CN112863596B - 一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法 - Google Patents

一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法 Download PDF

Info

Publication number
CN112863596B
CN112863596B CN202110101814.4A CN202110101814A CN112863596B CN 112863596 B CN112863596 B CN 112863596B CN 202110101814 A CN202110101814 A CN 202110101814A CN 112863596 B CN112863596 B CN 112863596B
Authority
CN
China
Prior art keywords
aerobic fermentation
bacteria
humification
bacterial
degree
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110101814.4A
Other languages
English (en)
Other versions
CN112863596A (zh
Inventor
魏自民
杨红宇
吴俊秋
张书博
赵越
赵昕宇
张旭
解新宇
陈晓蒙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Agricultural University
Original Assignee
Northeast Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeast Agricultural University filed Critical Northeast Agricultural University
Priority to CN202110101814.4A priority Critical patent/CN112863596B/zh
Publication of CN112863596A publication Critical patent/CN112863596A/zh
Application granted granted Critical
Publication of CN112863596B publication Critical patent/CN112863596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/30—Detection of binding sites or motifs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biotechnology (AREA)
  • Databases & Information Systems (AREA)
  • Bioethics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明提供了一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，属于生物信息学技术领域。本发明通过从不同有机固体废弃物好氧发酵过程中细菌群落中筛选共性细菌，同时再筛选节点细菌和功能细菌并经差异性分析，挑选出不同有机固体废弃物好氧发酵过程中关键差异细菌，以共性细菌为基础结合关键差异细菌构建了好氧发酵的细菌码；将细菌码和实际腐殖化程度作为训练样本，通过随机森林模型分析，得到好氧发酵腐殖化程度预测模型。将待预测的样本的细菌群落输入预测模型中，实现对不同有机固体废弃物好氧发酵腐殖化程度进行预测，解决了长期以来腐殖化程度判断复杂，判断结果不全面的问题。

