基于机器学习的有机污染物植物颗粒空气分区系数的预测:从分子结构的角度揭示机制
Tianyun Tao1, Cuicui Tao2, Tengyi Zhu2
1College of Agriculture, Yangzhou University, Yangzhou 225009, China.
Molecules (Basel, Switzerland)
|March 28, 2024
概括
预测植物皮质-空气分区系数 (Kca) 对于生态风险评估至关重要. 机器学习模型,特别是梯度增强决策树,准确地预测Kca,帮助环境污染物的命运研究.
科学领域:
- 环境化学环境化学
- 计算化学的计算化学
- 生态毒理学 生态毒理学
背景情况:
- 准确预测植物皮质-空气分区系数 (Kca) 对有机污染物的生态风险评估至关重要.
- 了解分区机制是阐明环境中的污染物行为的关键.
研究的目的:
- 开发和验证用于预测Kca.ca的定量结构-属性关系 (QSPR) 模型.
- 使用机器学习识别影响Kca的关键分子描述符.
主要方法:
- 从25种植物和106种化合物中收集了255个测量Kca值.
- 应用机器学习算法:MLR,MLP,KNN和GBDT开发了八种QSPR模型.
- 使用SHAP解释最佳模型以了解分子性质的影响.
主要成果:
- 开发的QSPR模型表现出高度的适合性,稳定性和预测性能的好处.
- 在GBDT-2模型的表现中,R^2adj=0.925,QLOO^2=0.756,QBOOT^2=0.864,Rext^2=0.837,Qext^2=0.811和CCC=0.891的表现优越.
- SHAP分析揭示了分子大小,极化性和复杂性是影响Kca.ca的关键因素.
结论:
- 开发的QSPR模型,特别是GBDT-2,对预测Kca.有效.
- 这些模型可以指导对有机污染物的环境命运评估.
- 这些发现支持环保化学工程和可持续实践.
