-
抗生素是由微生物（包括细菌、真菌、放线菌属）或高等动植物所产生的，能干扰其他生物细胞发育功能的化学物质[1]。常见的抗生素有青霉素类、四环素类、头孢类、喹诺酮类等，其抑菌性被广泛应用于医疗卫生、畜牧业和水产养殖业[2]。然而进入生物体内的抗生素不能被完全代谢，残留的抗生素可能会通过市政污水、牲畜粪便、农田径流等多种途径排入环境中[3-5]。近年来，已经在地表水、污水处理厂、土壤和大气中检测到抗生素的存在[6-9]。环境中抗生素的存在会对人体健康和环境产生不利影响，如增加环境中微生物群落的选择压力，临床抗生素使用效率降低等[5, 10]。系统分析环境中残留抗生素的种类、明确其与微生物的作用机制以及开展不同处理方法的效果分析，对于准确评估抗生素的风险和控制其不利影响具有重要意义。
目前抗生素的定性和定量分析方法较多，包括分光光度法、化学荧光、化学磷光、液相色谱法和毛细管电泳法等，这些方法耗时长、检测过程复杂[11]，对大量检测数据进行有效的分析显得尤为重要。环境中残留的抗生素与微生物的作用机制复杂，高效的数据处理方法如机器学习算法有助于深入揭示作用机制。鉴于环境中残留抗生素的潜在风险，研究者发现膜过滤、高级氧化技术、生物处理、吸附[12, 13]、光催化等技术均可实现抗生素的去除[14-16]。然而多种处理方法对于不同环境介质中不同种类抗生素去除效果的评估、优化以及预测都有待进一步探究，建立相关的模型来分析去除方法、目标污染物和去除率之间的关系对于抗生素的污染控制具有指导意义。
机器学习是一种旨在使计算机具有获取知识和处理大数据的能力，同时建立学习理论计算方法，构建各种学习系统并将其投入到实际应用中的一种技术[17]。其核心是“使用算法解析数据，从中学习，然后对新数据做出决定或预测”。机器学习算法可以分为有监督、无监督和半监督[18]，主要包括决策树学习、朴素贝叶斯、支持向量机、随机森林、k-均值算法、主成分分析、人工神经网络、k-近邻分析和遗传算法等[19]。鉴于机器学习可以处理大量样本数据，并且能进行图像识别和语言识别，目前在大气污染物的检测和评估以及医疗中抗生素的选择和适用中已得到较为成熟的发展[20-22]。在抗生素的相关研究中，传统分析方法与机器学习的结合可以更加快速的识别抗生素的种类并进行定量分析[23]，并且利用机器学习优化模型有助于最佳去除条件的获取。
基于此，本文主要综述了：（1）机器学习作为一种辅助手段在抗生素鉴定识别中的应用，主要包括食品和环境中抗生素的定性和定量分析以及新型抗生素的发现；（2）机器学习在抗生素与微生物作用机制研究中的应用；（3）机器学习模型用于抗生素去除效果评估。本文主要通过综述机器学习算法在抗生素鉴定识别、微生物作用机制和去除效果评估预测方面的应用现状，针对不同算法的特点和局限性，为今后的研究方向和发展提出展望。
-
抗生素的种类繁多，稳定性较好，因此残留抗生素较难降解，食物及环境中残留的抗生素过高会对微生物和人体健康产生不利影响（如毒性作用、细菌耐药性形成和过敏反应等）[24]。根据不同抗生素对微生物的毒性作用及抗生素耐药性影响的不同，医疗产品评估机构对食品中很多抗生素的残留量做了规定，例如：欧洲医疗产品评估机构规定牛奶中庆大霉素的最大残留量为100 ng·mL−1[25]。准确鉴定食品和环境中抗生素的种类并进行定量分析是评估其暴露风险的重要前提。传统的定性定量方法无法对大量未知样本进行快速分析，而在此基础上结合机器学习可以进行多组分和大量样本的高效分析。
Yehia等在利用主成分回归（Principal component regression，PCR，又称Fisher判别分析）、偏最小二乘法（Partial least squares，PLS）、多元曲线分辨-交替最小二乘方法（Multivariate curve resolution - alternating least squares，MCR-ALS）、人工神经网络（Artificial neural network ，ANN）对光谱数据分析来追踪废水样品中的头孢菌素的残留量，结果表明ANN误差最小且具有良好的回收率，MCR-ALS既可以定性又可以定量分析废水样品中的复杂混合物，分析性能优于色谱技术[26]。但Zhong等对食品中氟喹诺酮类抗生素残留量进行分析时却发现PLS和PCR回收率良好，具有更好的预测结果[24]。类似地，Long等的研究表明了最小二乘法、朴素贝叶斯、马氏距离等方法对饲料中低浓度和混合氟喹诺酮类抗生素检测方面的局限性[27]。由此看来，机器学习作为一种辅助数据分析手段，检测方法和样品来源的不同都会导致其分析性能的差异。例如，对牛奶和自制生物溶液中的四环素采用人工神经网络辅助分析时，发现方波伏安法相对于比色法更适宜低浓度抗生素的检测[28-29]。主成分回归相对于多元线性回归可以实现食品样品中多种氟喹诺酮类抗生素的同时测定，并且结合差分脉冲溶出伏安这一微量分析方法更有助于提高样品的回收率[24, 27]。另外，在对四环素的检测中发现支持向量机（Support vector machine，SVM）、PCR和线性判别分析（Linear Discriminant Analysis，LDA）可以区分两种不同的四环素类混合物，并且LDA这种有监督的学习方式可以克服PCR所面临的不良分类问题，而人工神经网络对四环素定量分析的相对准确度达到了91.9%—105%[28, 30]。遗传算法（Genetic algorithm，GA）是基于达尔文进化论，通过模拟自然进化来搜索最优解的算法，主要应用于机器学习的前处理利用变量选择以提取最相关的变量并删除不相关的变量来优化模型。用遗传算法对这些模型进行优化可以提高灵敏度和召回率—即抗生素的识别率[31]。偏最小二乘法、浓度残留经典古典最小二乘法和人工神经网络可用于阿莫西林和氟氯西林的定性定量分析，R2均大于0.99，Attia等利用遗传算法对其进行优化后，除GA-ANN外，在二者的预测中R2均增大[31]。除此之外，Ding等还发现了使用Fisher判别分析和多层感知神经网络还能对电子鼻检测羊乳中青霉素残留量这一新方法的可行性和准确性进行评估，为之后新方法实施的有效性提供了数据支撑[32]。类似地，依赖于机器学习对磺胺噻唑、乙酰螺旋霉素等其它抗生素的定量分析也早有研究[11, 33-34]。
对于不同机器学习方式的性能评判指标主要有准确率、灵敏度、特异性、精度、召回率、ROS曲线和鲁棒性等。现将不同机器学习方式对抗生素定量分析的相关性能指标进行整理。由表1可见，机器学习提高了各种检测方法对抗生素的定量分析的效率，可实现大样本量的检测，降低时间成本，使用遗传算法对数据进行预处理会增大预测数据与定值的拟合度，但所有的学习方式都需要大量的数据集和图像集，并且至今还没有一种方式可以实现100%的准确率和回收率，在有大量数据支撑的检测方法的基础上应用机器学习才会获得最佳的鲁棒性。
-
