Demystifying water microbiomes in engineered ecosystems: from drinking water distribution systems to saline activated sludge
| Promotie: | Mw. A. (Asala) Mahajna |
| Wanneer: | 08 april 2025 |
| Aanvang: | 14:30 |
| Promotors: | B. (Bayu) Jayawardhana, Prof, prof. dr. G.J.W. (Gert-Jan) Euverink, prof. dr. K. Keesman |
| Waar: | Academiegebouw RUG |
| Faculteit: | Science and Engineering |
Machine learning zorgt voor beter begrip van microbioom in afvalwater
In haar onderzoek richtte Asala Mahajna zich op de integratie van machine learning met meta-omics datasets om ons begrip van microbiële dynamiek in afvalwatermicrobiomen te verbeteren. Hoewel deze ontwikkelingen waardevolle inzichten hebben opgeleverd, blijft het toepassen ervan voor de optimalisatie van zuiveringsprocessen een uitdaging. Mahajna's proefschrift adresseert deze kloof door de operationele toepasbaarheid van meta-omics data in water- en afvalwaterzuivering te onderzoeken, waarbij machine learning wordt ingezet om de brug te slaan tussen theorie en praktijk.
Een uitgebreide literatuurstudie synthetiseert eerst de huidige toepassingen van datagestuurde metagenomica in drinkwaterdistributiesystemen (DWDS), waarbij Mahajna de dynamiek van microbiële gemeenschappen en kennishiaten belicht. Vervolgens presenteert ze een casestudy over microbiomen in zout actief-slib, met een gedetailleerde metatranscriptomische dataset van afvalwaterzuiveringsinstallaties (AWZI’s) en inzichten in microbiële functies.
Mahajna introduceert in haar proefschrift het innovatieve Diversity-Informed Valuation of Ecosystem Functioning (DIVE)-raamwerk, dat microbiële gemeenschapsstructuur koppelt aan ecosysteemfunctionaliteit en de biodiversiteit-ecosysteemfunctie (BEF)-theorie uitbreidt naar afvalwatermicrobiomen.
Daarnaast past ze recursieve kenmerkselectie (RFE) toe in combinatie met machine learning-modellen om operationele parameters te identificeren die microbiële diversiteit en zuiveringsrendement beïnvloeden. Analyse van microbiële samenstelling en metabole diversiteit onthult dat functionele redundantie binnen de bacteriële gemeenschap van zout actief-slib een cruciale factor is voor systeemprestaties. Bovendien analyseert Mahajna stressresponsgenen in zout actief-slib om microbiële aanpassingsmechanismen onder extreme omstandigheden te verduidelijken.
De bevindingen van dit onderzoek bieden een raamwerk voor microbiome-geïnformeerde optimalisatie van afvalwaterzuivering, met bredere implicaties voor microbiële ecosysteembeheer en bioremediatie.
Asala Mahajna voerde haar onderzoek uit bij het Engineering and Technology institute Groningen (ENTEG), afdeling Discrete Technologie en Productie Automatisering.