Description

一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构 建和预测的方法
技术领域
本发明属于生物信息学技术领域，具体涉及一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法。
背景技术
腐殖化程度是鉴别好氧发酵终质量的一个综合指标，也是影响最终产品安全应用的关键性因素。传统评价腐殖化程度的各种非生物学指标，包括物理评价指标、化学评价指标、光谱学指标等。其中物理学指标、化学指标虽有特点，但在测定和使用上具有局限性。而波谱法是从化学剂量学手段，从物质结构的角度进行解析腐殖酸，所提供的信息都不全面，难以快速准确判断有机质的稳定化。因此，亟需找到的一个高效地评估腐殖化产品的生物学指标就显得尤为重要。
现有技术是通过寻找单个物料好氧发酵中微生物与腐殖酸之间的响应关系，而非基于微生物群落数据对不同物料好氧发酵腐殖化程度预测评估。虽然，判断好氧发酵腐殖化的传统方法是较为可靠的，但需要大量的实验和一些精密的仪器来完成，工序繁琐，费时费力。
发明内容
有鉴于此，本发明的目的在于提供一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，解决长期以来腐殖化程度判断复杂，判断结果不全面的问题。
本发明提供了一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，包括以下步骤：
1)以不同种类物料的好氧发酵样品为材料进行16S rRNA扩增子测序，得到不同种类物料的细菌群落；
2)从所述不同种类物料的细菌群落中筛选共性细菌；
3)分别从步骤1)中所述不同种类物料的细菌群落中筛选节点细菌和功能细菌，经差异性分析，得到关键差异细菌；
4)将所述关键差异细菌结合所述共性细菌构建不同种类物料好氧发酵的细菌码；
5)评价所述不同种类物料的好氧发酵样品的腐殖化程度，得到实际腐殖化程度；
6)将大量的所述不同种类物料的好氧发酵样品的细菌码和所述实际腐殖化程度作为样本训练，基于随机森林模型建立并验证得到好氧发酵腐殖化程度预测模型；
7)对待预测样品进行16S rRNA扩增子测序，得到的细菌群落输入所述好氧发酵腐殖化程度预测模型中，得到待预测的样品腐殖化程度结果。
优选的，步骤5)中评价所述不同种类物料的好氧发酵样品的腐殖化程度的方法包括采用光谱学技术，测定样品中腐殖酸类物质，并计算腐殖化指数和聚合度作为判断实际腐殖化程度的指标。
优选的，所述腐殖酸类物质包括胡敏酸和富里酸；
优选的，所述腐殖化指数的计算公式如式I所示；
所述聚合度的计算公式如式II所示；
HI＝CHA/TOC×100％； 式I
DP＝CHA/CFA； 式II
其中，HI表示腐殖化指数；
DP表示聚合度；
CHA表示胡敏酸浓度；
CFA表示富里酸浓度；
TOC表示总有机碳。
优选的，步骤2)中所述共性细菌为不同种类物料进行好氧发酵过程中70％以上样品中都存在的细菌属。
优选的，步骤3)中所述节点细菌的筛选方法是通过LEfSe的方法，筛选出不同种类物料进行好氧发酵过程中的生物标记，再通过网络分析得到物料中节点细菌；
所述节点细菌是指在网络分析中，度水平排名前10％的细菌属。
优选的，步骤3)中所述功能细菌的筛选方法是采用FAPROTAX数据库对细菌群落进行功能预测，挑选出与腐殖酸形成或与关键功能代谢相关的细菌属，即为功能细菌。
优选的，步骤3)中所述差异性分析的方法为LEfSe。
优选的，步骤1)中所述不同种类物料包括有机固体废弃物。
优选的，所述有机固体废弃物包括园林垃圾、禽畜粪便、农作物废弃物和/或污泥。
本发明提供的基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，是通过对五种不同有机固体废弃物好氧发酵过程中细菌群落的研究,得到五种不同有机固体废弃物中70％样本以上都具有的共性细菌；并结合LEfSe分析、功能预测及网络分析，挑选出五种不同有机固体废弃物好氧发酵过程中功能差异细菌和节点差异细菌，统称为关键差异细菌；以共性细菌为基础，结合关键差异细菌，构建了好氧发酵过程中不同有机固体废弃物的细菌码；用所述细菌码和实际腐殖化程度为数据通过随机森林模型分析，构建预测模型，经过验证得到腐殖化程度的预测模型；将待预测样本的细菌码输入所述预测模型中，得到待预测样本的腐殖化程度结果。本发明提供的方法解决了长期以来腐殖化程度判断复杂，判断结果不全面的问题。同时本发明提供的方法通过模型验证成功后，不断完善的细菌码数据库丰富程度，使预测出好氧发酵的腐殖化程度越来越准确。
附图说明
图1为差异细菌的筛选过程模式图；
图2为细菌码构建示意图；
图3为腐殖化程度预测流程框图；
图4为堆肥反应装置结构示意图，其中1.孵化器；2.反应堆；3.网状空隙渗滤液垫；4.固定基座；5.导气管；6.气体收集室；7.空气压缩机；8.可控气体流量计；9.气体流量控制旋钮；10.密封盖；11.排气管；12.排气管控制开关；13.控温体系；14.CO2检测器。
图5为五种不同有机固体废弃物的腐殖化程度指标腐殖化指数线性曲线。
具体实施方式
本发明提供了一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，包括以下步骤:
1)以不同种类物料的好氧发酵样品为材料进行16S rRNA扩增子测序，得到不同种类物料的细菌群落；
2)从所述不同种类物料的细菌群落中筛选共性细菌；
3)分别从步骤1)中所述不同种类物料的细菌群落中筛选节点细菌和功能细菌，经差异性分析，得到关键差异细菌；
4)将所述关键差异细菌结合所述共性细菌构建不同种类物料好氧发酵的细菌码；
5)评价所述不同种类物料的好氧发酵样品的腐殖化程度，得到实际腐殖化程度；
6)将大量的所述不同种类物料的好氧发酵样品的细菌码和所述实际腐殖化程度作为样本训练，基于随机森林模型建立并验证得到好氧发酵腐殖化程度预测模型；
