水质生物毒性的定量表现 藻类光合作用抑制的生物毒性
Li Hu1,2, Tianhong Liang2, Gaofang Yin2
1School of Physics and Material Engineering, Hefei Normal University, Hefei 230601, China.
Toxics
|June 27, 2023
概括
使用光合作用抑制的基于藻类的毒性检测通过先进的机器学习模型得到了改进. 反向传播 (BP) 神经网络和回归支持向量机 (SVR) 显著提高了比传统方法的准确性和稳定性.
科学领域:
- 环境科学 环境科学
- 生态毒理学 生态毒理学
- 生物技术是生物技术.
背景情况:
- 基于藻类的光合作用抑制提供了快速的毒性检测,但受到环境和生物变异性的影响,导致准确性和稳定性不足.
- 像Fv/Fm,PIabs,CPI和PIcte这样的光合作用参数的传统单变量分析受到不确定性的限制.
- 对于评估水生生物毒性的更强大,更可靠的方法的需求至关重要.
研究的目的:
- 评估多变量数据驱动模型,特别是反向传播 (BP) 神经网络和回归支持矢量机 (SVR) 的有效性,以提高毒性检测的准确性和稳定性.
- 将BP神经网络和SVR的性能与使用光合作用光参数的传统单变曲线拟合方法进行比较.
- 为了验证使用已知的毒性物质如二二甲基尿素 (DCMU) 和阿特拉的改进的检测能力.
主要方法:
- 使用光合成光参数 (Fv/Fm,PIabs,CPI,PIcte) 作为定量毒性指标.
- 应用单变量曲线拟合和多变量数据驱动模型 (BP神经网络,SVR) 进行毒性分析.
- 在各种度范围内,用二二甲尿素 (DCMU) 和阿特拉测试模型.
主要成果:
- 与无变量拟合相比,BP神经网络和SVR模型显著降低了相对根平均平方误差 (RRMSE) (例如,0.506/0.474与1.246对DCMU的PIcte).
- 在中高度范围 (7.5-200μg/L) 中,BP神经网络表现出极好的预测准确性 (平均RRSME为0.056).
- 与单变量方法 (15.1%) 相比,BP神经网络和SVR都大大提高了稳定性,将平均相对标准偏差 (RSD) 降低到5%以下.
结论:
- 与传统的单变量方法相比,多变量模型,特别是BP神经网络和SVR,为基于藻类的生物毒性检测提供了更高的准确性和稳定性.
- 这些发现突显了机器学习在光合作用抑制试验中克服环境和生物变异性的局限性的潜力.
- 这项研究为开发更可靠,更准确的环境监测和生态毒理学评估工具提供了基础.
