机器学习模型用于预测植物根中的传统和新兴芳香污染物的生物可用性

科学领域:

• 环境化学环境化学
• 计算毒理学计算毒理学
• 植物科学 植物科学

背景情况:

• 芳香污染物 (ACs) 在土壤植物系统中构成风险.
• 预测AC行为对于风险评估至关重要.

研究的目的:

• 开发机器学习 (ML) 模型来估计ACs的根度因子 (RCF).
• 在土壤植物系统中评估传统和新兴的AC.

主要方法:

• 在878个数据点上训练了四个ML算法.
• 利用了55种化学物质的6种土壤植物特征和98种分子描述符.
• 使用五倍交叉验证验证的验证模型.

主要成果:

• 梯度增强回归树 (GBRT) 模型实现了R²=0.75,MAE=0.11,RMSE=0.22.
• 确定了土壤有机物 (SOM),植物成分和暴露时间作为关键因素.
• 像GATS8e和fr_bicyclic这样的分子描述符是显著的预测因素.

结论:

• GBRT模型准确地预测了交流根度.
• 这些发现支持环境风险评估和对土壤植物系统中的AC的理解.