7)对待预测样品的细菌码输入所述好氧发酵腐殖化程度预测模型中，得到待预测的样品腐殖化程度结果。
本发明以不同种类物料的好氧发酵样品为材料进行16S rRNA扩增子测序，得到不同种类物料的细菌群落。
在本发明中，所述不同种类物料优选包括有机固体废弃物。所述有机固体废弃物优选包括园林垃圾、禽畜粪便、农作物废弃物和/或污泥。所述好氧发酵样品的采集时机没有特殊限制，在好氧发酵的任何阶段均可。所述好氧发酵优选在堆肥反应装置(见图4)中进行，温度变化根据常规堆肥温度进行调节，既有利于堆肥快速腐熟，又利于堆体高温环境杀死原始物料中的致病菌，保障堆肥产品的生物安全性。
在本发明中，所述16S rRNA扩增子测序优选测定细菌16S rRNAV3-V4区。测序用16S引物优选为341F(CCTAYGGGRBGCASCAG，SEQ ID NO：1)和806R(GGACTACNNGGGTATCTAAT，SEQ ID NO：2)。本发明对所述测序的方法没有特殊限制，采用本领域所熟知的测序方案即可。本发明实施例中，所述测序委托北京诺禾致源科技股份有限公司1公司进行。测序结束后，将测序结果进行比对，得到每个样品中细菌的名称，将这些细菌名称汇总，形成细菌群落。
得到细菌群落后，本发明从所述不同种类物料的细菌群落中筛选共性细菌。所述共性细菌优选为不同种类物料进行好氧发酵过程中70％以上样品中都存在的细菌属。所述筛选方法优选为将不同种类物料的细菌群落中70％的样本中含有的细菌统计出来，形成共性细菌。
得到细菌群落后，本发明分别从所述不同种类物料的细菌群落中筛选节点细菌和功能细菌，经差异性分析，得到关键差异细菌。
在本发明中，所述节点细菌的筛选方法优选是通过LEfSe的方法，筛选出不同种类物料进行好氧发酵过程中的生物标记(见图1中差异细菌)，具体可参见参考文献1的记载。再通过网络分析得到物料中节点细菌。所述网络分析优选采用LEfSe官方网站分析。所述节点细菌是指在网络分析中，度水平排名前10％的细菌属。
在本发明中，所述功能细菌的筛选方法优选是采用FAPROTAX数据库对细菌群落进行功能预测，挑选出与腐殖酸形成或与关键功能代谢相关的细菌属，即为功能细菌。本发明对所书功能预测的方法不做具体限定，采用本领域所熟知的功能预测方法即可。本发明实施例中，筛选得到的功能细菌分类及其功能见表1。
表1功能细菌及其生物学功能
Figure BDA0002916227140000051
Figure BDA0002916227140000061
在本发明中，所述差异性分析的方法优选为采用LefSe差异性分析。根据差异性分析结果将不同物料中节点细菌和功能细菌进行分类总结，得到不同有机固体废弃物中的差异节点和差异功能的细菌，统称为关键差异细菌(见表1)。
得到关键差异细菌和共性细菌后，本发明将所述关键差异细菌结合所述共性细菌构建不同种类物料好氧发酵的细菌码。
在本发明中，以所述共性细菌为基础，结合关键差异细菌，组成不同种类物料好氧发酵的细菌码数据库。
本发明评价所述不同种类物料的好氧发酵样品的腐殖化程度，得到实际腐殖化程度。
在本发明中，评价所述不同种类物料的好氧发酵样品的腐殖化程度的方法优选包括采用光谱学技术测定样品中腐殖酸类物质，并计算腐殖化指数和聚合度作为判断实际腐殖化程度的指标。所述腐殖酸类物质优选包括胡敏酸和富里酸。本发明对所述胡敏酸和富里酸的浓度测定方法没有特殊限制，采用本领域所熟知的胡敏酸和富里酸的测定方法即可，例如采用参考文献2的方测定胡敏酸浓度，采用参考文献2法测定富里酸浓度。
在本发明中，所述腐殖化指数的计算公式优选如式I所示；
所述聚合度的计算公式优选如式II所示；
HI＝CHA/TOC×100％； 式I
DP＝CHA/CFA； 式II
其中，HI表示腐殖化指数；DP表示聚合度；CHA表示胡敏酸浓度；
CFA表示富里酸浓度；TOC表示总有机碳。
得到不同种类物料的好氧发酵样品的细菌码和实际腐殖化程度后，本发明将大量的所述不同种类物料的好氧发酵样品的细菌码和所述实际腐殖化程度作为样本训练，基于随机森林模型建立并验证，得到好氧发酵腐殖化程度预测模型。
在本发明中，利用实验室条件下规模所得的115个五种物料好氧发酵得到的大量样本的细菌码及其对应的实际腐殖化程度作为样本训练，输入随机森林模型中，建立好氧发酵腐殖化程度预测模型。所述验证的方法优选增加或减少用于训练的物料好氧发酵得到的样本细菌码及其对应的实际腐殖化程度的数量，再次训练模型，模型验证合格后即得好氧发酵腐殖化程度预测模型。所述验证优选为预测腐殖化程度结果与实际腐殖化程度的线性拟合曲线斜率越接近于1拟合程度越好，预测准确性越高。本发明中所述验证合格时各指标线性拟合曲线斜率情况如下：1)HA浓度的验证情况：园林垃圾的预测结果的斜率为0.6644，水稻秸秆的预测结果的斜率为0.7148，牛粪的预测结果的斜率为0.7112，鸡粪的预测结果的斜率为0.5218，污水污泥的预测结果的斜率为0.6939；2)FA浓度的验证情况：园林垃圾的预测结果的斜率为0.5755，水稻秸秆的预测结果的斜率为0.7256，牛粪的预测结果的斜率为0.7801，鸡粪的预测结果的斜率为0.6385，污水污泥的预测结果的斜率为0.7256；3)腐殖化指数的验证情况：园林垃圾的预测结果的斜率为0.6132，水稻秸秆的预测结果的斜率为0.6912，牛粪的预测结果的斜率为0.7806，鸡粪的预测结果的斜率为0.4594，污水污泥的预测结果的斜率为0.6725；4)聚合度的验证情况：园林垃圾的预测结果的斜率为0.9374，水稻秸秆的预测结果的斜率为0.6766，牛粪的预测结果的斜率为0.7610，鸡粪的预测结果的斜率为0.5818，污水污泥的预测结果的斜率为0.5432。
得到好氧发酵腐殖化程度预测模型后，本发明对待预测样品进行16S rRNA扩增子测序，得到的细菌群落输入所述好氧发酵腐殖化程度预测模型中，得到待预测的样品腐殖化程度结果。