抗生素耐药性是细菌在抵抗抗生素时所产生的防御能力。当抗生素连续释放到环境中，可能会增大细菌的选择性压力，从而使其产生抗性致使抗生素失效，需要发现和设计新型抗生素来解决大量抗生素失效的问题[35-36]。目前，新型抗生素的开发主要集中在两大类，一是在与已有抗生素结构相似的化合物库中筛选可疑化合物进行验证，二是从天然产物中挑选新的有效抗菌肽。其中，抗菌肽作为一种先天免疫的天然成分[37]，对细菌有很强的杀伤作用，尤其是其对某些耐药性病原菌的杀灭作用更引起了人们的重视，被认为是目前最有前景的一种新型抗生素。除此之外，人们还发现，某些抗菌肽对部分病毒、真菌、原虫和癌细胞等有杀灭作用，甚至能提高免疫力、加速伤口愈合过程[38]。抗菌肽作为一种小分子肽，其氨基酸序列和结构与其生物活性有相关性，获得相应的抗菌肽段需要对它的序列和活性进行分析[39]。传统的抗菌肽的发现方式主要包括利用细菌进行筛选和基因组测序两种[40]。利用细菌进行筛选的特异性较强，不同菌的敏感性不同，而基因组测序仅能输出已知的生物合成簇家族。相比较传统方法，借助于机器学习对抗菌肽进行识别和活性分析可以更加高效的找到适宜的抗菌肽序列并根据序列按照结构相似性和同源性发现未知的抗菌肽[40]。目前已有研究表明，随机森林、卷积神经网络等方法通过探索肽序列空间来发现抗菌肽可以提高抗菌肽的识别率[37]。
Morales等将机器学习与分子荧光光谱法和电子鼻等技术相结合用于抗菌肽（AMP）的发现和生物活性预测[34, 37, 41-43]。人工神经网络中应用长期短期记忆网络可以表征高度复杂的顺序，将肽序列转换为均匀的数字矢量作为神经网络的输入层，这种方法可以帮助识别出可能隐藏在全面数据集中所代表AMP的不同家族的可疑序列[44]。同样，Lata等也应用人工神经网络、定量矩阵和支持向量机分析氨基酸N末端残基和C端残基以预测抗菌肽，结果表明支持向量机对N和C端残基同时分析时的准确度最高[43]。另外，在Gull等的研究还表明采用支持向量机和极端梯度增强树既可以预测肽序列是否为抗菌肽，又可以通过AMAP分数来评价其生物学活性及序列突变对活性的影响[45]。
利用敏感性、特异性、准确度、马斯修相关系数和ROC曲线可以评估不同机器学习算法识别抗菌肽的性能。由表2可知，不同的机器学习算法包括基于长期短期记忆网络的神经网络、基于序列最小优化（Sequential Minimal Optimization, SMO）算法的支持向量机、基于N端和C端残基的支持向量机、定量矩阵及卷积神经网络的准确率都在90%以上，可以有效用于抗菌肽的识别[46]。除此之外，可使用支持向量机、逻辑回归、随机森林、Blast和深度递归神经网络，以蛋白质序列作为输入层来区分抗菌肽和非抗菌肽序列[47]。通过绘制这些模型的平均精确召回曲线可以发现，深度递归神经网络的效果最好，精度可达0.958[47]。
近年来，也有不少研究者利用机器学习从大量的化学文库中筛选可行的抗菌分子，Stokes等利用深度神经网络训练分子结构对大肠杆菌生长抑制的关系模型，并将其应用于多个化学文库中，根据预测分数来确定候选抗生素进行验证，发现了8种新型抗菌分子[48]。此外，利用半自动化细菌表型指纹（BPF）分析平台来指导化学结构和生物活性的优化，结合随机森林算法分析，不仅可以从分子的物化特性来揭示抗生素分子，还可以实现跨物种的新型抗生素的开发应用[49]。我们发现目前关于开发新型抗菌化合物分子的研究远不及抗菌肽的识别成熟，而且对于大数据文库的分析，更加依赖于随机森林、卷积神经网络和深度神经网络这类深度学习算法。
-
抗生素对微生物的主要作用机制包括：抑制细胞壁的合成（青霉素类和头孢菌素类），与细胞膜相互作用（多粘菌素和短杆菌素直接破坏细胞外膜和内膜），干扰蛋白质的合成使一些酶失去作用（福霉素类、氨基糖苷类、四环素类和氯霉素），抑制核酸的转录和复制，阻止细胞分裂和所需酶的合成（萘啶酸和二氯基吖啶）。尽管抗生素的主要靶向作用和机理已经有了充分研究[50]，但对于抗生素诱导代谢改变的生物学机制尚不清楚，分析抗生素与细菌的作用形式有利于更深入地阐述抗生素的作用机制。同时，抗生素要想对细胞具有一定的活性就必须穿透细胞的保护屏障，不同种抗生素采用相同方式与细菌接触时会有共同的氨基酸序列或者分子结构，研究这些序列和结构与细胞作用形式之间的关系，有利于研究影响细菌抗生素耐药性出现的关键因子[51- 52]。而将生化筛选，网络建模和机器学习结合对于深入解析抗生素的作用机制具有重要意义[53]。
Lu和Yang等也利用机器学习预测抗生素与DNA的相互作用并分析其影响核酸复制和合成的机理，发现多元分析和人工神经网络可以预测抗生素与DNA相互作用的影响因素并预测未知抗生素与DNA的结合方式[52, 54]。研究者将层次聚类、回归分析和超几何通路识别应用于解析抗生素作用下的代谢机制，发现氨苄青霉素限制了腺嘌呤的合成，增加了ATP的需求，从而导致中央碳代谢活性和耗氧量增加 [54-55]。除此之外，抗生素还能够与细胞膜相互作用，Lee等基于α-螺旋抗菌肽序列训练的支持向量机可鉴定与细菌脂质膜相互作用的不同环状抗生素作用机制的共同点，以不同的序列和结构作为输入变量，利用经验膜活性进行训练来预测结构-膜活性关系[51]。发现不同种类抗生素与生物作用存在共同之处，找出这部分的氨基酸序列就可以预知未知抗生素对微生物的作用方式。此外，抗生素在投入使用之前都要进行抗生素药敏性测试，来确定它对细菌的半致死量及作用方式[44, 55]。Iriya等基于以往相关问题的大量数据集，来建立不同菌株的抗生素的敏感性，得出卷积神经网络和长短期记忆神经网络对多粘菌素B、氨苄青霉素和庆大霉素的准确度极高，但对链霉素、环丙沙星的准确度较差[44]。Budak等还发现概率神经网络在抗生素对微生物的最小抑菌浓度的研究上表现出较好的特异性和灵敏性[56]。
-
抗生素通过生活污水、养殖废水、医疗废弃物等途径进入到水体、土壤和空气等环境中[57]。残留在环境中的抗生素不仅会引起抗生素耐药性的增强和抗性基因的传播，而且威胁人体健康，如引起皮肤过敏反应、损害肾脏和听觉神经和导致肝损伤等[58]。因此，环境中残留抗生素的去除对于减缓其生态环境的不利影响至关重要。而抗生素种类多、环境影响因素复杂等问题导致在不同环境介质中的去除条件差异较大，从而增加了抗生素去除效果分析的难度。机器学习可在对不同抗生素去除方法的数据分析的基础上，探究最佳去除条件，并建立合适的模型用于评价方法的可行性和有效性，目前已经被广泛应用于水环境中抗生素的去除研究[59]。
