分子结构和量子化学技术对根度因子的贡献:可解释机器学习的创新应用
Tengyi Zhu1, Yu Zhang1, Yi Li1
1School of Environmental Science and Engineering, Yangzhou University, Yangzhou 225127, Jiangsu, China.
机器学习模型预测了植物根部吸收危险有机污染物的情况. 最好的模型结合了分子描述符,量子化学描述符和物理化学性质,在预测根度因子方面实现了高精度.
科学领域:
- 环境化学环境化学
- 植物生物学 植物生物学
- 计算毒理学计算毒理学
背景情况:
- 根度因子 (RCF) 对于了解植物吸收危险有机污染物 (HOCs) 至关重要.
- 复杂的土壤-植物-化学相互作用阻碍了HOC积累机制的阐明.
研究的目的:
- 使用机器学习识别影响RCF的关键因素.
- 开发一种HOCs在植物根中的积累的预测模型.
主要方法:
- 应用了九种机器学习技术来预测RCF.
- 使用了分子描述符 (MD),MACCS指纹,量子化学描述符 (QCD) 和物理化学性质的组合.
- 使用MD,QCD和物理化学特性开发了XGBoost-6模型.
主要成果:
- 在XGBoost-6模型实现了高R2的0.977.7.
- 确定的关键因素包括HOCs的脂性,植物根脂含量,土壤有机物,HOCs的变形性和分子分散能力.
- 变量组合显著改善了模型的性能,而不是单一物业模型.
结论:
- 将MD和QCD与物理化学性质相结合,可以提高对HOCs积累机制的理解.
- 这种方法为污染物吸收提供了创新的结构洞察力.
- 该方法适用于其他环境风险评估预测.
更多相关视频
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
相关概念视频
Molecular Models
Predicting Molecular Geometry
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Mechanistic Models: Compartment Models in Individual and Population Analysis
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Calculating Equilibrium Concentrations
A more...