在本发明中，所述待预测样品的细菌码的获得方法，优选采用上述细菌码的构建方法即可，在此不做赘述。
本发明提供的方法，能够实现对园林垃圾、作物废弃物、人畜粪便、污泥的好氧发酵腐殖化程度的预测，实现高效检测好氧发酵的腐殖化程度的目的。
下面结合实施例对本发明提供的一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法进行详细的说明，但是不能把它们理解为对本发明保护范围的限定。
实施例1
1.数据采集
按照实验室规模下的好氧发酵流程，在好氧发酵过程中(不区分具体时间随机取样)，收集五种好氧发酵物料(包括园林垃圾、水稻秸秆、牛粪、鸡粪、污泥)，将收集到的物料置于-80℃保存，以便后续16S rRNA扩增子测序，获的不同有机固体废弃物的细菌群落数据；
原始物料采集回实验室后，首先进行晾晒处理；当各物料中多余水分去除后，将物料剪碎到径粒大小为15～30mm，便于堆肥腐熟；并对不同物料进行总有机碳2和总凯氏氮的测定3，利用不同物料进行配比调节堆肥初始物料的碳氮比(C/N)为25～30，调节初始含水率为60％～70％，并将此含水条件维持整个堆肥过程。
堆肥反应在图4所示的反应装置中进行，该装置是在实验室原有装置基础上进行改良。在堆肥反应装置设计原理不变的基础上，增加可调节气体流量计，实现堆体通气量精准调控。为减少外部环境为堆肥过程带来的干扰，本实施例中堆肥试验均在控温堆肥模拟反应器中进行，温度变化根据常规堆肥温度进行调节，既有利于堆肥快速腐熟，又利于堆体高温环境杀死原始物料中的致病菌，保障堆肥产品的生物安全性。
2.实际腐殖化程度判定：通过光谱学技术2，测定了堆肥中腐殖酸类物质(胡敏酸：Humic acid，HA；富里酸：Fulvic acid，FA)浓度，用以表征实际腐殖化程度，并计算腐殖化指数和聚合度作为判断实际腐殖化程度指标，
HI＝CHA/TOC×100％；
DP＝CHA/CFA；
HI——腐殖化指数(Humification Index)；
DP——聚合度(Degree of Polymerization)；
CHA——胡敏酸浓度；
CFA——富里酸浓度；
TOC——总有机碳(Total organic carbon)。
3.模型建立
用于检测好氧发酵腐殖化程度的预测模型为随机森林模型，通过生物信息学手段分析不同有机固体废弃物中的细菌群落，获得共性细菌和关键差异细菌；
(1)共性细菌：共性细菌为不同有机固体废物好氧发酵过程中70％以上样品都存在的细菌属；
(2)关键差异细菌的筛选：首先，通过LEfSe的方法，筛选出不同有机固体废物好氧发酵过程中的生物标记物；再通过网络分析得到不同物料中关键节点细菌，即在网络分析中度水平前10％的细菌属。然后，通过FAPROTAX数据库进行功能预测，挑选出与腐殖酸形成或与细菌群落关键功能代谢相关的细菌属，得到不同有机固体废弃物中的功能微生物；最后，根据差异性分析结果将不同物料中节点细菌和功能细菌进行分类总结，得到不同有机固体废弃物中的差异节点和差异功能的细菌，统称为关键差异细菌(见图1)，并于共性细菌结合构建好氧发酵过程中的细菌码(见图2)。
(3)运用随机森林对于预测结果进行验证；
利用实验室规模所得到的115个五种物料好氧发酵得到的大量样本的细菌码和实际腐殖化程度作为样本训练，建立起腐殖化化程度预测模型。
模型验证：基于所述预测模型输出的预测腐殖化程度，与实际腐殖化程度进行对比分析，并增加样本数量再次训练预测模型，模型验证完成后即得好氧发酵腐殖化程度预测模型；
利用所述的堆肥腐殖化程度预测模型，对新的好氧发酵进行预测：将高通量测序结果中的细菌码数据输入随机森林模型中，即可得到目前物料的腐殖化程度。
(4)五种物料好氧发酵的结果分析
鸡粪：将鸡粪加工成10mm～20mm的颗粒。这些材料在单独的反应器中进行好氧发酵。为了进行充分的好氧发酵，固体有机废物的初始水分含量应保持在60％～65％的范围内，C/N比为25：1，反应器的通风速率为0.5L/min。之后采取高通量测序技术获得样品的细菌群落数据，按该发明中得到的由共性细菌(Turepera、Persicitalea、Ornithinimicrobium、Oceanobacillus、Bacillus、Enterococcus、Luteimonas、Devosia、Flavobacterium、Bacteroides)和关键差异细菌(Corynebacteriaceae、Aerococcus、Atopostipes、Weissella、Halocella)组成的细菌码筛选出对应菌属的丰度，依靠随机森林模型对腐殖酸类物质进行预测，最终计算其他相应腐殖化程度指标腐殖化指数(见图5)，来检测鸡粪好氧发酵腐殖化程度。
污泥：将污泥加工成10mm～20mm的颗粒。这些材料在单独的反应器中进行好氧发酵。为了进行充分的好氧发酵，固体有机废物的初始水分含量应保持在60％～65％的范围内，C/N比为25：1，反应器的通风速率为0.5L/min。之后采取高通量测序技术获得样品的细菌群落数据，按该发明中得到的由共性细菌(Turepera、Persicitalea、Ornithinimicrobium、Oceanobacillus、Bacillus、Enterococcus、Luteimonas、Devosia、Flavobacterium、Bacteroides)和关键差异细菌(Craurococcus、Cellulosimicrobium、Rhodococcus、Brecibacillus、Romboutsia)组成的细菌码筛选出对应菌属的丰度，依靠随机森林模型对腐殖酸类物质进行预测，最终计算其他相应腐殖化程度指标腐殖化指数，来检测污泥的好氧发酵腐殖化程度。
