近日，中國農(nóng)業(yè)科學院植物保護研究所農(nóng)藥應用風險控制創(chuàng)新團隊先后在環(huán)境領域TOP期刊Environmental Science & Technology和Journal of Hazardous Materials上分別發(fā)表題為“Direct Prediction of Bioaccumulation of Organic Contaminants in Plant Roots from Soils with Machine Learning Models based on Molecular Structures”和“Predicting Crop Root Concentration Factors of Organic Contaminants With Machine Learning Models”的2篇研究論文，首次利用機器學習模型直接預測植物根部從土壤中吸收累積農(nóng)藥等有機污染物的量，解決了傳統(tǒng)線性模型無法模擬農(nóng)藥被植物吸收的非線性關系，并揭示了影響植物累積農(nóng)藥的關鍵化學分子結(jié)構(gòu)，為農(nóng)產(chǎn)品在產(chǎn)地環(huán)境化學污染的預測提供了新的工具和手段。

 

　　農(nóng)作物累積是農(nóng)業(yè)污染物從土壤進入人類食物鏈的重要途徑。準確預測植物吸收和累積農(nóng)業(yè)污染物對保障食品安全、產(chǎn)地修復和人類健康暴露評估具有重要的意義。然而，由于污染物-土壤-植物根系之間復雜的相互作用，建立穩(wěn)健可靠的預測模型仍然具有很大挑戰(zhàn)性。傳統(tǒng)的線性預測模型難以預測污染物-土壤-植物間的非線性關系，導致預測值與實際值差異較大。本研究對比了四種不同的機器學習算法，通過對341個數(shù)據(jù)點、72個化合物的數(shù)據(jù)集進行訓練，預測植物根系富集值，證明了新構(gòu)建的GBRT-ECFP的為最優(yōu)預測模型，并通過5倍交叉驗證評估了預測性能，其中R2值為0.77，平均絕對誤差（MAE）為0.22。此外，本研究解析了化學分子、土壤與植物特性之間的非線性關系。子結(jié)構(gòu)重要性分析明確了分子子結(jié)構(gòu)與植物富集之間的關系，確定了-O、-Cl、芳環(huán)和大共軛π系統(tǒng)等為與植物累積相關的關鍵化學子結(jié)構(gòu)。

 

　　本研究成功利用機器學習作為新興手段預測農(nóng)田作物對農(nóng)藥等污染物的吸收累積，展現(xiàn)了預測工具的先進性和通用性，為未來新農(nóng)藥植物吸收潛能評估和農(nóng)田農(nóng)藥污染安全評價提供新的可靠工具。

 

　　美國耶魯大學為論文的第一完成單位，中國農(nóng)業(yè)科學院植物保護研究所為論文的共同通訊單位，農(nóng)藥應用風險控制創(chuàng)新團隊李 遠播研究員為2篇論文的共同通訊作者。該研究得到了國家重點研發(fā)計劃、青年英才計劃等項目的資助。

 

　　原文鏈接：https://pubs.acs.org/doi/abs/10.1021/acs.est.1c02376

 

　　https://www.sciencedirect.com/science/article/abs/pii/S0304389421024055