基于機(jī)器學(xué)習(xí)的微生物溶解有機(jī)碳含量估測(cè)

馬云鵬 ， 朱靜 ， 崔興華

新疆農(nóng)業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院，烏魯木齊 830052

微生物群落在不同的生態(tài)系統(tǒng)中發(fā)揮重要的作用，雖然微生物群系控制著許多宏觀性質(zhì)，但闡明特定微生物與生態(tài)系統(tǒng)功能之間的關(guān)系仍然是生態(tài)學(xué)中一個(gè)復(fù)雜的問(wèn)題。第二代DNA 測(cè)序技術(shù)降低了微生物群落中宏基因組數(shù)據(jù)的獲取難度，使得利用微生物探究宏觀性質(zhì)變化成為可能。然而，微生物數(shù)據(jù)的分析也存在一定難度，每個(gè)研究只采用了少量樣本，而且產(chǎn)生的測(cè)序結(jié)果通常都是高維、稀疏的數(shù)據(jù)［1］。

隨著人工智能的發(fā)展，機(jī)器學(xué)習(xí)技術(shù)提供了一種分析高維數(shù)據(jù)的新方法［2-3］，并可用于闡明微生物菌群與環(huán)境屬性及宿主表型之間的關(guān)系。研究顯示，利用機(jī)器學(xué)習(xí)的隨機(jī)森林模型和使用微生物菌群數(shù)據(jù)可以有效鑒定棲息地、宿主和疾病狀態(tài)，并證明機(jī)器學(xué)習(xí)模型分類(lèi)準(zhǔn)確性較高［4］；Zeller 等［5］利用線性回歸模型結(jié)合微生物組數(shù)據(jù)，可以有效區(qū)分患者；Ning 等［6］利用支持向量機(jī)模型可以有效對(duì)口腔微生物群落進(jìn)行分類(lèi)；Lo 等［7］利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合微生物組數(shù)據(jù)可以預(yù)測(cè)宿主的健康狀態(tài)；Bokulich等［8］認(rèn)為機(jī)器學(xué)習(xí)結(jié)合微生物組數(shù)據(jù)不僅可以用于分類(lèi)問(wèn)題，還可以用于回歸問(wèn)題，相關(guān)機(jī)器學(xué)習(xí)算法也可用于篩選微生物組數(shù)據(jù)重要特征，揭示相關(guān)微生物組數(shù)據(jù)與目標(biāo)變量的重要程度，并從機(jī)器學(xué)習(xí)的角度為了解微生物組產(chǎn)生的影響提供一種新的視角。

目前大部分的微生物組數(shù)據(jù)研究主要是探究宿主表型預(yù)測(cè)，以及微生物自身及相互之間產(chǎn)生的影響。最近的研究表明，土壤中含有大量微生物［9］，增溫、森林植被、有機(jī)肥等均會(huì)影響土壤中的微生物數(shù)量，進(jìn)而影響溶解有機(jī)碳（dissolved organic carbon，DOC）含量［10-13］。研究證明細(xì)菌微生物群落在碳循環(huán)中發(fā)揮重要的作用，并對(duì)土壤中DOC 的豐度產(chǎn)生重要影響［14］，且第二代測(cè)序技術(shù)應(yīng)用的普及為利用細(xì)菌微生物操作分類(lèi)單元（operational taxonomic units，OTU）豐度數(shù)據(jù)預(yù)測(cè)所產(chǎn)生的溶解有機(jī)碳提供了可能。OTU 豐度單元是最常用的依據(jù)微生物組數(shù)據(jù)利用機(jī)器學(xué)習(xí)預(yù)測(cè)目標(biāo)情況的輸入特征，在生物信息學(xué)中為了便于對(duì)菌群進(jìn)行分析，需要人為地對(duì)原始16S rRNA基因數(shù)據(jù)進(jìn)行聚類(lèi)操作。根據(jù)不同的相似度水平，對(duì)所有的測(cè)序數(shù)據(jù)進(jìn)行OTU 劃分，一般情況下序列間相似性＞97%可以認(rèn)定為同一個(gè)種，即一個(gè)OTU 都是同屬一個(gè)種的微生物。但是微生物組數(shù)據(jù)樣本的數(shù)量一般遠(yuǎn)小于OTU 豐度數(shù)據(jù)，造成數(shù)據(jù)高維的特點(diǎn)，傳統(tǒng)的統(tǒng)計(jì)學(xué)方法難以有效地對(duì)高維數(shù)據(jù)進(jìn)行處理，而機(jī)器學(xué)習(xí)可以從復(fù)雜、高維、大量的數(shù)據(jù)中進(jìn)行學(xué)習(xí)，進(jìn)而用于闡明微生物菌群與目標(biāo)屬性之間的聯(lián)系［15］。

本研究應(yīng)用常見(jiàn)的12 種機(jī)器學(xué)習(xí)模型，根據(jù)細(xì)菌微生物菌群豐度預(yù)測(cè)來(lái)自植物凋落物分解的DOC 含量，其中細(xì)菌微生物菌群的豐度被視為模型特征/自變量，DOC 含量被視為模型的目標(biāo)/因變量。所有數(shù)據(jù)用于機(jī)器學(xué)習(xí)，選擇預(yù)測(cè)精度較優(yōu)的前3 種機(jī)器學(xué)習(xí)模型作為基模型，利用包裝法、嵌套法及包裝-嵌套融合方法進(jìn)行特征選擇，選取對(duì)DOC 含量影響最大的特征子集，基于篩選出來(lái)的最優(yōu)特征子集構(gòu)建溶解有機(jī)碳估測(cè)模型，發(fā)現(xiàn)梯度提升決策樹(shù)（gradient boosting decision tree，GBDT）模型具有最高精度，并對(duì)模型參數(shù)進(jìn)行網(wǎng)格參數(shù)搜索優(yōu)化，建立了DOC 估測(cè)模型，以期為利用細(xì)菌微生物估測(cè)DOC含量提供新方法。

1 GBDT建模與方法

1.1 GBDT建模

GBDT 算法是一種使用分類(lèi)與回歸樹(shù)（calssification and regression tree，CART）作為決策樹(shù)的Boosting 集成學(xué)習(xí)算法，既可以處理回歸問(wèn)題也可以處理分類(lèi)問(wèn)題，是利用加法模型和前向分布算法實(shí)現(xiàn)學(xué)習(xí)的優(yōu)化過(guò)程，即GBDT 是一系列CART 回歸樹(shù)的加法組合，通過(guò)新建一棵樹(shù)來(lái)擬合之前預(yù)測(cè)值與目標(biāo)值的“殘差”，即Boosting 集成學(xué)習(xí)的核心思想為將一系列弱學(xué)習(xí)器進(jìn)行組合，構(gòu)成一個(gè)強(qiáng)學(xué)習(xí)器。GBDT建模如下。

式中，N為模型訓(xùn)練數(shù)據(jù)的樣本數(shù)；yi˙為模型輸出值；c為使得損失函數(shù)達(dá)到最小的常數(shù)。

令迭代次數(shù)為m=1，2，…，M

①對(duì)樣本i=1，2，…，N，計(jì)算損失函數(shù)在負(fù)梯度的值，作為殘差估計(jì)。

式中，yi˙為模型輸出值；f(xi)為迭代次數(shù)m次的上一次預(yù)測(cè)值。

②對(duì)rmi擬合一個(gè)回歸樹(shù)，得到第m棵樹(shù)的葉節(jié)點(diǎn)區(qū)域Rmi，j=1，2，…，J，用以擬合殘差近似值。

③對(duì)j=1，2，…，J，利用線性搜索估計(jì)葉節(jié)點(diǎn)區(qū)域的值，使損失函數(shù)極小化。

式中，yi˙為模型輸出值；fm-1(xi)為迭代次數(shù)m次的上一次第i個(gè)樣本的預(yù)測(cè)值；γm為迭代次數(shù)m次時(shí)的節(jié)點(diǎn)殘差擬合值。

④更新回歸樹(shù)，計(jì)算公式如公式（4）。

式中，fm-1(x) 為迭代m-1 次的預(yù)測(cè)值；γmj為迭代m次第j個(gè)葉節(jié)點(diǎn)的殘差擬合值；I為指示函數(shù)。

最終輸出模型，見(jiàn)公式（5）。

式中，fM(x)為迭代M次最終的預(yù)測(cè)模型。

1.2 數(shù)據(jù)與方法

1.2.1數(shù)據(jù)預(yù)處理 本研究使用的數(shù)據(jù)來(lái)源于Johansen 等［16］研究土壤微生物在植物凋落物分解產(chǎn)生的碳流量作用相關(guān)實(shí)驗(yàn)，數(shù)據(jù)已存入NCBI序列檔案（序列號(hào)：SRP151768）。在Johansen 等［16］的研究中，將收集到的土壤樣本中的微生物群落，接種到3 個(gè)含有無(wú)菌沙粒和松木凋落物的相同微環(huán)境中，并在25 ℃下孵育44 d。第44 天，測(cè)定微環(huán)境中DOC 含量，從相同微環(huán)境的一個(gè)子集中提取DNA，并在Illumina MiSeq 上對(duì)16S rRNA 基因擴(kuò)增子進(jìn)行測(cè)序，通過(guò)對(duì)308 個(gè)樣品的細(xì)菌群落譜進(jìn)行細(xì)化，得到了1 023 條序列，共2 521 個(gè)OTU豐度（表1）。

表1 OTU部分樣表Table 1 OTU partial sample table

首先對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。原始OTU數(shù)據(jù)具有高維、稀疏的特征，也造就了大量空值，將原始數(shù)據(jù)中所有樣本共有的OTU 豐度單元數(shù)據(jù)為0 的列進(jìn)行刪除，刪除空缺列后得到1 709 個(gè)特定分類(lèi)單元的豐度數(shù)據(jù)，因在原始的數(shù)據(jù)中OTU 豐度有的高達(dá)上萬(wàn)，有的為零，很容易出現(xiàn)“大數(shù)吃小數(shù)”的問(wèn)題，在機(jī)器學(xué)習(xí)中算法模型容易忽略豐度較小的OTU 特征，因此需要將原始數(shù)據(jù)進(jìn)行歸一化處理，見(jiàn)公式（6）。

式中，x*為經(jīng)過(guò)歸一化后得到的數(shù)據(jù)；x為特征數(shù)據(jù)；xmin為特征數(shù)據(jù)的最小值；xmax為特征數(shù)據(jù)的最大值。將數(shù)據(jù)進(jìn)行歸一化處理之后可以消除量級(jí)的影響，使結(jié)果映射到［0，1］之間，進(jìn)行歸一化后的數(shù)據(jù)用于機(jī)器學(xué)習(xí)訓(xùn)練，可以有效提高模型的收斂速度及預(yù)測(cè)精度。

1.2.2特征選擇 本研究中主要使用了Embedded 嵌入法中的特征重要性度量（feature importance select，F(xiàn)IS）、Wrapper 包裝法中的遞歸消除特征（recursive feature elimination，RFE）及包裝法-嵌入法融合這3種特征選擇方法。

嵌入法首先使用基學(xué)習(xí)模型進(jìn)行訓(xùn)練，利用基學(xué)習(xí)模型得到特征的權(quán)值系數(shù)，然后根據(jù)權(quán)值系數(shù)從大到小的選擇特征。嵌入法是一種可以自己選擇使用哪些特征的方法，即算法訓(xùn)練和篩選特征同時(shí)進(jìn)行（圖1）。

圖1 嵌入法特征選擇過(guò)程Fig. 1 Feature selection process of embedding method

包裝法與嵌入法類(lèi)似，也是通過(guò)自身算法對(duì)特征進(jìn)行選擇，通過(guò)目標(biāo)函數(shù)來(lái)獲得特征的重要性，并在每次迭代時(shí)保留最佳特征或者剔除最差特征，并在下一次迭代時(shí)使用以前未使用過(guò)的特征來(lái)構(gòu)建模型，直至將所有特征用盡，然后根據(jù)保留或剔除特征的順序來(lái)選擇一個(gè)最佳特征子集（圖2）。

圖2 包裝法特征選擇過(guò)程Fig. 2 Feature selection process of wrapper method

嵌入法考慮單個(gè)特征對(duì)目標(biāo)的影響，模型簡(jiǎn)單，計(jì)算開(kāi)銷(xiāo)比較小，包裝法考慮特征子集對(duì)目標(biāo)的影響程度，彌補(bǔ)了嵌入法針對(duì)特征篩選不足的情況，但是反復(fù)構(gòu)建模型計(jì)算開(kāi)銷(xiāo)比較大。因此本研究首先使用嵌入法篩選出對(duì)目標(biāo)變量影響比較大的特征，然后利用包裝法對(duì)嵌入法篩選出來(lái)的特征進(jìn)行二次特征篩選（圖3）。

圖3 包裝-嵌套融合法特征選擇過(guò)程Fig. 3 Feature selection process of wrapper-embedded fusion method

圖4 10折交叉驗(yàn)證示意圖Fig. 4 10-fold cross-validation schematic diagram

1.2.3交叉驗(yàn)證 交叉驗(yàn)證法（cross validation）是將數(shù)據(jù)集D 均勻的劃為k份且互斥的子集，循環(huán)每次用k-1 個(gè)子集的并集當(dāng)作訓(xùn)練集，余下的子集作為測(cè)試集，即可進(jìn)行k次訓(xùn)練和測(cè)試。交叉驗(yàn)證相比較原始的一次性劃分?jǐn)?shù)據(jù)有諸多優(yōu)點(diǎn)，如可以明顯降低一次劃分所造成的隨機(jī)性；模型進(jìn)行k次訓(xùn)練可以充分的利用原始數(shù)據(jù)并且提高模型的泛化能力。

1.2.4評(píng)價(jià)指標(biāo) 評(píng)價(jià)指標(biāo)采用均方根誤差（root mean squared error，RMSE）、平均絕對(duì)誤差（mean absolute error，MAE）及線性擬合優(yōu)度（coefficient of determination，R2）來(lái)評(píng)價(jià)本研究的模型。

RMSE 為預(yù)測(cè)值和真實(shí)值之間誤差平方和的平均數(shù)的平方根，用來(lái)衡量預(yù)測(cè)值同真值之間的偏差，見(jiàn)公式（7）。

式中，y為真實(shí)值；y^ 為預(yù)測(cè)值；m為數(shù)據(jù)量；yi為第i條數(shù)據(jù)的DOC 實(shí)測(cè)值；y^i為第i條數(shù)據(jù)的DOC預(yù)測(cè)值。

MAE表示預(yù)測(cè)值和真實(shí)值之間絕對(duì)誤差的平均值，能反映預(yù)測(cè)值誤差的實(shí)際情況，見(jiàn)公式（8）。

式中，y為真實(shí)值；y^ 為預(yù)測(cè)值；m為數(shù)據(jù)量；yi為第i條數(shù)據(jù)的DOC 實(shí)測(cè)值；y^i為第i條數(shù)據(jù)的DOC預(yù)測(cè)值。

R2的取值范圍為［0，1］之間，越接近于1，說(shuō)明模型的擬合效果越好，見(jiàn)公式（9）。

式中，m為數(shù)據(jù)量；yi為第i條數(shù)據(jù)的DOC 實(shí)測(cè)值；y^i為第i條數(shù)據(jù)的DOC 預(yù)測(cè)值，yˉ為m條數(shù)據(jù)的DOC平均值。

1.2.5實(shí)驗(yàn)方案 ①將人工剔除空值的OTU 豐度數(shù)據(jù)（共1 709 個(gè)特征）歸一化后應(yīng)用于初始的12 種機(jī)器學(xué)習(xí)方法。將308 個(gè)樣本按照10 倍交叉驗(yàn)證法分成訓(xùn)練集和測(cè)試集，訓(xùn)練集用于機(jī)器學(xué)習(xí)訓(xùn)練，測(cè)試集用于評(píng)估機(jī)器學(xué)習(xí)模型，由于數(shù)據(jù)量小而且特征多，因此為了避免過(guò)擬合現(xiàn)象的發(fā)生，使用10 倍交叉驗(yàn)證的方式應(yīng)用于原始數(shù)據(jù)進(jìn)行模型參數(shù)調(diào)參，可以檢測(cè)模型的泛化性和穩(wěn)定性，讓模型的輸出結(jié)果更為可靠。如果只將數(shù)據(jù)進(jìn)行簡(jiǎn)單的人為劃分，則會(huì)增加樣本劃分的偶然性，使得預(yù)測(cè)模型變得不準(zhǔn)確。將數(shù)據(jù)進(jìn)行10折劃分后，所有的數(shù)據(jù)都可用于模型訓(xùn)練，增加了數(shù)據(jù)利用率，同時(shí)通過(guò)10 折交叉驗(yàn)證來(lái)確定模型的參數(shù)，是經(jīng)過(guò)10 次比較得出的相對(duì)最優(yōu)模型，可以一定程度上防止過(guò)擬合和欠擬合現(xiàn)象的發(fā)生［17］。所有機(jī)器學(xué)習(xí)模型構(gòu)建使用Python 語(yǔ)言，應(yīng)用Pycharm 軟件結(jié)合sklearn 庫(kù)，各機(jī)器學(xué)習(xí)模型使用默認(rèn)參數(shù)。②將初始的12 種機(jī)器學(xué)習(xí)方法，依照RMSE、MAE、R2這3 種評(píng)價(jià)指標(biāo)選擇前3 種較優(yōu)的機(jī)器學(xué)習(xí)模型作為基學(xué)習(xí)模型用于特征選擇，結(jié)合包裝法、嵌入法、包裝-嵌入融合方法選取最優(yōu)的特征子集。③將選取的最優(yōu)特征子集用于初始訓(xùn)練表現(xiàn)最好的機(jī)器學(xué)習(xí)模型，使用網(wǎng)格搜索（grid search，GS）參數(shù)優(yōu)化方法進(jìn)行參數(shù)尋優(yōu)，從而確定預(yù)測(cè)模型的最優(yōu)參數(shù)。

2 結(jié)果與分析

2.1 機(jī)器學(xué)習(xí)預(yù)測(cè)結(jié)果

由表2 可知，應(yīng)用12 種機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)測(cè)，GBDT 表現(xiàn)最優(yōu)，選取較優(yōu)的3 種模型，即GBDT、隨機(jī)森林（random forest，RF）和極限樹(shù)（extratree，ET）作為基模型用于包裝法的遞歸消除特征（recursive feature elimination，RFE），選擇GBDT用于嵌入法的特征重要性度量（feature importance select，F(xiàn)IS）以及嵌入-包裝融合法（RFE-FIS）作為對(duì)比。

表2 多種機(jī)器學(xué)習(xí)模型預(yù)測(cè)結(jié)果Table 2 Prediction results of multiple machine learning models

2.2 基模型不同的遞歸消除特征結(jié)果

以GBDT 為基模型的遞歸消除特征得到112個(gè)OTU 豐度單元評(píng)分最高（圖5）。以RF 為基模型的遞歸消除特征得到88 個(gè)OTU 豐度單元評(píng)分最高（圖6）。以ET 為基模型的遞歸消除特征得到141 個(gè)OTU 豐度單元評(píng)分最高（圖7）。以上結(jié)果表明基模型不同則通過(guò)遞歸消除特征選取的最佳特征子集不同，應(yīng)用遞歸消除特征來(lái)進(jìn)行特征選擇時(shí)，基模型選擇至關(guān)重要。

圖5 RFE（GBDT）特征選擇Fig. 5 RFE （GBDT） feature selection

圖6 RFE（RF）特征選擇Fig. 6 RFE （RF） feature selection

圖7 RFE（ET）特征選擇Fig. 7 RFE （ET） feature selection

2.3 融合模型選擇特征結(jié)果

使用GBDT 作為基模型用于特征重要性選擇［FIS（GBDT）］得到246 個(gè)OTU 豐度單元特征最為重要，然后使用遞歸消除特征以GBDT 為基模型進(jìn)行二次特征選擇得到140個(gè)OTU豐度單元評(píng)分最高（圖8）。篩選得到的140 個(gè)菌群操作分類(lèi)單元具體編號(hào)如表3所示。結(jié)果表明，經(jīng)過(guò)特征重要性度量篩選后，對(duì)DOC有影響的特征有246個(gè)，但是特征重要性度量只考慮了單個(gè)特征對(duì)DOC的影響，未考慮多特征對(duì)DOC的影響，因此使用遞歸消除特征進(jìn)行二次特征選擇，可對(duì)特征進(jìn)一步縮減，得到了包含140 個(gè)特征的最優(yōu)特征子集。圖8 也表明140個(gè)特征子集的模型交叉驗(yàn)證得分最高。

圖8 RFE-FIS（GBDT）特征選擇Fig. 8 RFE-FIS （GBDT） feature select

表3 REF-FIS（GBDT）特征選擇OTU表Table 3 RFE-FIS （GBDT） feature selection OTU table

2.4 預(yù)測(cè)結(jié)果分析

將篩選之后得到的特征用于較優(yōu)的GBDT、RF 及ET 模型可得如表4 所示的預(yù)測(cè)結(jié)果。進(jìn)一步分析表明，GBDT 算法模型應(yīng)用經(jīng)過(guò)二次特征選擇的140 個(gè)特征取得較優(yōu)的預(yù)測(cè)結(jié)果，利用網(wǎng)格參數(shù)搜索法進(jìn)一步提升模型的精度，網(wǎng)格搜索法在GBDT 模型的參數(shù)空間中對(duì)參數(shù)值進(jìn)行分割，化為網(wǎng)格，以嘗試每種參數(shù)，獲得模型的最優(yōu)參數(shù)解。sklearn 庫(kù)中GBDT 算法模型的默認(rèn)參數(shù)學(xué)習(xí)率（learning_rate）為0.1，構(gòu)造回歸樹(shù)的數(shù)量（n_estimators）為100，最大數(shù)深（max_depth）為3，對(duì)模型影響較大的3 種參數(shù)使用網(wǎng)格搜索如表5所示。經(jīng)過(guò)網(wǎng)格搜索得到GBDT 算法模型的最優(yōu)參數(shù)為學(xué)習(xí)率0.07，樹(shù)的數(shù)量574，最大深度3，優(yōu)化前后的對(duì)比精度如表6 所示，優(yōu)化后預(yù)測(cè)結(jié)果與真實(shí)值對(duì)比如圖9 所示，經(jīng)歷過(guò)特征選擇和參數(shù)優(yōu)化后的GBDT 模型預(yù)測(cè)值與真實(shí)值的線性擬合效果如圖10 所示。以上結(jié)果表明，經(jīng)歷過(guò)特征選擇及參數(shù)優(yōu)化的算法模型對(duì)比初始模型的預(yù)測(cè)精度明顯提高。根據(jù)測(cè)試數(shù)據(jù)可知，在3 種評(píng)價(jià)指標(biāo)下進(jìn)行過(guò)數(shù)據(jù)特征選擇以及模型參數(shù)優(yōu)化后的GBDT 模型達(dá)到了最優(yōu)的預(yù)測(cè)精度，相比應(yīng)用最初原始的1 709個(gè)特征，經(jīng)過(guò)二次特征選擇及參數(shù)優(yōu)化后的GBDT 模型精度得到顯著提高，篩選出了對(duì)DOC 影響至關(guān)重要的140 個(gè)OTU 豐度特征，降低了特征數(shù)，使得該模型的預(yù)測(cè)值最為接近實(shí)際值。

圖9 預(yù)測(cè)值與真實(shí)值對(duì)比圖Fig. 9 Comparison figure between predicted and true values

圖10 線性擬合效果圖Fig. 10 Linear fitting effect draw

表4 模型預(yù)測(cè)結(jié)果Table 4 Model prediction results

表5 模型參數(shù)網(wǎng)格搜索范圍Table 5 Model parameter grid search range

表6 參數(shù)優(yōu)化后精度對(duì)比Table 6 Precision comparison after parameter optimization

3 討論

Johansen 等［16］的研究證明，細(xì)菌群落相比真菌群落與溶解有機(jī)碳之間有更強(qiáng)的聯(lián)系；Thompson 等［18］利用Johansen 等［16］的數(shù)據(jù)通過(guò)隨機(jī)森林的特征重要性度量、人工神經(jīng)網(wǎng)絡(luò)以及指示種分析3 種特征選擇方法，得到共有的86 個(gè)OTU 特征。應(yīng)用隨機(jī)森林結(jié)合篩選得到的86 個(gè)特征預(yù)測(cè)DOC 的含量，預(yù)測(cè)值與真實(shí)值的皮爾遜相關(guān)系數(shù)為0.636，線性擬合優(yōu)度為0.404 5，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)得到的預(yù)測(cè)值與真實(shí)值的皮爾遜相關(guān)系數(shù)為0.676，線性擬合優(yōu)度為0.456 9。本研究的結(jié)果與Thompson 等［18］的結(jié)果相似，證明機(jī)器學(xué)習(xí)可以作為高維稀疏微生物數(shù)據(jù)的特征選擇工具，以及利用細(xì)菌微生物菌群反推溶解有機(jī)碳含量的一種技術(shù)手段，并取得了較好的效果，也從側(cè)面印證了Johansen等［16］研究結(jié)果的科學(xué)性。

本研究與先前研究不同點(diǎn)在于：通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)處理和特征選擇，并構(gòu)建了12 種機(jī)器學(xué)習(xí)模型進(jìn)行對(duì)比分析，超過(guò)了Thompson 等［18］研究的2種機(jī)器學(xué)習(xí)方法；使用了5種特征選擇方法，多于Thompson 等［18］使用的3 種方法；Thompson 等［18］將數(shù)據(jù)特征降低到86 個(gè)，本研究將數(shù)據(jù)特征降低到140 個(gè)，經(jīng)過(guò)參數(shù)優(yōu)化后的GBDT 模型表現(xiàn)最優(yōu)，DOC 預(yù)測(cè)值與真實(shí)值的皮爾遜相關(guān)系數(shù)為0.812，線性擬合優(yōu)度為0.659 9，優(yōu)于Thompson 等［18］的研究；Thompson 等［18］的研究選擇了257個(gè)樣本作為訓(xùn)練集，51個(gè)樣本作為測(cè)試集，這樣簡(jiǎn)單的劃分具有較大的隨意性，本研究為了減少樣本劃分對(duì)實(shí)驗(yàn)?zāi)Ｐ偷挠绊?，同時(shí)降低模型過(guò)擬合的風(fēng)險(xiǎn)使用了十折交叉驗(yàn)證，使得結(jié)果更具有說(shuō)服力。

通過(guò)網(wǎng)格搜索對(duì)GBDT 模型進(jìn)行參數(shù)優(yōu)化，最優(yōu)參數(shù)為學(xué)習(xí)率0.07，樹(shù)的數(shù)量574，數(shù)模型的最大深度3，此時(shí)模型10 折交叉驗(yàn)證的均方根誤差為1.722 0，平均絕對(duì)誤差為1.293 4，線性回歸擬合優(yōu)度為0.659 9，模型預(yù)測(cè)精度比參數(shù)優(yōu)化前明顯提高。從機(jī)器學(xué)習(xí)的角度解釋了細(xì)菌微生物菌群中特定的140 個(gè)操作分類(lèi)單元與溶解有機(jī)碳有較強(qiáng)的關(guān)系，證明僅依靠140 個(gè)OTU 豐度數(shù)據(jù)即可較好地得到溶解有機(jī)碳的估測(cè)值，該模型在一定程度上解決了數(shù)據(jù)特征問(wèn)題，而且也簡(jiǎn)化了研究人員的實(shí)驗(yàn)環(huán)節(jié)，但是該模型也只是估測(cè)，無(wú)法達(dá)到Johansen 等［16］真實(shí)實(shí)驗(yàn)所得到的數(shù)據(jù)，所以與真實(shí)結(jié)果略有不同，但也為利用細(xì)菌微生物估測(cè)溶解有機(jī)碳提供了一種新的方法。

本研究對(duì)細(xì)菌微生物菌群與溶解有機(jī)碳進(jìn)行了初步探索，但仍存在許多重要的問(wèn)題值得進(jìn)一步研究，如本實(shí)驗(yàn)的數(shù)據(jù)是在實(shí)驗(yàn)室人為設(shè)定條件下得到的測(cè)量值，無(wú)法真實(shí)模擬野外環(huán)境；雖然樣本數(shù)量足夠微生物學(xué)家研究使用，但是機(jī)器學(xué)習(xí)使用還略有不足；研究數(shù)據(jù)僅考慮細(xì)菌豐度對(duì)溶解有機(jī)碳的影響，未考慮時(shí)間進(jìn)程和細(xì)菌豐度之間綜合影響溶解有機(jī)碳含量的關(guān)系等。未來(lái)研究需進(jìn)行更多實(shí)地研究以更好地了解野外環(huán)境下的細(xì)菌微生物與溶解有機(jī)碳之間的關(guān)系，以佐證本實(shí)驗(yàn)結(jié)果。隨著實(shí)驗(yàn)樣本量的增加，新興的深度學(xué)習(xí)可以更好地?cái)M合大數(shù)據(jù)，發(fā)現(xiàn)更深層次的特征，取得比機(jī)器學(xué)習(xí)更好的預(yù)測(cè)效果［19］，使得未來(lái)依據(jù)細(xì)菌微生物來(lái)推測(cè)一段時(shí)間內(nèi)溶解有機(jī)碳的變化趨勢(shì)成為一種可能。

綜上所述，未來(lái)機(jī)器學(xué)習(xí)將會(huì)成為分析微生物菌群與其所產(chǎn)生的影響的一個(gè)重要工具，研究者應(yīng)積極利用新技術(shù)，探索兩者之間的結(jié)合點(diǎn)，并借助計(jì)算機(jī)強(qiáng)大的計(jì)算能力，使其成為未來(lái)微生物菌群分析的重要工具。