机器学习算法的应用,用于预测氧化微/纳米粒子对Carum copticum的终身生理影响
Maryam Mazaheri-Tirani1, Soleyman Dayani2, Majid Iranpour Mobarakeh3
1Department of Biology, Faculty of Science, University of Jiroft, Jiroft, 78671-61167, Iran. mazaheri@ujiroft.ac.ir.
BMC plant biology
|October 16, 2024
概括
机器学习模型有效地预测了氧化纳米粒子 (ZnO NPs) 和微粒子 (MPs) 对Carum copticum生长和生物化学特征的影响. 使用RBF内核的支向量回归 (SVR) 对于预测植物对这些金属氧化物形式的反应是最有效的.
科学领域:
- 环境科学和毒理学
- 植物生理学和生物化学
- 计算生物学和机器学习
背景情况:
- 纳米粒子对生物系统的影响是复杂的,并且在不同研究中存在差异.
- 机器学习 (ML) 提供了一种有希望的方法来确定纳米粒子特征和生物反应之间的一致关系.
- 了解纳米粒子与微粒的影响差异对于环境风险评估至关重要.
研究的目的:
- 评估9个ML算法的效率,以预测氧化纳米粒子 (ZnO NPs) 和微粒子 (ZnO MPs) 对Carum copticum的影响.
- 为了比较ML模型在预测ZnO暴露后对各种生理和生化参数的有效性.
- 确定最适合的ML模型来预测植物对金属氧化物颗粒的反应.
主要方法:
- 使用了9个ML算法 (SVR,线性,包装,SGD,高斯过程,RANSAC,PLS,内核,随机森林).
- 用ZnO NPs (0.5125 μM) 和ZnO MPs (1125 μM) 应用于Carum copticum. 这两种物质被使用.
- 关键的植物生长参数,生物化学成分,氧化应激标志物和组织含量被测量为ML模型的输入变量.
主要成果:
- 与对照组 (ZnSO4) 相比,ZnO MPs通常增强了生长参数 (生物质,花数).
- ZnO NPs表现出不同的效果,其中一些度增加了生长,但显著降低了蛋白质含量.
- ML模型显示出不同的效率,SVR (RBF内核) 在预测根/芽干量和花数方面显示出高准确度.
结论:
- 机器学习,特别是带有RBF内核的SVR,可以有效地建模ZnO粒子与植物生理学之间的复杂,非线性相互作用.
- 这项研究强调了ZnO NPs和MPs对Carum copticum的差异性影响,这对理解纳米粒子生态毒性有意义.
- 预测建模有助于阐明一致关系,并提高纳米粒子对植物影响的可预测性.
