DOI: https://doi.org/10.1038/s44454-026-00030-8
تاريخ النشر: 2026-03-03
المؤلف: Jianxu Chen وآخرون
الموضوع الرئيسي: التلوث البرازي وجودة المياه
طرق
في هذا القسم، يحدد المؤلفون نموذجين لتعميم النموذج يهدفان إلى التنبؤ بالجزيئات الفيروسية في المفاعلات الحيوية الغشائية اللاهوائية (AnMBRs) باستخدام التعلم مدى الحياة وإطار الانتباه المزدوج القائم على التوليد بدون عينة (ZSG). تشمل المنهجية نقاط أخذ العينات من AnMBRs وتقدم ثلاثة نماذج توليدية مصممة لإنشاء مجموعات بيانات صناعية بناءً على البيانات المقاسة.
علاوة على ذلك، يقدم المؤلفون أربعة أطر متميزة لتعميم النموذج: الذاكرة طويلة الأمد قصيرة الأمد مدى الحياة (lifelong-LSTM)، وحدة التكرار المغلقة مدى الحياة (lifelong-GRU)، LSTM ذات الانتباه المزدوج (DA-LSTM)، وGRU ذات الانتباه المزدوج (DA-GRU). يتم استخدام هذه الأطر لتقدير الجزيئات الفيروسية وتقييم قيم تقليل السجل (LRVs) عبر مصفوفات مياه الصرف الصحي المختلفة ومحطات معالجة مياه الصرف الصحي (WWTPs)، مما يعزز القدرات التنبؤية للنماذج في سياقات متنوعة.
نتائج
في هذا القسم، يقدم المؤلفون نتائج دراسات الحالة التي تهدف إلى التنبؤ بالجزيئات الفيروسية وتقييم قيم تقليل السجل (LRVs) باستخدام التعلم مدى الحياة وطرق تحليل البيانات القائمة على التعميم بدون عينة (ZSG) عبر محطات معالجة مياه الصرف الصحي (WWTPs) القائمة على AnMBR في المملكة العربية السعودية. شملت الدراسة بناء نماذج أساسية للجزيئات الفيروسية من كل من عمليات معالجة المدخلات والمخرجات لتقييم تعميم النموذج عبر مصفوفات مياه الصرف الصحي المختلفة التي تشترك في نفس مصدر AnMBR. تم التحقق من صحة النماذج من خلال توسيع التحليل ليشمل محطات معالجة مياه الصرف الصحي (WWTPs) المختلفة القائمة على AnMBR.
فحصت الدراسة عينات من مياه الصرف الصحي غير المعالجة والمعالجة ضمن نفس محطة معالجة مياه الصرف الصحي، بالإضافة إلى المقارنات بين مياه الصرف الصحي غير المعالجة والمعالجة من AnMBR من مرافق مختلفة. تم حساب قيم LRVs باستخدام الصيغة التقليدية لتقدير تركيزات الفيروسات، كما هو موضح في المعادلة (1). توضح الأقسام الفرعية التالية أداء التنبؤ للنماذج لمختلف الجزيئات الفيروسية، بما في ذلك فيروس الأدينو (AdV)، الكوليفاج (MS2)، فيروس CrAssphage، فيروس الفلفل المعتدل (PMMoV)، وجزيئات الفيروسات الكلية (TV)، مما يبرز فعالية تعميم النموذج المقترح عبر مصفوفات مياه الصرف الصحي والمرافق المعالجة المدروسة.
مناقشة
في هذا القسم، يناقش المؤلفون التحديات والتقدم في التنبؤ بالجزيئات الفيروسية وتقييم قيم إزالة السجل (LRVs) في محطات معالجة مياه الصرف الصحي (WWTPs) القائمة على AnMBR. يسلطون الضوء على قيود تقنيات الوبائيات التقليدية القائمة على مياه الصرف الصحي (WBE)، التي تواجه صعوبات مع التركيزات الفيروسية المنخفضة وتفتقر إلى قدرات المراقبة في الوقت الحقيقي. لمعالجة هذه القضايا، يقترح البحث نموذجين مبتكرين لتعميم النموذج: نهج التعلم مدى الحياة الذي يدمج وحدة تكيف قائمة على المعرفة مع متنبئين محليين للتعلم الآلي (ML)، وإطار التعميم بدون عينة (ZSG) الذي يستخدم نماذج المحولات ذات الانتباه المزدوج. تهدف هذه المنهجيات إلى تعزيز التنبؤ بالملوثات الفيروسية وتحسين تقييم كفاءات الإزالة عبر مصفوفات مياه الصرف الصحي المتنوعة.
