通过使用分子描述器进行预测建模,了解有机污染物对大米的植物毒性影响:基于数据的分析
Shuyuan Wang1, Jie Chen1, Lizhong Zhu1
1College of Environmental and Resource Sciences, Zhejiang University, Hangzhou, Zhejiang 310058, China; Zhejiang Provincial Key Laboratory of Organic Pollution Process and Control, Hangzhou, Zhejiang 310058, China.
Journal of hazardous materials
|June 22, 2024
概括
机器学习模型使用化学特性预测大米中的有机污染物植物毒性. 这种方法有助于评估对作物的风险,并确保农业生态系统中的食品安全.
科学领域:
- 环境化学环境化学
- 农业化学 农业化学
- 计算毒理学计算毒理学
背景情况:
- 环境中的有机化合物对生态系统和食品安全构成风险.
- 评估作物植物毒性至关重要,但往往需要大量资源.
- 机器学习 (ML) 为预测不良影响提供了一种数据驱动的替代方案.
研究的目的:
- 开发和验证ML模型来预测大米上有机污染物的植物毒性.
- 确定影响植物毒性的关键化学描述剂和分子亚结构.
- 为农业生态系统中新出现的污染物的风险评估提供一个工具.
主要方法:
- 编制了对大米上60种有机化合物的实验性植物毒性数据的数据集.
- 使用化学分子描述符 (CMD) 和MACCS密钥开发了四种ML模型 (RF,SVM,GBM,ANN).
- 使用R平方和RMSE评估模型性能,并进行特征重要性分析.
主要成果:
- 使用MACCS键 (RF-MACCS) 的随机森林 (RF) 模型实现了最佳性能 (R2=0.79,RMSE=0.14).
- 影响植物毒性的关键化学描述剂包括nAtom,HBA,logKow和TPSA.
- 含有氧气,碳基和含/氧气碳链的子结构是重要的预测因素.
结论:
- ML模型,特别是RF-MACCS,可以有效地预测大米中的有机污染物植物毒性.
- 这种数据驱动的方法有助于快速评估化学污染物对作物造成的风险.
- 该研究支持积极管理农业生态系统健康和食品安全.