牛粪：将牛粪加工成10mm～20mm的颗粒。这些材料在单独的反应器中进行好氧发酵。为了进行充分的好氧发酵，固体有机废物的初始水分含量应保持在60％～65％的范围内，C/N比为25：1，反应器的通风速率为0.5L/min。之后采取高通量测序技术获得样品的细菌群落数据，按该发明中得到的由共性细菌(Turepera、Persicitalea、Ornithinimicrobium、Oceanobacillus、Bacillus、Enterococcus、Luteimonas、Devosia、Flavobacterium、Bacteroides)和关键差异细菌(uncultured_bacterium_o_Xanthomonadales、Klebsiella、Lautropia、uncultured_bacterium_f_Rhodothermaceae、Petrimonas、Peptoclostridium、Thermobacillus、Desemzia、Turicibacter、uncultured_bacterium_f_Longimicrobiaceae、uncultured_bacterium_f_Anearolineaceae、uncultured_bacterium_c_S0134 terrestrial group\、uncultured_bacterium_f_Gemmatimonadaceae、uncultured_bacterium_c_Subgroup 6、Aquamicrobium)组成的细菌码筛选出对应菌属的丰度，依靠随机森林模型对腐殖酸类物质进行预测，最终计算其他相应腐殖化程度指标腐殖化指数(见图5)，来检测牛粪的好氧发酵腐殖化程度。
水稻秸秆：将水稻秸秆加工成10mm～20mm的颗粒。这些材料在单独的反应器中进行有氧发酵。为了进行充分的需氧发酵，固体有机废物的初始水分含量应保持在60％～65％的范围内，C/N比为25：1，反应器的通风速率为0.5L/min。之后采取高通量测序技术获得样品的细菌群落数据，按该发明中得到的由共性细菌(Turepera、Persicitalea、Ornithinimicrobium、Oceanobacillus、Bacillus、Enterococcus、Luteimonas、Devosia、Flavobacterium、Bacteroides)和关键差异细菌(Pantoea、uncultured_bacterium_f_Cytophagaceae、uncultured_bacterium_f_NS9 marinegroup、Carnobacterium、Cellulomonas、uncultured_bacterium_f_Blrii41)组成的细菌码筛选出对应菌属的丰度，依靠随机森林模型对腐殖酸类物质进行预测，最终计算其他相应腐殖化程度指标腐殖化指数，来检测水稻秸秆的好氧发酵腐殖化程度。
园林垃圾：将园林垃圾加工成10mm～20mm的颗粒。这些材料在单独的反应器中进行好氧发酵。为了进行充分的需氧发酵，固体有机废物的初始水分含量应保持在60％～65％的范围内，C/N比为25：1，反应器的通风速率为0.5L/min。之后采取高通量测序技术获得样品的细菌群落数据，按该发明中得到的由共性细菌(Turepera、Persicitalea、Ornithinimicrobium、Oceanobacillus、Bacillus、Enterococcus、Luteimonas、Devosia、Flavobacterium、Bacteroides)和关键差异细菌(Paracoccus、Phenybacterium、Lysobacter、Stenotrophomonas、Pseudogracilibacillus、Nocardiopsis、Yaniella、Brevibacterium、Brachybacterium)组成的细菌码筛选出对应菌属的丰度，依靠随机森林模型对腐殖酸类物质进行预测，最终计算其他相应腐殖化程度指标腐殖化指数(见图5)，来检测园林垃圾的好氧发酵腐殖化程度。
本发明中涉及的参考文献：
1.Chong J,Liu P,Zhou GY,Xia JG.Using MicrobiomeAnalyst forcomprehensive statistical,functional,and meta-analysis of microbiome data.NatProtoc 15,799-821(2020).
2.Wu J,et al.How does manganese dioxide affect humus formation duringbio-composting of chicken manure and corn straw？Bioresour Technol 269,169-178(2018).
3.Zhu L,et al.Biochar combined with montmorillonite amendmentsincrease bioavailable organic nitrogen and reduce nitrogen loss duringcomposting.BioresourTechnol 294,122224(2019).
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
序列表
<110> 东北农业大学
<120> 一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法
<160> 2
<170> SIPOSequenceListing 1.0
<210> 1
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 1
cctaygggrb gcascag 17
<210> 2
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 2
ggactacnng ggtatctaat 20

