人工智能与生物技术驱动的产氢微生物群落数字化设计

Qian Liu; Shuang Gao; Yanan Hou; Jianfeng Liu; Qianqian Yuan; Ai-Jie Wang; Nanqi Ren; Cong Huang

doi:10.1016/j.eng.2025.09.027

工程（英文） ›› 2026, Vol. 62 ›› Issue (7) : 296 -302. DOI: 10.1016/j.eng.2025.09.027

研究论文

人工智能与生物技术驱动的产氢微生物群落数字化设计

Qian Liu ^a^,^b ,
Shuang Gao ^b ,
Yanan Hou ^b^,^c ,
Jianfeng Liu ^b ,
Qianqian Yuan ^b ,
Ai-Jie Wang ^d^,^e ,
Nanqi Ren ^d^,^* ,
Cong Huang ^b^,^*

作者信息 +

AI- and Biotechnology-Driven Digital Design of Biohydrogen-Producing Microbiota

Qian Liu ^a^,^b ,
Shuang Gao ^b ,
Yanan Hou ^b^,^c ,
Jianfeng Liu ^b ,
Qianqian Yuan ^b ,
Ai-Jie Wang ^d^,^e ,
Nanqi Ren ^d^,^* ,
Cong Huang ^b^,^*

Author information +

文章历史 +

摘要

在全球碳中和与能源安全需求的双重驱动下，氢能正成为重工业、远距离交通和化工原料等难以直接电气化领域的重要脱碳手段。预计至2050年，全球氢气需求将增至5.3亿吨；若实现多元化、低碳化制氢，到2060年可降低96%碳排放。然而，氢气压缩和液化能耗高、储运基础设施不足、安全标准与监管体系尚不完善，以及制备成本偏高，仍制约其规模化发展。美国、欧盟和中国已将绿氢纳入战略布局，其中中国强调构建制备、储存、运输和应用全链条体系，并将生物制氢视为重要技术方向。生物制氢利用微生物在温和条件下将废弃生物质转化为氢气，具有低碳、废物资源化和环境友好等优势。其主要路径包括生物光解、光发酵、暗发酵与耦合发酵；其中暗发酵不依赖外加光能或电能，能够连续利用秸秆等有机废弃物，因此尤其具有工程应用潜力。但其产业化仍面临底物预处理成本高、碳阻遏效应、产氢菌群稳定性差、挥发性脂肪酸积累及气液传质受限等瓶颈。尽管理论上乙酸型发酵可实现1摩尔葡萄糖产生4摩尔氢气，但是实际产率通常仅为理论值的40%-60%。人工智能与生物技术的融合，为生物制氢由经验优化迈向数字化、可预测设计提供了重要突破。人工智能可结合机器学习、基因组尺度代谢模型、多组学数据及非线性降维方法，解析微生物群落中代谢网络、能量分配、基因调控和种间互作的复杂关系；扩散模型等方法还能模拟单细胞代谢噪声并预测高阶网络效应。生物技术则通过高通量筛选、定向代谢网络重构、合成微生物群落构建及培养环境调控，减少对复杂基因编辑的依赖，构建稳定、高效的产氢菌群。文章提出“数字细胞-数字微生物群落-数字系统”的研究范式：以多组学、热力学与酶学约束建立细胞模型，再结合人工智能预测和实验反馈优化群落组成及反应过程。目标是设计仅含2-5种微生物、氢产率超过理论值60%的简化菌群。生命周期评价显示，人工智能-生物技术系统有望将制氢成本降至3.5美元/千克以下，并显著降低碳排放。但该路线仍受限于高质量数据不足、算法鲁棒性有限、实时监测和自动化平台不完善，以及放大过程中抑制物积累、底物波动和菌群生态漂移等问题。未来需构建从基因、细胞到菌群和反应器的可编程生态系统，实现生物制氢的智能化规模应用。

关键词

生物制氢 / 暗发酵 / 人工智能-生物技术 / 合成微生物群落 / 数字化菌群设计

Key words

引用本文

引用格式 ▾

Qian Liu,Shuang Gao,Yanan Hou,Jianfeng Liu,Qianqian Yuan,Ai-Jie Wang,Nanqi Ren,Cong Huang. 人工智能与生物技术驱动的产氢微生物群落数字化设计[J]. 工程（英文）, 2026, 62(7): 296-302 DOI:10.1016/j.eng.2025.09.027