目前抗生素去除研究中应用的机器学习算法以神经网络模型为主，主要包括人工神经网络、反向传播人工神经网络、半径基函数神经网络、遗传算法人工神经网络和一般回归神经网络。除此之外，也有少量研究应用了响应曲面法、随机森林和梯度增强树。Zhu等在分析碳基材料对四环素和磺胺甲恶唑吸附的研究中发现，随机森林的预测精度比梯度增强树和人工神经网络高，且通过不同机器学习算法证实了材料表面积、溶液pH和抗生素与碳基材料的初始比例是决定去除效率的主要因素[60]。相反，在工业造纸污泥活性炭吸附恩诺沙星的研究中，人工神经网络预测的拟合度要优于响应曲面法。光催化技术因其高效的抗生素去除效率得到快速发展，且人工神经网络对光催化法处理结果的分析较响应面法、增强回归树应用更加广泛，所拟合的模型相关性较好[61-63]。此外，Zhou等的研究也表明半径基函数神经网络在模拟和预测水溶液中苏云金素的非生物降解过程中也表现出了较高的相关性[59]。大量研究表明，机器学习算法、去除方法和目标抗生素种类的差异都会导致模型与实际结果的拟合效果的不同（表3），比较机器学习算法在四环素去除中的应用发现，人工神经网络与生物吸附去除技术相结合，及增强回归树应用于纳米复合材料吸附技术时的相关系数均可以达到0.999以上[61, 64]。对比这些研究我们发现样品的形态也可能是影响拟合效果的一种因素，相对于采用堆肥去除四环素时对固体样品进行分析，人工神经网络在水环境体系中四环素的去除效果分析中具有更好的拟合和预测效果[64-66]。相比其他方法，人工神经网络因其较强的适用性应用最为广泛，但传统的人工神经网络并不能满足多组分复杂体系的研究。采用不同算法对纳米复合材料吸附四环素的研究中发现，增强回归树的拟合性要优于一般回归神经网络，使用遗传算法优化的人工神经网络对于光催化去除硝唑类抗生素性能要更好[61, 63, 67]。而对于去除最佳条件这种多因素实验条件探究时，随机森林有助于我们快速筛选出最优条件[60]。
-
本文阐述了机器学习在抗生素的鉴定识别和抗生素作用机制的研究以及水环境中抗生素的去除上的相关应用。综上所述，机器学习在抗生素的鉴定识别、抗生素与微生物作用机制分析和抗生素去除效果的预测方面已有大量应用，而人工神经网络是应用最为广泛的机器学习算法，并且在水环境中抗生素去除的模型建立表现出更优越的性能。在抗生素的鉴别方面，判别分析主要应用于抗生素的定量分析，而神经网络系统和半监督学习方式-支持向量机等一些分类算法则被用于抗生素预测如抗菌肽的发现。
尽管机器学习在抗生素的定量定性分析及新型抗生素的发现上发挥了重要作用，但目前在多种抗生素混合物的定性分析上仍有很大的局限性，且不能准确预测较低浓度的抗生素。此外，抗生素作用机制的特异性和复杂性限制了机器学习的应用，因而应当在最佳样本数量、模型优化和预处理方面进行深入研究，提高算法的准确率和灵敏度。同时，采用遗传算法等对数据和算法进行优化可提高模型的适应性和稳定性。鉴于其特点及当前在抗生素研究中的重要作用，机器学习在未来研究其他新兴污染物的环境行为、效应及控制等方面可发挥重要作用。
机器学习在抗生素的鉴定识别、微生物作用机制以及去除效果评估中的应用研究进展
Research progress in the application of machine learning in the identification of antibiotics, microbial mechanism of action and evaluation of removal effect
-
摘要: 抗生素在医疗卫生、养殖业等领域的广泛应用导致其随着医疗废弃物、废水等进入到自然环境并对人体健康和生态环境造成不利影响，而系统分析环境中残留抗生素的种类、明确其与微生物的作用机制以及开展不同处理方法的效果分析，对于准确评估抗生素的风险和控制其不利影响具有重要意义。作为一种辅助手段，机器学习算法在大量数据解析的基础上可进行结果评估和预测，因此可高效、低成本分析环境污染物的行为特征。基于此，本文综述了机器学习算法在抗生素鉴定识别、微生物作用机制和去除效果评估预测方面的应用现状，并概括了不同算法的应用特点和局限性。鉴于机器学习当前在抗生素研究中的重要作用，为其未来研究方向和发展提出展望，如在其它新兴污染物的环境行为、效应及控制等方面的应用。Abstract: The wide application of antibiotics in medical and health,breeding and other fields leads to their entry into the natural environment along with medical waste and waste water. It causes adverse effects on human health and ecological environment. It is of great significance for accurately assessing the risk of antibiotics and controlling their adverse effects to analyze the types of residual antibiotics in the environment, the mechanism of their interaction with microorganisms and the effect analysis of different treatment methods. As an auxiliary method, machine learning algorithms can evaluate and predict the results based on the analysis of large amounts of data, which can effectively and cheaply analyze the behavioral characteristics of environmental pollutants. Based on this, this paper reviewed the application status of machine learning algorithms in antibiotic identification, microbial mechanism of action and evaluation of removal effect. The application characteristics and limitations of different algorithms are also summarized. In view of the important role of machine learning in the current antibiotic research, the future research direction and development of machine learning are proposed, such as its application in the environmental behavior, effect and control of other emerging pollutants.
