用基于分子指纹的机器学习模型预测 PFAS 在不同植物组织中的生物积累

科学领域:

• 环境化学环境化学
• 农业科学 农业科学
• 毒理学 毒理学 毒理学

背景情况:

• 通过废水灌和生物固体应用,Per-和多基物质 (PFAS) 污染了农业土壤.
• 污染作物的消费是人类暴露于PFAS的重要途径.
• 现有的机器学习模型主要侧重于植物根中的PFAS吸收,忽视了地面上方的食用组织.

研究的目的:

• 开发和验证机器学习模型,用于预测 PFAS 生物积累因子 (BAF) 在各种植物组织中,包括地面上可食用部分.
• 调查影响不同植物组织中PFAS积累的关键因素.
• 增强对植物中PFAS吸收动态的理解,以改善食品安全评估.

主要方法:

• 使用了811个数据点的数据集,包括22个PFAS和5个植物类别.
• 开发和评估机器学习模型,重点关注极端梯度增强 (XGB) 模型.
• 用实验数据验证了在生菜中PFAS BAFs的模型性能.

主要成果:

• XGB模型在四种植物组织 (根,叶,茎,果实) 中实现了BAF的高预测准确性,R2值在0.82到0.93.9之间.
• 特性重要性分析揭示了影响PFAS积累的组织特异性因素,这表明了根基专注模型在地面上部位的局限性.
• 对生菜根和叶子的预测BAF显示与实验测量有很强的相关性 (R2 = 0.76和0.81).

结论:

• 开发了一种强大的机器学习方法,用于在根部和地表植物部位中全面预测PFAS吸收.
• 突出了不同植物组织中PFAS积累的不同因素,需要组织特定的模型.
• 为PFAS风险评估和在农业环境中确保食品安全提供了有价值的见解.