硝化是去除氮的核心生物過程，對溶解氧（DO）、pH值和溫度等環境因素非常敏感（Derwis等人，2024年；Liu等人，2024年；Wang等人，2021a年）。在實際操作中，廢水處理系統經常遇到超過生物緩沖能力的動態氮負荷變化，導致硝化功能失調和出水質量下降（Choubert等人，2006年）。

目前，硝化過程的穩定性監測主要依賴于對傳統物理化學參數（如pH值、DO值、溫度和氮物種（NH??/NO??）的分析（Liu等人，2020年）。例如，研究表明pH值低于7.0會抑制亞硝酸鹽氧化菌（NOB）的酶活性，而較高的pH值（例如>8.0）會增加游離氨（FA）的濃度，游離氨是一種已知的抑制劑，可以自由擴散進入細胞并破壞細胞內的pH平衡（Liu等人，2020年）。DO濃度的變化反映了氨氧化菌（AOB）、亞硝酸鹽氧化菌（NOB）和異養細菌之間對氧資源的競爭，這是評估微生物生態位的重要指標（Brotto等人，2025年；Wang等人，2025年）。作為硝化的關鍵調節因子，溫度主要影響關鍵酶的動力學和整體微生物代謝速率。低溫（< 15°C）會抑制酶活性，并可能選擇性地損害NOB的功能（Yu等人，2024年）。高溫（> 35°C）會引入雙重抑制機制，直接導致酶和微生物的失效，同時促進pH介導的游離氨毒性（Ozyildiz等人，2025年）。然而，僅依賴傳統參數無法系統地捕捉微生物群落的代謝動態，因為這些參數通常是間接指標，往往只有在功能受損后才會發生明顯變化。為了全面評估硝化過程，整合對微生物代謝功能狀態的直接表征以實現對其變化的實時監測仍然十分重要。

分子生物學方法可以提供對微生物群落結構和功能基因的深入分析，但其復雜的樣品處理程序和較長的分析時間限制了其在實時監測中的應用（Nie等人，2023年；Wu等人，2021年）。微生物揮發性有機化合物（mVOCs）作為微生物代謝的副產物，被視為指示微生物功能狀態的潛在“化學語言”（Korpi等人，2009年；Pennerman等人，2016年），其特征包括醇類、醛類、有機酸和酮類等多種化學物質（Korpi等人，2009年）。先前的研究已經證明了mVOCs在厭氧消化和堆肥等系統中的早期預警潛力。例如，在好氧食物廢物分解過程中，Lysobacter和Vibrio與二甲基二硫化物的排放呈正相關（Wang等人，2024b年）。另一項研究在使用葡萄糖作為底物的批處理實驗中鑒定出了218種mVOCs代謝物，它們的組成和豐度變化表明了厭氧消化的不穩定性（Lü等人，2022年）。在活性污泥等復雜的共生系統中，mVOCs的來源是雙重的：它們既可以來自自養功能細菌（如硝化菌）的代謝活動，也可以來自異養微生物群落對有機物的降解。例如，純培養研究表明氨氧化古菌會主動釋放氨基酸（Bayer等人，2024年），而在硝化污泥中，共生異養菌被認為是降解芳香化合物的主要作用者（Sun等人，2019年）。此外，還觀察到了mVOCs排放模式與關鍵操作參數（如DO和溫度）之間的內在聯系（Lu等人，2013年；Zhang等人，2025年）。例如，低DO條件會促進特定含硫揮發性有機化合物的釋放，而溫度變化會影響代謝物（如丙酮）的積累（Lu等人，2013年；Moreno等人，2024年）。這些發現表明mVOCs具有高度特異性和快速響應性，使它們能夠反映環境壓力下的代謝調整和功能變化（Wang等人，2024b年；Zheng等人，2022年）。

然而，將特定mVOCs特征與好氧硝化的功能性能動態關聯起來的研究仍然有限，尤其是在動態負荷條件下。這一知識空白主要是由于缺乏能夠實時、快速、在線測量復雜系統中動態變化的微量揮發性有機化合物（VOCs）的強大分析工具。質子轉移反應飛行時間質譜技術（PTR-TOF-MS）憑借其高靈敏度和時間分辨率，為這一挑戰提供了有前景的解決方案（Ciesa等人，2015年；Kan等人，2025年；Yuan等人，2017年）。該技術已成功應用于各種復雜基質中。它精確地捕獲了來自脫水污泥的致臭微量揮發性有機化合物（Byliński等人，2019年），并已被驗證用于評估廢水處理設施中的生化過程效率，展示了其在復雜系統中解析動態變化的能力（Biasioli等人，2009年）。最近，它還在水處理消毒動力學中實現了超靈敏監測，展示了其在跟蹤瞬態反應方面的卓越性能（Brodfuehrer等人，2024年）。然而，將PTR-TOF-MS直接應用于活性污泥系統以實時診斷和動態分析功能微生物（如硝化菌）的代謝狀態仍是一個很大程度上未探索的領域。此外，它產生的高維、非線性m/z數據超出了傳統統計方法的處理能力。機器學習作為一種高效的數據處理工具，可用于發現隱藏的見解，在生物醫學（Binson等人，2024年）、安全（Ali等人，2024年）和材料科學（Lyu和Ren，2025年）等領域得到了應用。在環境工程和水研究中，其價值尤為突出。面對由先進在線傳感器和組學技術產生的復雜高維數據，機器學習在建模非線性關系方面表現出色（Yang和Li，2025年；Zhu等人，2022年）。這一能力特別適合于解碼微生物代謝特征（如mVOCs）與廢水處理過程功能性能之間的動態聯系（Ahmed等人，2024年），為理解和優化生物處理系統提供了新途徑。利用機器學習幫助識別與關鍵操作參數和硝化性能相關的m/z信號，可能有助于提前預警過程性能。

為此，本研究提出了一種新的集成框架，結合了PTR-TOF-MS實時監測和機器學習，用于診斷和預警硝化不穩定。該框架系統地跟蹤不同操作條件下的m/z信號變化，以高時空分辨率捕捉代謝響應特征。這種能力有助于構建過程穩定性模型，并識別具有預警潛力的特征m/z信號。最終，這項工作旨在建立基于m/z信號的無創預警策略，為理解微生物代謝活動和提高廢水處理過程中氮轉化的穩定性控制提供新的視角。

本研究建立了一個集成框架，結合實時m/z信號和機器學習，用于監測和功能解析廢水處理過程中動態有機負荷條件下的硝化作用。從391個質譜峰中鑒定出11個核心m/z信號，這些信號與關鍵過程參數（溫度、DO和pH值）之間存在強相關性，R2值分別為0.96、0.95和0.99。特征m/z信號與微生物之間的具體對應關系...