-
-
表 1 不同机器学习方式应用于抗生素定量分析的性能比较
Table 1. Comparison of performance of different machine learning methods applied to quantitative analysis of antibiotics
机器学习算法
Machine learning algorithm抗生素测定方法
Methods for determination of antibiotics样品来源
Source of samples抗生素种类
Kinds of Antibiotics分析效果
Effects of analysis参考文献
References人工神经网络 基于数字图像的比色法 牛奶 四环素类 可测浓度范围为1.0—9.0 µg·mL−1，平均回收百分比
>90%，均方差<0.2%，相对准确度:91.9%—105%. 可缩短分析时间，减少溶剂使用[28, 33] 采用统计计量方法对短波红外光谱进行预处理 药物 乙酰螺旋
霉素粉末标准正态变量预处理后建立的人工神经网络的R2最大值>0.997
均方根误差最小值：3.677×10−3多元线性回归 太赫兹光谱分析 饲料基质、
食品氟喹诺酮类 诺氟沙星、恩诺沙星和氧氟沙星的最佳相关系数：0.867、0.828和0.964
太赫兹光谱分析可用于单个抗生素的定量分析，但是对于混合抗生素的检测有一定的局限性[27] 线性判别分析和多层感知器神经网络 电子鼻装置 山羊乳样品 青霉素G 线性判别分析准确率：训练集98%，测试集96.7%
多层感知器神经网络准确率：训练集97%，测试
集：94.9%[32] 主成分人工神经
网络方波伏安法 自制生物
溶液四环素和
头孢克肟四环素检测范围：10−5—10−3 mol·L−1
头孢克肟检测范围：10−5—10−3 mol·L−1
拟合度较好
3种介质中抗生素检测R2>0.972，平均回收率92.3%—113%，峰值电流可重复性<10%[29] 偏最小二乘法和多层前馈神经网络 荧光光谱 经不同预处理的牛奶 磺胺噻唑 多层前反馈神经网络的校准的准确性比偏最小二乘法高，在最佳设计条件下，对于磺胺噻唑的回收率可以达到88% [34] 主成分回归和径向基函数人工神经
网络差分脉冲溶出伏
安法牛奶、蜂蜜、鸡蛋 左氧氟沙星、加替沙星和洛美沙星 主成分分析预测能力优于径向基函数神经网络，适用于复杂的线性分析系统
主成分分析相对预测误差<10%
鸡蛋和蜂蜜中洛美沙星的回收率<80%
其余食品样品中回收率:99%—110.7%[24] 
下载: 导出CSV
表 2 不同机器学习算法识别抗菌肽的性能
Table 2. The properties of antimicrobial peptides identified by different machine learning algorithm
机器学习算法
Machine learning algorithm灵敏度/%
Sensitivity特异性/%
Specificity准确度/%
Accuracy马修斯相关系数a
Matthews correlation coefficient受试者操作特征曲线下面积/%
AUROC参考文献
References人工神经网络 82.98 85.09 84.04 0.6809 84.06 [37, 42] 判别分析 87.08 80.76 83.92 0.6797 89.97 [37] 随机森林 92.70 82.44 87.57 0.7554 93.63 [37] 支持向量机 88.90 79.92 84.41 0.6910 90.63 [37] 基于长期短期记忆网络的
深度神经网络89.89 92.13 91.01 0.8204 96.48 [44] 基于SMO算法的支持向量机 88.5 80 94 0.76 — [40] 基于N端和C端残基的定量矩阵 90.02 90.72 90.37 — — [43] 基于N端和C端残基的支持向量机 92.11 92.11 92.11 — — [43] 基于N端和C端残基的人
工神经网络88.17 88.17 88.17 — — [43] 极端梯度增强树 >97.27 >92.29 — >0.89 >98 [46] 卷积神经网络 >76.92 >68.18 >94.18 >0.70 — [46] a马修斯相关系数;用以测量二分类的分类性能的指标，它的取值范围为[−1,1]，取值为1时表示对受试对象的完美预测，取值为0时表示预测的结果不如随机预测的结果，-1是指预测分类和实际分类完全不一致。
Matthews correlation coefficient：An index used to measure the classification performance of a dichotomy. It's in the range of [-1,1], a value of 1 indicates a perfect prediction of the subject, 0 indicates that the predicted result is worse than the random predicted result, -1 is when the predicted classification is completely inconsistent with the actual classification.