تتحقق الدراسة من صحة هذه الأساليب من خلال التنبؤ بتركيزات مختلف مسببات الأمراض الفيروسية، بما في ذلك فيروس الأدينو والكوليفاج، عبر محطتين لمعالجة مياه الصرف الصحي (WWTPs) القائمة على AnMBR في المملكة العربية السعودية. تظهر النتائج أن كلا من نماذج التعلم مدى الحياة والنماذج القائمة على ZSG تحقق دقة عالية في التنبؤ بتركيزات الجزيئات الفيروسية والحفاظ على أداء قوي على الرغم من التغيرات الديناميكية في تدفقات المدخلات والمخرجات. على وجه الخصوص، أظهرت النماذج قدرات تنبؤية ملحوظة، حيث تجاوزت معاملات التحديد ($R^2$) 0.90 لعدة أنواع فيروسية. تؤكد النتائج على أهمية تطوير أدوات مراقبة فعالة في الوقت الحقيقي لضمان جودة المياه وسلامتها في إعادة استخدام مياه الصرف الصحي، مما يسهم في ممارسات إدارة المياه المستدامة.
DOI: https://doi.org/10.1038/s44454-026-00030-8
Publication Date: 2026-03-03
Author(s): Jianxu Chen et al.
Primary Topic: Fecal contamination and water quality
Methods
In this section, the authors outline two paradigms for model generalization aimed at predicting viral particles in anaerobic membrane bioreactors (AnMBRs) using lifelong learning and a zero-shot generative (ZSG) dual-attention framework. The methodology encompasses the sampling points of AnMBRs and introduces three generative models designed to create synthetic datasets based on the measured data.
Furthermore, the authors present four distinct model generalization frameworks: lifelong long short-term memory (lifelong-LSTM), lifelong gated recurrent unit (lifelong-GRU), dual-attention LSTM (DA-LSTM), and dual-attention GRU (DA-GRU). These frameworks are employed to estimate viral particles and evaluate log reduction values (LRVs) across diverse wastewater matrices and wastewater treatment plants (WWTPs), thereby enhancing the predictive capabilities of the models in varying contexts.
Results
In this section, the authors present the results of case studies aimed at predicting viral particles and assessing log reduction values (LRVs) using lifelong learning and zero-shot generalization (ZSG)-based data analysis approaches across anaerobic membrane bioreactor (AnMBR)-based wastewater treatment plants (WWTPs) in Saudi Arabia. The study involved constructing baseline models for viral particles from both influent and effluent treatment processes to evaluate model generalization across various wastewater matrices sharing the same AnMBR source. The models were further validated by extending the analysis to different AnMBR-based WWTPs.
The research examined samples of untreated and treated wastewater within the same WWTP, as well as comparisons between untreated and treated AnMBR wastewater from different facilities. The LRVs were calculated using the conventional formula for estimating viral concentrations, as indicated in Equation (1). The subsequent subsections detail the prediction performance of the models for various viral particles, including adenovirus (AdV), coliphage (MS2), CrAssphage, pepper mild mottle virus (PMMoV), and total virus (TV) particles, highlighting the effectiveness of the proposed model generalization across the studied wastewater matrices and treatment facilities.
Discussion
In this section, the authors discuss the challenges and advancements in predicting viral particles and assessing log removal values (LRVs) in anaerobic membrane bioreactor (AnMBR) wastewater treatment plants (WWTPs). They highlight the limitations of traditional wastewater-based epidemiology (WBE) techniques, which struggle with low viral concentrations and lack real-time monitoring capabilities. To address these issues, the paper proposes two innovative model generalization paradigms: a lifelong learning approach that integrates a knowledge-based adaptation module with local machine learning (ML) predictors, and a zero-shot generalization (ZSG) framework utilizing dual-attention transformer models. These methodologies aim to enhance the prediction of viral contaminants and improve the assessment of removal efficiencies across diverse wastewater matrices.
The study validates these approaches by predicting concentrations of various viral pathogens, including adenovirus and coliphage, across two AnMBR-based WWTPs in Saudi Arabia. The results demonstrate that both lifelong learning and ZSG-based models achieve high accuracy in predicting viral particle concentrations and maintaining robust performance despite the dynamic changes in influent and effluent streams. Specifically, the models exhibited remarkable predictive capabilities, with coefficients of determination ($R^2$) exceeding 0.90 for several viral species. The findings underscore the importance of developing effective real-time monitoring tools to ensure water quality and safety in wastewater reuse, thereby contributing to sustainable water management practices.