Claims (10)

1.一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，包括以下步骤:
1)以不同种类物料的好氧发酵样品为材料进行16S rRNA扩增子测序，得到不同种类物料的细菌群落；
2)从所述不同种类物料的细菌群落中筛选共性细菌；
3)分别从步骤1)中所述不同种类物料的细菌群落中筛选节点细菌和功能细菌，经差异性分析，得到关键差异细菌；
4)将所述关键差异细菌结合所述共性细菌构建不同种类物料好氧发酵的细菌码；
5)评价所述不同种类物料的好氧发酵样品的腐殖化程度，得到实际腐殖化程度；
6)将大量的所述不同种类物料的好氧发酵样品的细菌码和所述实际腐殖化程度作为样本训练，基于随机森林模型建立并验证得到好氧发酵腐殖化程度预测模型；
7)对待预测样品进行16S rRNA扩增子测序，得到的细菌群落输入所述好氧发酵腐殖化程度预测模型中，得到待预测的样品腐殖化程度结果。
2.根据权利要求1所述基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，步骤5)中评价所述不同种类物料的好氧发酵样品的腐殖化程度的方法包括采用光谱学技术测定样品中腐殖酸类物质，并计算腐殖化指数和聚合度作为判断实际腐殖化程度的指标。
3.根据权利要求2所述基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，所述腐殖酸类物质包括胡敏酸和富里酸。
4.根据权利要求2所述基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，所述腐殖化指数的计算公式如式I所示；
所述聚合度的计算公式如式II所示；
HI＝CHA/TOC×100％； 式I
DP＝CHA/CFA； 式II
其中，HI表示腐殖化指数；
DP表示聚合度；
CHA表示胡敏酸浓度；
CFA表示富里酸浓度；
TOC表示总有机碳。
5.根据权利要求1所述基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，步骤2)中所述共性细菌为不同种类物料进行好氧发酵过程中70％以上样品中都存在的细菌属。
6.根据权利要求1所述基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，步骤3)中所述节点细菌的筛选方法是通过LEfSe的方法，筛选出不同种类物料进行好氧发酵过程中的生物标记，再通过网络分析得到不同种类物料中节点细菌；
所述节点细菌是指在所述网络分析中，度水平排名前10％的细菌属。
7.根据权利要求1所述基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，步骤3)中所述功能细菌的筛选方法是采用FAPROTAX数据库对所述细菌群落进行功能预测，挑选出与腐殖酸形成或与关键功能代谢相关的细菌属，即为功能细菌。
8.根据权利要求1所述基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，步骤3)中所述差异性分析的方法为LEfSe。
9.根据权利要求1～8任意一项所述基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，步骤1)中所述不同种类物料包括有机固体废弃物。
10.根据权利要求9所述基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法，其特征在于，所述有机固体废弃物包括园林垃圾、禽畜粪便、农作物废弃物和/或污泥。
CN202110101814.4A 2021-01-26 2021-01-26 一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法 Active CN112863596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110101814.4A CN112863596B (zh) 2021-01-26 2021-01-26 一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110101814.4A CN112863596B (zh) 2021-01-26 2021-01-26 一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法

