论文部分内容阅读
对虾急性肝胰腺坏死病（Acute hepatopancreatic necrosis disease,AHPND）发病快、流行面广、死亡率高,是近年来影响对虾健康养殖的重要限制性因素,给中国乃至全球对虾养殖业带来了巨大的经济损失。系统研究对虾AHPND发生与哪些因素显著相关,并进一步建立对虾AHPND发生的预测预报数学模型,对防控对虾疾病的发生以及建立针对性防治措施具有重要意义。本文以池塘养殖凡纳滨对虾（Litopenaeus vannamei）为对象,通过采集健康和AHPND发病情况下的环境因子、病原丰度和宿主健康指示因子,初步解析对虾AHPND发生、流行与病原、环境和宿主自身免疫因子间的耦合关系,并对养殖系统中各因子变化及过硫酸氢钾（PMS）干预与疾病发生的关系进行了全面分析。最后,通过支持向量机和Deep Forest算法,分别构建池塘养殖凡纳滨对虾AHPND发生数学预警模型并进行模型演算效果比较分析。相关研究结果为对虾AHPND病害预报和健康防控提供基础数据和技术支撑,并为进一步建立水产养殖动物病害预警理论奠定理论基础。本文主要研究内容和结果如下:1.池塘养殖对虾AHPND发生与环境、病原、宿主免疫因子相关性分析通过持续跟踪监测并联合分析池塘养殖凡纳滨对虾养殖系统中AHPND发生及其环境、病原、虾体免疫因子,探索池塘养殖对虾肝胰腺坏死病的发生、流行与病原、环境因子之间的耦合关系。结果表明,4组池塘养殖凡纳滨对虾试验点中,气温、水温、溶解氧（DO）、p H、盐度、氨氮（NH4-N）和亚硝态氮（NO2-N）波动范围分别为21℃～29℃、24.8～31℃、1.4～8.32 mg/L、8～8.91、34～50‰、0.01～0.26 mg/L、0.005～0.212 mg/L;水体可培养细菌和弧菌数量变化范围分别为3×103～2.4×105 CFU/m L、2×102～1.8×104 CFU/m L,虾体可培养细菌和弧菌数量变化范围分别为9.8×104～8.8×106 CFU/g、3.9×103～3.61×106 CFU/g;16s r DNA鉴定结果显示弧菌检出种类达到20种,占总优势菌的57%,其中主要的弧菌种类有欧文斯弧菌（Vibrio owensii）、坎氏弧菌（V.Campbellii）、新喀里多尼亚弧菌（V.neocaledonicus）、副溶血弧菌（V.parahaemolyticus）、溶藻弧菌（V.alginolyticus）和哈维氏弧菌（V.harveyi）;虾体免疫因子ACP、AKP、SOD、LZM和PO等免疫酶活力的变化范围分别为7.5～75 U/mg、1～8.5 U/mg、2.4～11.07 U/mg、1.3～43U/mg和6.23～28 U/mg。2.基于支持向量机算法的对虾AHPND预警数学模型构建通过支持向量机算法函数模型,首次构建了基于对虾AHPND发生相关因子序列（环境因子、微生物因子和对虾健康指示因子）的参数模拟预测数据,将一维序列映射到三维空间,结合实际分类问题选择不同的核函数来比较模型拟合精度,并用试算法对模型中的参数进行寻优,同时严格遵循训练样本集与测试样本集9:1的比例原则进行模型构建和验证。结果显示,基于多项式核函数的支持向量机模拟效果最好。通过Python语言编程实现基于支持向量机算法在对虾AHPND发生预警预报中建立输入—输出映射,同时与多项式朴素贝叶斯（multinomial native bayes,MNB）、k最邻近分类算法（k-nearestneighbor algorithms,Kneighbors）、Logistic回归分析（logistic regression analysis）、随机森林算法（randomforest,RF）、决策树（decisiontree）、梯度提升分类算法（gradientboosting algorithm,Gradboost）等六种分类算法对比不同模型的分类精度和预测效果,最终建立了对虾AHPND发生预警预报的6维向量参数组合模型,即虾体可培养细菌总数、虾体弧菌占比、水体弧菌占比、ACP、AKP、SOD参数作为预报因子。预测准确率高达100.00%,但6维向量的支持向量机模型存在过拟合和免疫指标在生产中难以采集的问题。3.基于Deep Forest算法的对虾AHPND预警数学模型构建通过Pearson相关性分析18个参数与对虾AHPND发生的关系,以及因子之间两两分析进一步筛选主效影响因子,结果显示对虾AHPND发生与虾体细菌总数、虾体弧菌总数、LZM、虾体弧菌占比、水体细菌总数、盐度、水体弧菌等7个参数具有直接显著相关性。通过Python语言编程实现深度森林（deep forest,DF）、Light GBM（LGB）、XGBoost（XGB）三种流行的基于决策树的集成学习方法算法的预测性能评判,最终建立了基于Deep Forest算法的虾体细菌总数、虾体弧菌占比、水体细菌总数、盐度的4维向量预警预报模型（准确率89.00%）。虽然与本研究所建立的支持向量机模型（准确率100.00%）对比,深度森林模型的预测性能有了一定幅度的下降,但是该算法依据因子之间的相关性关系逐步筛除,包含了所有因素的效应。证明了本研究所建立的深度森林模型是尝试的十种算法模型中预测对虾AHPND发生最理想的预测模型,也进一步验证了深度森林算法的优越性。4.过硫酸氢钾干预下对虾养殖系统中水环境指标及菌群结构变化分析通过水质理化因子监测、虾体和水体中可培养细菌和弧菌检测及高通量测序方法,系统解析过硫酸氢钾（2KHSO5·K2SO4·KHSO4,PMS）干预下对虾养殖池塘水体环境指标和菌群结构的变化情况。结果表明:与对照相比,试验池塘水温、DO、p H、盐度、氨氮、亚硝酸盐等水质理化因子波动趋势相似,波动范围为26.3℃～28.3℃、4.36～5.93 mg/L、8.39～8.74、40～45、0.02～0.16 mg/L和0.01～0.21mg/L,施用0.2 g/L的PMS对水质理化因子具有一定改善作用。PMS泼洒后对虾肝胰腺内可培养细菌和弧菌数量分别由3.13×106 CFU/g和1.98×106 CFU/g降低至4.30×105 CFU/g和1.09×105 CFU/g,弧菌占比由63.36%降低至25.35%;水体中可培养细菌和弧菌数量分别由2.70×104 CFU/m L和6.00×103 CFU/m降低至8.50×103 CFU/m L和1.20×103 CFU/m L,弧菌占比由22.22%降低至14.11%,PMS可显著降低虾体和水体中可培养细菌、弧菌数量及弧菌占比。对水体菌群结构进行高通量测序分析,经对比泼洒PMS前后3天的变化趋势表明,泼洒PMS后池塘优势菌相对丰度发生显著变化且菌群结构PCo A指数偏离度较低,且水体中放线菌门、拟杆菌门、蓝藻门和变形菌门为主要优势菌门,相关研究结果为评判PMS在水产养殖中的防控作用及其科学使用提供数据支撑。