下载: 导出CSV
表 3 机器学习在抗生素去除中的应用及模型相关系数
Table 3. Application of machine learning in antibiotic removal in the environment and model correlation coefficient
机器学习算法
Machine learning algorithm去除方法
Removal method抗生素种类
Kinds of Antibiotics相关系数R2
Correlation index参考文献
References人工神经网络 膨润土和活性炭吸附 环丙沙星 概率预处理后
膨胀土R2=0.998
活性炭R2=0.9919[68] 鸡粪和甘蔗堆肥 四环素 >0.973 [65] 纳米粒子光降解 头孢克肟 0.996 [15] TiO2悬浮液光催化 土霉素 0.99751 [14] 生物吸附 四环素 最优解可达到0.99984 [64] 太阳能-芬顿工艺 四环素 不同反应条件下均大于0.97，最高可达1 [69] 臭氧高级氧化 磺胺类抗生素 0.97 [70] 磁化金属有机骨架 沙拉沙星 0.9951 [71] Ag/TiO2纳米片/还原石墨烯光催化 四环素 最高可达0.99894 [62, 66] 固定床和浆液光催化 奥硝唑 检验R2值=0.946 [67] 超滤 恩诺沙星 基于膜通透性R=0.99036
基于截留率R=0.9756[72] 污泥和活性炭吸附 恩诺沙星 0.999 [73] 亚临界水氧化法 替卡西林 0.9861 [74] 零价双金属纳米还原 氯霉素 0.999 [75] 反向传播神经
网络厌氧膜生物反应器 β-内酰胺类抗生素 >0.968 [76] 分子组装多孔氮化碳光催化 磺胺嘧啶 0.9556 [77] 径向基函数神经网络 内置上流式厌氧污泥包层生物电化学系统，
不同水力停留时间下处理β-内酰胺类抗生素 水力停留时间为72 h时取得最优解，R2=0.979 [78] 物理降解 苏云金素 >0.996 [59] 遗传算法-人工神经网络 光催化、光芬顿 甲硝唑 >0.9877 [63] 随机森林 碳基材料吸附 四环素和磺胺甲恶唑 四环素：0.894
磺胺甲恶唑：0.909[60] 响应曲面法 污泥和活性炭吸附 恩诺沙星 0.995 [73] 磁化金属有机骨架 沙拉沙星 0.9995 [71] 纳米复合材料吸附 四环素 0.9668 [61] 臭氧高级氧化 磺胺类抗生素 0.99 [70] 亚临界水氧化 替卡西林 0.9775 [74] 零价双金属纳米粒子还原 氯霉素 0.996 [75] 增强回归树 纳米复合材料吸附 四环素 0.9992 [61] 一般回归神经网络 纳米复合材料吸附 四环素 0.9920 [61]
下载: 导出CSV
-
[1] 张晓蕾. 对antibiotics由抗菌素到抗生素之分析 [J]. 临床医药文献电子杂志, 2014, 1(11): 2061-2062. ZHANG X L. Analysis of antibiotics from antimicrobial to antibiotics [J]. Journal of Clinical Medical Literature, 2014, 1(11): 2061-2062(in Chinese).
[2] 廖洋, 鲁金凤, 曹轶群, 等. 光催化降解对抗生素藻类毒性效应影响研究进展 [J]. 环境化学, 2021, 40(1): 111-120. doi: 10.7524/j.issn.0254-6108.2019122404 LIAO Y, LU J F, CAO Y Q, et al. Research progress on the effects of photocatalytic degradation on the algae toxicity of antibiotics [J]. Environmental Chemistry, 2021, 40(1): 111-120(in Chinese). doi: 10.7524/j.issn.0254-6108.2019122404
[3] LACH J, STĘPNIAK L, OCIEPA-KUBICKA A. Antibiotics in the environment as one of the barriers to sustainable development [J]. Problemy Ekorozwoju, 2018, 13(1): 197-207. [4] REINTHALER F F, POSCH J, FEIERL G, et al. Antibiotic resistance of E. coli in sewage and sludge [J]. Water Research, 2003, 37(8): 1685-1690. doi: 10.1016/S0043-1354(02)00569-9 [5] BEN Y J, FU C X, HU M, et al. Human health risk assessment of antibiotic resistance associated with antibiotic residues in the environment: A review [J]. Environmental Research, 2019, 169: 483-493. doi: 10.1016/j.envres.2018.11.040 [6] ANIKA T, NOMAN Z, FERDOUS M, et al. Time dependent screening of antibiotic residues in milk of antibiotics treated cows [J]. Journal of Advanced Veterinary and Animal Research, 2019, 6(4): 516. doi: 10.5455/javar.2019.f376 [7] CHEN J, YING G G, DENG W J. Antibiotic residues in food: Extraction, analysis, and human health concerns [J]. Journal of Agricultural and Food Chemistry, 2019, 67(27): 7569-7586. doi: 10.1021/acs.jafc.9b01334 [8] BERGERON S, RAJ B, NATHANIEL R, et al. Presence of antibiotic resistance genes in raw source water of a drinking water treatment plant in a rural community of USA [J]. International Biodeterioration & Biodegradation, 2017, 124: 3-9. [9] CHEN C Q, LI J, CHEN P P, et al. Occurrence of antibiotics and antibiotic resistances in soils from wastewater irrigation areas in Beijing and Tianjin, China [J]. Environmental Pollution, 2014, 193: 94-101. doi: 10.1016/j.envpol.2014.06.005 [10] ASHBOLT N J, AMÉZQUITA A, BACKHAUS T, et al. Human Health Risk Assessment (HHRA) for environmental development and transfer of antibiotic resistance [J]. Environmental Health Perspectives, 2013, 121(9): 993-1001. doi: 10.1289/ehp.1206316 [11] CABANILLAS A G, CáCERES M I R, CAñAS M A Met al. Square wave adsorptive stripping voltametric determination of the mixture of nalidixic acid and its main metabolite (7-hydroxymethylnalidixic acid) by multivariate methods and artificial neural network [J]. Talanta, 2007, 72(3): 932-940. doi: 10.1016/j.talanta.2006.12.035 [12] RODRIGUEZ-NARVAEZ O M, PERALTA-HERNANDEZ J M, GOONETILLEKE A, et al. Treatment technologies for emerging contaminants in water: A review [J]. Chemical Engineering Journal, 2017, 323: 361-380. doi: 10.1016/j.cej.2017.04.106 [13] SUN Y Q, CHO D W, GRAHAM N J D, et al. Degradation of antibiotics by modified vacuum-UV based processes: Mechanistic consequences of H2O2 and K2S2O8 in the presence of halide ions [J]. Science of the Total Environment, 2019, 664: 312-321. doi: 10.1016/j.scitotenv.2019.02.006 [14] BENNEMLA M, CHABANI M, AMRANE A. Photocatalytic degradation of oxytetracycline in aqueous solutions with TiO2 in suspension and prediction by artificial neural networks [J]. International Journal of Chemical Kinetics, 2016, 48(8): 464-473. doi: 10.1002/kin.21005 [15] BAALOUDJ O, NASRALLAH N, KEBIR M, et al. Artificial neural network modeling of cefixime photodegradation by synthesized CoBi2O4 nanoparticles [J]. Environmental Science and Pollution Research, 2021, 28(12): 15436-15452. doi: 10.1007/s11356-020-11716-w [16] PHOON B L, ONG C C, MOHAMED SAHEED M S, et al. Conventional and emerging technologies for removal of antibiotics from wastewater [J]. Journal of Hazardous Materials, 2020, 400: 122961. doi: 10.1016/j.jhazmat.2020.122961 [17] LV H, TANG H Y. Machine learning methods and their application research[C]//2011 