应用可解释的机器学习模型来提高离子液体毒性预测性能

科学领域:

• 计算化学的计算化学
• 环境科学 环境科学
• 绿色化学 绿色化学

背景情况:

• 离子液体 (ILs) 作为工业溶剂具有前景,但它们对环境的影响,特别是毒性,需要进行彻底评估.
• 使用机器学习的预测建模提供了一种强大的方法来评估ILs的生态毒性,支持可持续的化学实践.
• 了解IL的毒性对于它们在工业应用中安全和广泛采用至关重要.

研究的目的:

• 使用机器学习技术,系统地建模离子液 (ILs) 对Vibrio fischeri的毒性.
• 为了比较随机森林 (RF) 和极度梯度增强 (XGBoost) 模型在预测IL毒性的性能.
• 为了提高模型的稳定性和可解释性,以便可靠的毒性预测.

主要方法:

• 开发并比较了用于IL毒性预测的随机森林 (RF) 和极度梯度增强 (XGBoost) 合体学习模型.
• 使用贝叶斯优化微调模型超参数和经过5倍交叉验证的验证模型稳定性.
• 采用了SHapley添加剂解释 (SHAP) 进行详细的模型解释和补充1590 ILs的毒性数据.

主要成果:

• 与随机森林模型相比,Extreme Gradient Boosting (XGBoost) 模型显示出更高的概括能力.
• 贝叶斯优化和交叉验证显著提高了预测毒性模型的稳定性.
• SHAP分析提供了对影响IL毒性预测因素的详细见解.

结论:

• 在XGBoost模型是有效的预测离子液体 (ILs) 的毒性对Vibrio fischeri.
• 这项研究提供了一个可靠的计算工具来评估IL生态毒性,促进开发更绿色的化学过程.
• 开发的模型和补充的数据矩阵有助于为工业应用选择更安全的离子液体.