使用机器学习技术,通过二甲试剂对CIMS信号强度进行基于数据的预测,用于通过二甲试剂检测农药
Chaoqun Wen1, Shaxnoza Saydaxmetova2,3, Suranjana V Mayani4
1School of Informatics, Changde College, Changde, Hunan, China.
European journal of mass spectrometry (Chichester, England)
|February 16, 2026
概括
机器学习预测化学电离质谱 (CIMS) 信号强度用于杀虫剂检测. 这种方法为传统农业监测方法提供了成本效益高,准确的替代方案.
科学领域:
- 分析化学 分析化学
- 环境科学 环境科学
- 计算化学计算化学
背景情况:
- 准确的农药检测对于农业安全和监管合规至关重要.
- 传统的农药分析方法可能耗时且昂贵.
- 化学电离质谱法 (CIMS) 是检测微量化学物质的一个关键技术.
研究的目的:
- 开发和验证用于预测农药检测中CIMS信号强度的机器学习模型.
- 确定影响CIMS信号强度的关键分子特征.
- 为实验CIMS分析建立一个具有成本效益和准确的替代方案.
主要方法:
- 利用了机器学习算法,包括决策树,AdaBoost,随机森林和集体学习.
- 探索了CIMS信号强度与十个分子特征之间的关系,包括农药度.
- 在2460个样本的数据集上使用了特征重要性的SHAP分析和基于杆的方法来消除异常值.
主要成果:
- 农药度,N-O,COO和摩尔质量被确定为最有影响力的特征.
- 随机森林模型实现了最高的R2 (0.401) 和最低的误差,超过了其他算法.
- 移除异常值和灵敏度分析证实了模型的稳定性和所有变量的贡献.
结论:
- 开发的机器学习模型准确预测CIMS信号强度用于农药检测.
- 这种计算方法为传统实验方法提供了一种可靠,高效和具有成本效益的替代方案.
- 这些发现支持加强化学分析,用于农业监测和安全合规.