2nd International Symposium on Intelligence Information Processing and Trusted Computing. October 22-23, 2011, Wuhan, China. IEEE, 2011: 108-110. [18] WANG L D, ALEXANDER C A. Machine learning in big data [J]. International Journal of Mathematical, Engineering and Management Sciences, 2016, 1(2): 52-61. doi: 10.33889/IJMEMS.2016.1.2-006 [19] DASH S S, NAYAK S K, MISHRA D. A review on machine learning algorithms[M]//Smart Innovation, Systems and Technologies. Singapore: Springer Singapore, 2020: 495-507. [20] MA J, DING Y X, CHENG J C P, et al. A Lag-FLSTM deep learning network based on Bayesian Optimization for multi-sequential-variant PM2.5 prediction [J]. Sustainable Cities and Society, 2020, 60: 102237. doi: 10.1016/j.scs.2020.102237 [21] DELAVAR M, GHOLAMI A, SHIRAN G, et al. A novel method for improving air pollution prediction based on machine learning approaches: A case study applied to the capital city of Tehran [J]. ISPRS International Journal of Geo-Information, 2019, 8(2): 99. doi: 10.3390/ijgi8020099 [22] DIDELOT X, POUWELS K B. Machine-learning-assisted selection of antibiotic prescription [J]. Nature Medicine, 2019, 25(7): 1033-1034. doi: 10.1038/s41591-019-0517-0 [23] UYSAL CILOGLU F, SARIDAG A M, KILIC I H, et al. Identification of methicillin-resistant Staphylococcus aureus bacteria using surface-enhanced Raman spectroscopy and machine learning techniques [J]. The Analyst, 2020, 145(23): 7559-7570. doi: 10.1039/D0AN00476F [24] ZHONG Y S, NI Y N, KOKOT S. Application of differential pulse stripping voltammetry and chemometrics for the determination of three antibiotic drugs in food samples [J]. Chinese Chemical Letters, 2012, 23(3): 339-342. doi: 10.1016/j.cclet.2012.01.007 [25] ZENG K, WEI W, JIANG L, et al. Use of carbon nanotubes as a solid support to establish quantitative (centrifugation) and qualitative (filtration) immunoassays to detect gentamicin contamination in commercial milk [J]. Journal of Agricultural and Food Chemistry, 2016, 64(41): 7874-7881. doi: 10.1021/acs.jafc.6b03332 [26] YEHIA A M, ELBALKINY H T, RIAD S M, et al. Chemometrics for resolving spectral data of cephalosporines and tracing their residue in waste water samples [J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2019, 219: 436-443. doi: 10.1016/j.saa.2019.04.081 [27] LONG Y, LI B, LIU H. Analysis of fluoroquinolones antibiotic residue in feed matrices using terahertz spectroscopy [J]. Applied Optics, 2018, 57(3): 544-550. doi: 10.1364/AO.57.000544 [28] URAPEN R, MASAWAT P. Novel method for the determination of tetracycline antibiotics in bovine milk based on digital-image-based colorimetry [J]. International Dairy Journal, 2015, 44: 1-5. doi: 10.1016/j.idairyj.2014.12.002 [29] ASADOLLAHI-BABOLI M, MANI-VARNOSFADERANI A. Rapid and simultaneous determination of tetracycline and cefixime antibiotics by mean of gold nanoparticles-screen printed gold electrode and chemometrics tools [J]. Measurement, 2014, 47: 145-149. doi: 10.1016/j.measurement.2013.08.029 [30] XU Z J, WANG Z K, LIU M Y, et al. Machine learning assisted dual-channel carbon quantum dots-based fluorescence sensor array for detection of tetracyclines [J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2020, 232: 118147. doi: 10.1016/j.saa.2020.118147 [31] ATTIA K A M, NASSAR M W I, EL-ZEINY M B, et al. Effect of genetic algorithm as a variable selection method on different chemometric models applied for the analysis of binary mixture of amoxicillin and flucloxacillin: A comparative study [J]. Spectrochimica Acta. Part A, Molecular and Biomolecular Spectroscopy, 2016, 156: 54-62. doi: 10.1016/j.saa.2015.11.024 [32] DING W, ZHANG Y, KOU L P, et al. Electronic nose application for the determination of penicillin G in Saanen goat milk with fisher discriminate and multilayer perceptron neural network analyses [J]. Journal of Food Processing and Preservation, 2015, 39(6): 927-932. doi: 10.1111/jfpp.12305 [33] ZHAO L Z, DOU Y, GUO Y, et al. Artificial neural networks for non-destructive determination of acetylspiramycin powder by short-wavelength NIR spectroscopy [J]. Vibrational Spectroscopy, 2008, 47(1): 21-25. doi: 10.1016/j.vibspec.2008.01.007 [34] MORALES R, ORTIZ M C, SARABIA L A, et al. D-optimal designs and N-way techniques to determine sulfathiazole in milk by molecular fluorescence spectroscopy [J]. Analytica Chimica Acta, 2011, 707(1/2): 38-46. [35] MARTÍNEZ J L. Antibiotics and antibiotic resistance genes in natural environments [J]. Science, 2008, 321(5887): 365-367. doi: 10.1126/science.1159483 [36] SINGH R, SINGH A P, KUMAR S, et al. Antibiotic resistance in major rivers in the world: A systematic review on occurrence, emergence, and management strategies [J]. Journal of Cleaner Production, 2019, 234: 1484-1505. doi: 10.1016/j.jclepro.2019.06.243 [37] VELTRI D, KAMATH U, SHEHU A. Deep learning improves antimicrobial peptide recognition [J]. Bioinformatics, 2018, 34(16): 2740-2747. doi: 10.1093/bioinformatics/bty179 [38] 吴甜甜, 杨洁. 天然抗菌肽的研究进展及应用前景 [J]. 生物技术通报, 2009(1): 27-30. WU T T, YANG J. Progress in investigation of natural antimicrobial peptides and application prospect [J]. Biotechnology Bulletin, 2009(1): 27-30(in Chinese).
