[发明专利]一种基于深度学习监测抗生素与金属联合产物的智能方法

说明书

本发明涉及一种基于深度学习监测抗生素与金属联合产物的智能方法，将深度学习智能算法方法引入抗生素与金属反应产生的降解产物的预测和识别中，属于抗生素降解与环保监测技术领域，具体包括主要包括3个步骤：(1)利用高效液相分离技术与高分辨质谱结合自编程序建立抗生素与重金属反应产生的降解产物特征信息数据库；(2)利用深度学习智能算法结合反演控制设计对步骤(1)中降解产物特征信息数据进行分层训练和一体化测试，选出最优模型；(3)通过步骤(2)中的最优模型寻找潜在致毒标志物(簇)，揭示抗生素和重金属联合产物的生理响应机制和代谢转化机理，实现抗生素与金属反应产生的降解产物的提前预警、预测和防治。

技术领域

本发明涉及抗生素降解与环保监测技术领域，具体涉及一种基于深度学习监测抗生素与 金属联合产物的智能方法。

研究背景

抗生素是二十世纪最重要的发现之一，广泛应用于医疗、畜牧业、养殖业等众多领域中， 为人类社会发展做出了重要的贡献。抗生素结构复杂，可依据不同化学组成结构对抗生素进 行分类，如常见的大环内酯类、磺胺类、四环素类、β-内酰胺类、多肽类以及氨基糖苷类抗 生素等。

更为严重的是抗生素与重金属的共存常会改变污染物的环境行为和毒理效应，但其毒性、 毒理及代谢方式等往往差别较大，有的甚至会出现毒性增加，造成比母体抗生素更高的二次 污染，具有更高的环境风险，也因此成为近年来日益受关注的潜在环境危险源。已有研究表 明，环境中重金属会不断影响抗生素抗性基因的产生和传播，英国斯特拉斯克莱德大学的 Knapp等人发现英国多个地区的土壤中：Pb、Cr、Ni、Cd等金属与一些特定的抗生素抗 性基因呈显著正相关,而Cu与tetM、tetW、blaOXA等多种抗生素抗性基因的相对丰度呈 正相关。华东师范大学的Wu等对上海老港垃圾填埋场中垃圾渗滤液样品进行调查,结果发现 抗生素抗性基因丰度如四环素类抗性基因(tetQ、tetM)、磺胺类抗性基因(sul1、sul2)等与重金 属如Ni、Cr、Cd等含量呈显著相关。进一步的研究结果发现重金属与抗生素抗性基因的协 同选择抗性机制主要有:协同抗性机制、交叉抗性机制、协同调控机制和生物膜形成诱导机 制。

基于目前的研究结果，重金属的存在影响着抗生素的去除,更容易使其在某种条件下形 成抗生素-金属离子络合物,部分抗生素会在重金属的作用下水解生成水解产物或者形成异构 体，其主要影响因素包括:抗生素的抗性基团数量和组成，环境的pH和金属离子的电迁移 率。但由于抗生素与重金属的相互作用复杂，中间产物结构复杂，导致污染物以多种形态赋 存且难以识别。同时缺乏敏感、特异、准确可预测污染物毒性危害的分子标志物，导致抗生 素降解产物毒性难以评价，更无法实现早预警、早发现、早防治。

根据国家智能制造的发展要求，以深度学习为代表的人工智能技术已渗入到人们生活的 各个方面，利用图像处理技术进行物体缺陷检测和识别的场景越来越多，因此采用深度学习 方法实现物体特征的快速识别的应用成为众多学者的研究方向。尤其对于抗生素与重金属联 合产物(污染物)的提前预警、预测和防治方面，通过智能数据库的建立并结合深度学习方 法快速、准确、有效的识别抗生素降解产物，并对其进行准确定量变得愈加重要。

因此开发一种方法简单，智能化程度高，绿色环保且能高效、高精、有效的识别抗生素 与重金属联合反应的降解产物，同时对这些降解产物进行准确定量，并对其生态毒性提供技 术支持和评价，成为目前科研工作者亟待解决的问题。

发明内容

本发明的目的在于提供一种基于深度学习监测抗生素与金属联合产物的智能方法，该方 法将深度学习方法引入抗生素与金属降解产物的识别中，以期实现对抗生素与金属联合产物 的早预警、早发现、早防治。其方法流程如图1所示，主要包括以下步骤：

(1)利用高效液相分离技术与高分辨质谱结合自编程序建立抗生素与重金属反应产生的 降解产物特征信息数据库；

(2)利用深度学习智能算法结合反演控制设计对步骤(1)中降解产物特征信息数据进 行分层训练和一体化测试，选出最优模型；