Publications (2)

Publication Number Publication Date
CN112863596A CN112863596A (zh) 2021-05-28
CN112863596B true CN112863596B (zh) 2022-04-15

Family

ID=76009039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110101814.4A Active CN112863596B (zh) 2021-01-26 2021-01-26 一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法

Country Status (1)

Country Link
CN (1) CN112863596B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699624A (zh) * 2016-03-07 2016-06-22 中国科学院南京土壤研究所 一种基于土壤发生层厚度预测的土壤有机碳储量估算方法
CN106116728A (zh) * 2016-06-27 2016-11-16 东北农业大学 一种难培养微生物菌群结构调控的堆肥方法
CN109002621A (zh) * 2018-07-25 2018-12-14 中国林业科学研究院资源信息研究所 一种顾及邻域与地理差异的林分平均高与胸径计算方法
CN112199862A (zh) * 2020-10-29 2021-01-08 华中科技大学 纳米粒子运移的预测方法、其影响因子分析方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009086307A1 (en) * 2007-12-21 2009-07-09 Core Intellectual Properties Holdings, Llc Methods and systems for biomass recycling and energy production
AU2018328254A1 (en) * 2017-09-08 2020-04-30 9337-4791 Quebec, Inc. System and method for controlling a growth environment of a crop
WO2021007482A1 (en) * 2019-07-11 2021-01-14 Locus Agriculture Ip Company, Llc Use of soil and other environmental data to recommend customized agronomic programs