[39] MAGANA M, PUSHPANATHAN M, SANTOS A L, et al. The value of antimicrobial peptides in the age of resistance [J]. The Lancet Infectious Diseases, 2020, 20(9): e216-e230. doi: 10.1016/S1473-3099(20)30327-3 [40] POORINMOHAMMAD N, HAMEDI J, MOGHADDAM M H A M. Sequence-based analysis and prediction of lantibiotics: A machine learning approach [J]. Computational Biology and Chemistry, 2018, 77: 199-206. doi: 10.1016/j.compbiolchem.2018.10.004 [41] FJELL C D, JENSSEN H, HILPERT K, et al. Identification of novel antibacterial peptides by chemoinformatics and machine learning [J]. Journal of Medicinal Chemistry, 2009, 52(7): 2006-2015. doi: 10.1021/jm8015365 [42] SU X, XU J, YIN Y B, et al. Antimicrobial peptide identification using multi-scale convolutional network [J]. BMC Bioinformatics, 2019, 20(1): 730. doi: 10.1186/s12859-019-3327-y [43] LATA S, SHARMA B, RAGHAVA G. Analysis and prediction of antibacterial peptides [J]. BMC Bioinformatics, 2007, 8(1): 1-10. doi: 10.1186/1471-2105-8-1 [44] IRIYA R, JING W W, SYAL K, et al. Rapid antibiotic susceptibility testing based on bacterial motion patterns with long short- term memory neural networks [J]. IEEE Sensors Journal, 2020, 20(9): 4940-4950. doi: 10.1109/JSEN.2020.2967058 [45] GULL S, SHAMIM N, MINHAS F. AMAP: Hierarchical multi-label prediction of biologically active and antimicrobial peptides [J]. Computers in Biology and Medicine, 2019, 107: 172-181. doi: 10.1016/j.compbiomed.2019.02.018 [46] WHITE C, ISMAIL H D, SAIGO H, et al. CNN-BLPred: a Convolutional neural network based predictor for β-Lactamases (BL) and their classes [J]. BMC Bioinformatics, 2017, 18(16): 221-232. [47] HAMID M N, FRIEDBERG I. Identifying antimicrobial peptides using word embedding with deep recurrent neural networks [J]. Bioinformatics, 2019, 35(12): 2009-2016. doi: 10.1093/bioinformatics/bty937 [48] STOKES J M, YANG K, SWANSON K, et al. A deep learning approach to antibiotic discovery [J]. Cell, 2020, 180(4): 688-702.e13. doi: 10.1016/j.cell.2020.01.021 [49] ZOFFMANN S, VERCRUYSSE M, BENMANSOUR F, et al. Machine learning-powered antibiotics phenotypic drug discovery [J]. Scientific Reports, 2019, 9: 5013. doi: 10.1038/s41598-019-39387-9 [50] KOHANSKI M A, DWYER D J, COLLINS J J. How antibiotics kill bacteria: From targets to networks [J]. Nature Reviews Microbiology, 2010, 8(6): 423-435. doi: 10.1038/nrmicro2333 [51] LEE M W, de ANDA J, KROLL C, et al. How do cyclic antibiotics with activity against Gram-negative bacteria permeate membranes?A machine learning informed experimental study [J]. Biochimica et Biophysica Acta (BBA) - Biomembranes, 2020, 1862(8): 183302. doi: 10.1016/j.bbamem.2020.183302 [52] LU X Q, WANG L, de LIU H, et al. Studies on the interaction between antibiotics and DNA [J]. Talanta, 2007, 73(3): 444-450. doi: 10.1016/j.talanta.2007.04.006 [53] BROWN C, TSENG D, LARKIN P M K, et al. Automated, cost-effective optical system for accelerated antimicrobial susceptibility testing (AST) using deep learning [J]. ACS Photonics, 2020, 7(9): 2527-2538. doi: 10.1021/acsphotonics.0c00841 [54] YANG J H, WRIGHT S N, HAMBLIN M, et al. A white-box machine learning approach for revealing antibiotic mechanisms of action [J]. Cell, 2019, 177(6): 1649-1661.e9. doi: 10.1016/j.cell.2019.04.016 [55] NIELSEN J. Antibiotic lethality is impacted by nutrient availabilities: New insights from machine learning [J]. Cell, 2019, 177(6): 1373-1374. doi: 10.1016/j.cell.2019.05.015 [56] BUDAK F, ÜBEYLI E D. Detection of resistivity for antibiotics by probabilistic neural networks [J]. Journal of Medical Systems, 2011, 35(1): 87-91. doi: 10.1007/s10916-009-9344-z [57] BINH V N, DANG N, ANH N T K, et al. Antibiotics in the aquatic environment of Vietnam: Sources, concentrations, risk and control strategy [J]. Chemosphere, 2018, 197: 438-450. doi: 10.1016/j.chemosphere.2018.01.061 [58] WANG Q, ZHAO W M. Optical methods of antibiotic residues detections: A comprehensive review [J]. Sensors and Actuators B:Chemical, 2018, 269: 238-256. [59] ZHOU J W, XU Z H, CHEN S W. Simulation and prediction of the thuringiensin abiotic degradation processes in aqueous solution by a radius basis function neural network model [J]. Chemosphere, 2013, 91(4): 442-447. doi: 10.1016/j.chemosphere.2012.11.062 [60] ZHU X Z, WAN Z H, TSANG D C W, et al. Machine learning for the selection of carbon-based materials for tetracycline and sulfamethoxazole adsorption [J]. Chemical Engineering Journal, 2021, 406: 126782. doi: 10.1016/j.cej.2020.126782 [61] FOROUGHI M, AHMADI AZQHANDI M H, KAKHKI S. Bio-inspired, high, and fast adsorption of tetracycline from aqueous media using Fe3O4-g-CN@PEI-β-CD nanocomposite: Modeling by response surface methodology (RSM), boosted regression tree (BRT), and general regression neural network (GRNN) [J]. Journal