采集口腔黏膜内容物，提取基因组DNA，对细菌16S rRNA基因的V3-V4高变区进行PCR扩增，并在Illumina NovaSeq 6000平台上进行测序；3）微生物组数据分析：基于扩增子序列变体进行物种分类，计算α多样性（如Chao1、Shannon指数）和β多样性；4）机器学习建模与解释：应用随机森林、XGBoost、PSO-XGBoost（粒子群优化-XGBoost）和LightGBM四种树集成算法，以菌群α多样性指标预测鱼体增重，并通过SHAP分析解读模型，识别关键微生物特征；5）病原菌失调指数计算：基于有益和致病菌的相对丰度，计算菌群失调指数，量化群落向致病性主导的转变。
研究结果部分揭示了污染暴露对鲤鱼及其口腔菌群的深刻影响：
3.1. 生长性能：通过增重分析发现，对照组鱼的体重显著增加，而所有暴露于微塑料、纳米颗粒及其组合的处理组，其增重均受到显著抑制。联合暴露组对增重的抑制效应最为明显。
3.2. 细菌分类学与α多样性：菌群分析显示，微塑料单独暴露显著增加了口腔菌群的丰富度（Chao1指数）。然而，在微塑料与纳米颗粒联合暴露下，反映物种均匀度和丰富度的香农多样性指数却出现下降，表明了不同暴露模式下菌群反应的复杂性。
3.3. 基于SHAP分析的细菌丰度：SHAP分析识别出与生长预测最相关的细菌门。变形菌门(Proteobacteria)在联合暴露组中丰度增加且SHAP值为正，常被视为菌群失调的生物标志物。而梭杆菌门(Fusobacteriota)则显示出与生长预测的负相关趋势。拟杆菌门(Bacteroidota)、厚壁菌门(Firmicutes)和脱硫杆菌门(Desulfobacterota)被确定为对模型预测影响最大的关键门。
3.4. 细菌失调指数：计算得到的菌群失调指数表明，纳米颗粒暴露组的口腔菌群失调程度最高，其次为微塑料暴露组，这一定量指标证实了污染物导致菌群平衡被破坏。
3.5. 病原菌负荷指数：菌群结构分析揭示了一个明显趋势：在微塑料和纳米颗粒暴露组中，有益菌的相对丰度下降，而致病菌的丰度显著上升，表明污染物暴露促使口腔菌群向更富致病性的状态转变。
3.6. 模型可解释性与特征重要性分析：在比较的多种机器学习模型中，PSO-XGBoost模型在预测鱼体增重方面表现出最高的相关性（R = 0.894）和较低的误差。分析证实，菌群的香农多样性与鱼体生长之间存在显著正相关关系（R2= 0.501）。
3.7. 生长与α多样性之间的回归模型：回归分析进一步巩固了上述发现，表明鱼类生长性能与多个α多样性指数（ACE、Chao1、Shannon、Simpson）均存在显著正相关，其中与香农指数的相关性最强，解释了约50.1%的生长方差。
在讨论与结论部分，研究强调了本工作的多重意义。首先，它证实了微塑料和纳米颗粒污染会通过扰乱鱼类口腔菌群平衡，进而抑制其生长，其中联合暴露常表现出协同或更复杂的效应。其次，研究创新性地将机器学习，特别是XGBoost算法与SHAP可解释性工具相结合，成功构建了仅凭口腔菌群数据即可高精度预测个体鱼类生长受损的模型。这不仅超越了传统统计方法的相关性描述，更实现了对生物学结果的预测能力。最后，通过SHAP分析，研究识别出了如变形菌门、厚壁菌门等关键的细菌类群作为潜在的生物指示剂，将复杂的菌群变化转化为具有机制提示意义的生物标志物。
综上所述，这项研究建立了一个强大的集成分析框架，将生态毒理学实验、高通量微生物组测序与先进的人工智能算法相结合。它表明，在环境污染压力下，宿主的微生物组会发生可预测的规律性变化。该框架使得口腔菌群不仅能用于回顾性评估污染暴露的历史，更可作为前瞻性预测工具，预警水生动物在亚致死水平上的健康风险。这为水生态系统的健康监测、风险评估以及制定精准的管理策略提供了全新的、基于数据驱动的科学工具，标志着在理解并预警复合污染物对水生生物健康影响方面迈出了重要一步。
