Modelos de aprendizaje automático basados en la teoría de los ligandos biológicos y en la relación entre el carácter...

Área de la Ciencia:

• Ciencias del medio ambiente
• Química computacional
• Ecotoxicología

Sus antecedentes:

• La predicción de la fitotoxicidad del metal en los suelos es compleja debido a las interacciones entre la forma del metal, el medio ambiente y las especies vegetales.
• Los modelos existentes como el modelo de ligando biótico (BLM) y la relación cualitativo-actividad de iones (QICAR) tienen limitaciones en condiciones heterogéneas.

Objetivo del estudio:

• Desarrollar un nuevo marco de aprendizaje automático (ML_BLM-QICAR) que integre BLM y QICAR para predecir la toxicidad de los metales entre especies.
• Identificar los principales factores ambientales y elementales que impulsan la fitotoxicidad de los metales.
• Proporcionar una herramienta más precisa y versátil para la evaluación del riesgo de los metales en los suelos.

Principales métodos:

• Se construyó un marco de aprendizaje automático basado en características (ML-QICAR) utilizando 2075 registros experimentales.
• Se evaluaron doce algoritmos de aprendizaje automático, con CatBoost mostrando un rendimiento óptimo.
• Se realizó un análisis de la importancia de los parámetros ambientales, las características elementales y las especies vegetales.

Principales resultados:

• El modelo CatBoost logró una alta precisión (R² = 0.959, MSE = 0.176).
• La cantidad de aditivo metálico (AMA), el pH y las concentraciones de Mg2+/ Ca2+ fueron identificados como factores críticos que influyen en la toxicidad.
• El modelo predijo umbrales de toxicidad para Co, Sb y Ce en diferentes tipos de suelo, revelando una variabilidad significativa.

Conclusiones:

• El marco ML_BLM-QICAR ofrece un avance significativo sobre los enfoques tradicionales BLM y QICAR para la predicción de la toxicidad de los metales.
• Este modelo híbrido mecanicista y basado en datos proporciona una herramienta poderosa para la evaluación rápida del riesgo de los metales y la gestión precisa del suelo.
• Los resultados ponen de relieve la importancia de integrar múltiples factores para obtener predicciones ecotoxicológicas precisas en sistemas ambientales complejos.