of Hazardous Materials, 2020, 388: 121769. doi: 10.1016/j.jhazmat.2019.121769 [62] TABATABAI-YAZDI F S, EBRAHIMIAN PIRBAZARI A, ESMAEILI KHALILSARAEI F, et al. Photocatalytic treatment of tetracycline antibiotic wastewater by silver/TiO 2 nanosheets/reduced graphene oxide and artificial neural network modeling [J]. Water Environment Research, 2020, 92(5): 662-676. doi: 10.1002/wer.1258 [63] TALWAR S, VERMA A K, SANGAL V K. Modeling and optimization of fixed mode dual effect (photocatalysis and photo-Fenton) assisted Metronidazole degradation using ANN coupled with genetic algorithm [J]. Journal of Environmental Management, 2019, 250: 109428. doi: 10.1016/j.jenvman.2019.109428 [64] DONUT N, CAVAS L. Artificial neural network modeling of tetracycline biosorption by pre-treated Posidonia oceanic [J]. Turkish Journal of Fisheries and Aquatic Sciences, 2017, 17(6): 1317-1333. [65] ALAVI N, SARMADI K, GOUDARZI G, et al. Attenuation of tetracyclines during chicken manure and bagasse co-composting: Degradation, kinetics, and artificial neural network modeling [J]. Journal of Environmental Management, 2019, 231: 1203-1210. doi: 10.1016/j.jenvman.2018.11.003 [66] JAMALI ALYANI S, EBRAHIMIAN PIRBAZARI A, ESMAEILI KHALILSARAEI F, et al. Growing Co-doped TiO2 nanosheets on reduced graphene oxide for efficient photocatalytic removal of tetracycline antibiotic from aqueous solution and modeling the process by artificial neural network [J]. Journal of Alloys and Compounds, 2019, 799: 169-182. doi: 10.1016/j.jallcom.2019.05.175 [67] TALWAR S, SANGAL V K, VERMA A, et al. Modeling, optimization and kinetic study for photocatalytic treatment of ornidazole using slurry and fixed-bed approach [J]. Arabian Journal for Science and Engineering, 2018, 43(11): 6191-6202. doi: 10.1007/s13369-018-3388-7 [68] YURTSEVER U, CAN DOĞAN E, GENÇ N. The use of output-dependent data scaling with artificial neural networks and multilinear regression for modeling of ciprofloxacin removal from aqueous solution [J]. Journal of Water Reuse and Desalination, 2017, 7(1): 25-36. doi: 10.2166/wrd.2016.099 [69] OLADIPO A A, ABUREESH M A, GAZI M. Bifunctional composite from spent “Cyprus coffee” for tetracycline removal and phenol degradation: Solar-Fenton process and artificial neural network [J]. International Journal of Biological Macromolecules, 2016, 90: 89-99. doi: 10.1016/j.ijbiomac.2015.08.054 [70] PELALAK R, ALIZADEH R, GHARESHABANI E, et al. Degradation of sulfonamide antibiotics using ozone-based advanced oxidation process: Experimental, modeling, transformation mechanism and DFT study [J]. Science of the Total Environment, 2020, 734: 139446. doi: 10.1016/j.scitotenv.2020.139446 [71] SAMADI-MAYBODI A, NIKOU M. Removal of sarafloxacin from aqueous solution by a magnetized metal-organic framework;Artificial neural network modeling [J]. Polyhedron, 2020, 179: 114342. doi: 10.1016/j.poly.2019.114342 [72] CHOWDHURY S, HALDER G, MANDAL T, et al. Cetylpyridinium bromide assisted micellar-enhanced ultrafiltration for treating enrofloxacin-laden water [J]. Science of the Total Environment, 2019, 687: 10-23. doi: 10.1016/j.scitotenv.2019.06.074 [73] CHOWDHURY S, SIKDER J, MANDAL T, et al. Comprehensive analysis on sorptive uptake of enrofloxacin by activated carbon derived from industrial paper sludge [J]. Science of the Total Environment, 2019, 665: 438-452. doi: 10.1016/j.scitotenv.2019.02.081 [74] YABALAK E. Degradation of ticarcillin by subcritical water oxidation method: Application of response surface methodology and artificial neural network modeling [J]. Journal of Environmental Science and Health, Part A, 2018, 53(11): 975-985. doi: 10.1080/10934529.2018.1471023 [75] SINGH K P, SINGH A K, GUPTA S, et al. Modeling and optimization of reductive degradation of chloramphenicol in aqueous solution by zero-valent bimetallic nanoparticles [J]. Environmental Science and Pollution Research, 2012, 19(6): 2063-2078. doi: 10.1007/s11356-011-0700-4 [76] HUANG B, WANG H C, CUI D, et al. Treatment of pharmaceutical wastewater containing β-lactams antibiotics by a pilot-scale anaerobic membrane bioreactor (AnMBR) [J]. Chemical Engineering Journal, 2018, 341: 238-247. doi: 10.1016/j.cej.2018.01.149 [77] ZHOU C Z, WANG Q, ZHOU C Y. Photocatalytic degradation of antibiotics by molecular assembly porous carbon nitride: Activity studies and artificial neural networks modeling [J]. Chemical Physics Letters, 2020, 750: 137479. doi: 10.1016/j.cplett.2020.137479 [78] HU D X, MIN H C, CHEN Z B, et al. Performance improvement and model of a bio-electrochemical system built-in up-flow anaerobic sludge blanket for treating β-lactams pharmaceutical wastewater under different hydraulic retention time [J]. Water Research, 2019, 164: 114915. doi: 10.1016/j.watres.2019.114915 -
