Predicting Microbiologically Influenced Corrosion Risk from Quorum Sensing Biofilm Community Features: A Random Forest-SHAP Approach

Technische Samenvatting: Voorspellen van het risico op microbiologisch geïnduceerde corrosie vanuit kenmerken van quorum sensing-biofilmgemeenschappen

Probleemstelling
Microbiologisch geïnduceerde corrosie (MIC) is een kritiek faalmechanisme voor infrastructuur, dat verantwoordelijk is voor ongeveer 20% van de wereldwijde corrosiefalen en een geschatte jaarlijkse schade van $30–50 miljard veroorzaakt in olie- en gasleidingen, maritieme systemen en waternetwerken. Hoewel bestaande machine learning (ML)-benaderingen voor MIC-voorspelling gebruikmaken van fysisch-chemische parameters (bijv. pH, temperatuur) of operationele gegevens, slagen zij er niet in om de dynamische regulatiemechanismen van microbiële gemeenschappen te vatten. Specifiek heeft geen enkel eerder ML-model expliciet quorum sensing (QS) signalen — het celdichtheid-afhankelijke communicatiesysteem dat biofilmvorming en -rijping beheerst — als voorspellende kenmerken opgenomen. Deze omissie is significant omdat QS direct de overgang van laag-corrosieve planktonische groei naar hoog-corrosieve sessiele biofilmtoestanden reguleert en metabole routes (bijv. sulfaatreductie) aanstuurt die de corrosie Ernst drijven.

Methodologie
De studie stelt een Random Forest-SHAP-framework voor, ontworpen om MIC-risico (Hoog vs. Laag, gedefinieerd door een drempelwaarde van 50 µm/jaar) te classificeren door QS-afgeleide gemeenschaps-kenmerken te integreren met traditionele omgevings- en microbiologische gegevens.

• Datasetconstructie: Een gecureerde dataset van 78 experimentele records werd samengesteld uit meer dan 15 gepubliceerde MIC-studies. Het assemblageproces omvatte semi-geautomatiseerde literatuurextractie met behulp van een LLM (Claude Haiku), gevolgd door handmatige verificatie. De data beslaat diverse substraten (voornamelijk koolstof/leidingstaal) en omgevingen (anaeroob laboratorium, zeewater, bodem, afvalwater). De klassenverdeling is 68% Hoog MIC (>50 µm/jaar) en 32% Laag MIC.
• Feature Engineering: Twintig kenmerken werden afgeleid over vijf categorieën:
  • QS-kenmerken (Nieuw): Bevat een QS-activiteitsscore ($f_{QS}$), een AHL-signaalproxy (binair) en een QS-biofilm synergie-index ($S_{syn}$).
  • Biofilmgemeenschap: Aanwezigheid van specifieke organismen (SRB, IOB, APB, methanogenen), EPS-aanwezigheid, gemeenschapcomplexiteit en een "biofilm agressiviteitsscore" ($S_{bio}$) gewogen naar type organisme.
  • Omgeving: Temperatuur, pH, sulfaat, H2S, opgeloste zuurstof (DO), saliniteit en een chemische stressscore ($S_{chem}$).
  • Contextueel: Materiaaltype, blootstellingsduur en putvormingstatus (pitting status).
• Modeltraining & Evaluatie: Vier classifiers werden vergeleken: Random Forest (RF), XGBoost, Support Vector Machine (SVM) en Multi-Layer Perceptron (MLP). Modellen werden geëvalueerd met behulp van 5-voudige gestratificeerde cross-validatie en een 80/20 held-out testsplit. SHAP (SHapley Additive exPlanations) analyse werd toegepast om globale feature attributies en het besluitvormingsproces van het model te interpreteren.

Belangrijkste Resultaten

• Modelprestaties: De Random Forest classifier presteerde het best van alle baselines, met een cross-gevalideerde F1-score van 0,762 en een AUC-ROC van 0,846. Het vertoonde een superieure stabiliteit vergeleken met XGBoost, dat een hogere variantie vertoonde in cross-validatie (F1 = 0,690 ± 0,131). Deep learning (MLP) presteerde slecht (F1 = 0,573), wat consistent is met de bekende beperkingen van deep learning op kleine tabulaire datasets.
• Feature Belangrijkheid: SHAP-analyse identificeerde opgeloste zuurstof (0,347), temperatuur (0,301) en chemische stressscore (0,225) als de top drie voorspellers.
• QS Bijdrage: Cruciaal is dat QS-afgeleide samengestelde kenmerken (specifiek de QS-biofilm synergie en de biofilm agressiviteitsscore) binnen de top 10 van belangrijkste kenmerken vielen. Dit bevestigt dat QS-gemeenschapsdynamiek voorspellende waarde biedt bovenop de loutere aanwezigheid van individuele organismen.
• Risicostratificatie: SHAP afhankelijkheidsplots toonden een positieve correlatie tussen hogere QS-activiteitsscores en een verhoogd voorspeld MIC-risico, wat overeenkomt met biologisch bewijs dat QS-stimulatie de sulfaatreductie-genen upreguleert en de corrosiesnelheden verhoogt. Een regressie sub-taak leverde een matige $R^2$ van 0,316 op, wat bevestigt dat binaire risicoclassificatie de meer hanteerbare formulering is voor deze dataset-schaal.

Betekenis en Claims
De auteurs beweren dat dit werk een van de eerste ML-frameworks is die quorum sensing-signalen operationaliseert als voorspellende kenmerken voor MIC-risicobeoordeling. De betekenis van de studie ligt in:

1. Nieuwe Integratie van Kenmerken: Het overbruggen van de kloof tussen moleculaire-niveau QS-mechanismen (bijv. AHL-gemedieerde controle van dsrABC en apsAB genen) en macro-niveau infrastructuurrisicovoorspelling.
2. Mechanistische Interpreteerbaarheid: Het gebruik van SHAP om QS-afgeleide kenmerken direct te koppelen aan MIC-risicostratificatie, wat een mechanistisch interpreteerbaar signaal biedt dat consistent is met transcriptomisch bewijs.
3. Data Curatie: Het vaststellen van een geverifieerde, multi-source dataset van 78 records om de integratie van complexe biologische kenmerken in corrosiemodellering te ondersteunen.

Het artikel hanteert een bescheiden toon met betrekking tot generaliseerbaarheid, waarbij wordt erkend dat de dataset van 78 records de brede toepasbaarheid beperkt en dat QS-kenmerken slechts voor 23% van de records beschikbaar waren. De auteurs suggereren dat toekomstig werk zich moet richten op het uitbreiden van de dataset via data-augmentatie en het integreren van continue elektrochemische sensorstromen met QS-kenmerken voor real-time monitoring.