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699624A (zh) * 2016-03-07 2016-06-22 中国科学院南京土壤研究所 一种基于土壤发生层厚度预测的土壤有机碳储量估算方法
CN106116728A (zh) * 2016-06-27 2016-11-16 东北农业大学 一种难培养微生物菌群结构调控的堆肥方法
CN109002621A (zh) * 2018-07-25 2018-12-14 中国林业科学研究院资源信息研究所 一种顾及邻域与地理差异的林分平均高与胸径计算方法
CN112199862A (zh) * 2020-10-29 2021-01-08 华中科技大学 纳米粒子运移的预测方法、其影响因子分析方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Effects of aeration rates on the structural changes in humic substance during co-composting of digestates and chicken manure;Wu junqiu等;《Science of Total Environment》;20190325;第658卷;第510-520页 *
Humus formation driven by ammonia-oxidizing bacteria during mixed materials composting;wu Jun qiu等;《Bioresource Technology》;20200930;第311卷;第1-5页 *
Predicting Humification Degree of organic solid waste during Aerobic Fermentation Using Designated Bacterial Community;HY Yang等;《https://doi.org/10.21203/rs.3.rs-328051/v1》;20210331;第1-22页 *
基于优化随机森林的H2S腐蚀产物类型及腐蚀速率预测;曲志豪等;《表面技术》;20200331;第49卷(第03期);第42-49页 *
绿色大豆皮和玉米秸秆堆肥过程中的物质转化、微生物群落组成和代谢功能演替;张超;《中国优秀博硕士学位论文全文数据库（硕士）农业科技辑》;20201015(第10期);第D043-11页 *
藏东南色季拉山西坡不同植被土壤有机碳垂直分布特征及其影响因素;史飞等;《植物营养与肥料学报》;20200525(第05期);第150-161页 *

Also Published As

Publication number Publication date
CN112863596A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
Hermans et al. Using soil bacterial communities to predict physico-chemical variables and soil quality
Luo et al. Influence of long-term fertilization on soil microbial biomass, dehydrogenase activity, and bacterial and fungal community structure in a brown soil of northeast China
Pascault et al. Stimulation of different functional groups of bacteria by various plant residues as a driver of soil priming effect
Mele et al. Application of self-organizing maps for assessing soil biological quality
Toledo et al. Monitoring of the composting process of different agroindustrial waste: Influence of the operational variables on the odorous impact
Sundberg et al. Effects of pH and microbial composition on odour in food waste composting
Qu et al. Impacts of grazing intensity and plant community composition on soil bacterial community diversity in a steppe grassland
Yu et al. Fluorescence excitation–emission spectroscopy with regional integration analysis for assessment of compost maturity
Sun et al. Quantitative effects of composting state variables on C/N ratio through GA-aided multivariate analysis
Delgado-Rodríguez et al. Effect of control parameters on emitted volatile compounds in municipal solid waste and pine trimmings composting
Sironi et al. Development of a system for the continuous monitoring of odours from a composting plant: Focus on training, data processing and results validation methods
Makan et al. Interaction of physicochemical parameters during pressurized in-vessel composting of food waste
Böhm et al. Application of multivariate data analyses in waste management
Singh et al. Maturation of primary stabilized compost from rotary drum composter
Sun et al. A stepwise-cluster microbial biomass inference model in food waste composting
Wang et al. Field H2 infusion alters bacterial and archaeal communities but not fungal communities nor nitrogen cycle gene abundance
CN112863596B (zh) 一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法
Huang et al. Real-time and field monitoring of the key parameters in industrial trough composting process using a handheld near infrared spectrometer
Sun et al. Investigation of underlying links between nitrogen transformation and microorganisms' network modularity in the novel static aerobic composting of dairy manure by “stepwise verification interaction analysis”
KR20150057471A (ko) 퇴·액비 특성 분석장치
CN110257486B (zh) 一种基于纤维素酶基因表征堆肥腐熟度的方法
Bayle et al. Biological and chemical atmospheric emissions of the biogas industry
CN113793645A (zh) 一种基于机器学习模型的堆肥腐熟度预测方法
CN110570914B (zh) 测量沼液营养成分含量的方法
Zhang et al. Changes in soil bacterial community and functions by substituting chemical fertilizer with biogas slurry in an apple orchard

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant