在城市污水处理厂（WWTP）中，异养反硝化是一种关键的生物脱氮技术，它依赖于反硝化细菌利用有机底物作为电子供体，通过一系列酶促反应将硝酸盐还原为氮气。尽管理论上废水中3:5的碳氮比（C/N）足以维持反硝化细菌的代谢活动，但在实际操作中，由于有机底物的有限性，常常需要添加外部碳源以保证脱氮效率。传统的外部碳源，如甲醇和乙酸盐，虽然具有稳定的化学需氧量（COD）当量和灵活的剂量调节能力，但在成本效益、反硝化效率和污泥产量等方面存在不足。

传统碳源的局限性

甲醇虽然成本较低，但其运输和储存过程中的安全风险不容忽视。乙酸盐虽然反硝化效率高，但成本较高，给污水处理厂带来经济负担。葡萄糖虽然广泛使用，但其增加的污泥产量会导致额外的处理和处置成本。此外，不同污泥中的微生物群落对同一碳源的反应存在差异，这使得单一碳源的反硝化效果难以预测。

混合碳源的潜力

近年来的研究表明，与传统单一碳源相比，多种碳源的组合使用可能会带来更有效的反硝化性能。例如，甲醇和乙酸盐的混合物在硝酸盐去除率上超过了单一碳源。这种混合碳源（MCS）的反硝化效率不仅与单个组分相当，而且总反硝化潜力可能超过单个组分的总和。然而，MCS增强反硝化性能的机制尚不清楚。

微生物群落的多样性与代谢策略

在复杂的微生物群落中，微生物可以依次或同时代谢多个碳源。具有重叠代谢能力的微生物可能会争夺生态位，而具有不同资源偏好的微生物可以通过资源互补促进共存。这些复杂的微生物相互作用可能形成一个强大而高效的微生物生态系统网络，这对反硝化过程至关重要。

高通量方法与机器学习的应用

为了克服单一纯化学品的局限性，选择最佳的混合碳源成分至关重要。传统的硝酸盐吸收率（NUR）方法虽然被广泛接受，但其劳动密集型和耗时的特点限制了其在高通量筛选中的应用。机器学习（ML）作为一种人工智能技术，为分析高通量数据集中的复杂模式提供了新的方法。通过ML算法，可以建立从混合碳源组合到相应反硝化性能的预测模型，从而筛选出高效的混合碳源。

实验设计与数据集建立

在本研究中，我们旨在开发一种高通量方法，用于优化高性能反硝化的混合碳源组成，并探索增强反硝化的机制。为此，我们建立了混合碳源反硝化数据集，并用于训练机器学习模型。碳源的组成和接种污泥的类型被用作输入变量，而机器学习模型用于预测总氮去除率和微生物生长，从而评估反硝化潜力。

模型训练与验证

通过长期运行的反硝化系统，我们验证了所选混合碳源的有效性。此外，我们还通过模型可解释性和宏基因组分析探讨了混合碳源反硝化作用增强的机制。这些分析有助于更好地理解多碳源在反硝化过程中的生物利用机制。

结论与展望

本研究为污水处理厂寻找最佳碳源提供了一种实用方法，并有助于理解反硝化中多碳源生物利用的促进机制。通过高通量筛选和机器学习模型的应用，我们不仅能够优化混合碳源的组成，还能够深入理解其在反硝化过程中的作用机制。未来的研究可以进一步探索不同环境条件下混合碳源的反硝化性能，以及如何通过调整碳源比例来优化反硝化过程。