今天分享一篇近期由耶鲁大学医学院遗传学系的FengGao等人发表在Journal of Hazardous Materials (IF: 14.224)上的文章。
今天分享一篇近期由耶鲁大学医学院遗传学系的FengGao等人发表在Journal of Hazardous Materials (IF: 14.224)上的文章。
1、研究背景与方法
有机化学品通过农药施放、大气沉降、受污染的土壤改良剂或灌溉水等方式被有意或无意地释放到农业生态系统中。植物作为可以将化学物质从环境转移到食物链的载体，其根系从受污染土壤中吸收污染物是随后在植物中迁移和积累的关键。根系浓度因子（RCF）的定义是通过假设土壤吸附、溶解在土壤孔隙水中并累积在植物根系中的污染物处于平衡状态，根中污染物浓度与土壤中污染物浓度的比率。因此，化学品、土壤和植物之间的相互作用共同决定了RCF。
由于化学和环境（植物和土壤）特性的数据有限且覆盖率低，无法对植物-土壤-水系统中污染物的复杂相互作用进行系统评估。此外，每年都在开发新的化学品并排放到环境中，作物对这些化学品的吸收可能无法及时测量。通过开发可靠的预测模型可以作为快速筛选工具，初步评估污染物从土壤向作物的潜在转移。本研究首先使用无监督机器学习算法，即t-SNE，研究了收集的作物RCF数据集的模式。
然后，使用四个有监督的机器学习模型（包括GBRT、FCNN、RF和SVR）预测作物从土壤中吸收有机化学品。系统地比较了四种机器学习模型的性能。此外，还进行了两种不同的特征重要性分析方法和个体条件期望分析。这些分析确定了预测RCF的关键参数，并揭示了目标化学品、植物、土壤特性和RCF之间的复杂关系。
Fig. 1 研究框架
Fig. 2 研究方法
2、结果
Fig. 3四种有监督机器学习模型的logRCF预测结果
Fig. 4 FCNN模型中四个重要特征的ICE图
3、结果和讨论
随着有机化学品对农业生态系统的暴露日益增加，评估其在粮食作物中的吸收和积累至关重要。由于化学品、土壤和植物之间的复杂相互作用，从土壤中准确预测RCF一直具有挑战性。在本研究中，使用四种机器学习模型（GBRT、FCNN、RF和SVR）预测了常见作物根系对土壤中有机污染物的吸收和积累。FCNN最佳，其次是GBRT。RF和SVR的性能稍差。本研究的结果表明，不同的算法实现不同的性能，突出了比较不同模型以优化预测的重要性。
此外，这些模型揭示了预测RCF的重要特征（即fom、flipid、V和E），增强了对化学、植物和土壤特性可能影响RCF的理解。此外，还深入了解了不同属性值的变化如何影响RCF预测。具体来说，RCF随着flipid的增加、fom的减少以及E和V的减少而增加。因此，对于根脂含量高的作物品种、有机质含量低的土壤以及小尺寸的污染物分子，作物根系中有机污染物的吸收和积累往往会增加。
这些发现表明，有效缓解粮食作物污染应采用综合方法，系统地考虑适当的作物选择、有效的土壤质量改善和准确评估土壤污染。最后，由于以前的文献中报告的植物和土壤特性有限，因此主张在未来的植物吸收研究中报告更多这些重要参数（例如flipid和fom），以增强数据集。将来，当这些和其他特性（例如土壤结构和根系结构）可用时，应将其结合起来，以开发更全面的机器学习模型。
参考文献
Gao, F., Shen, Y., Sallach, J. B., Li, H., Zhang, W., Li, Y., & Liu, C. (2022). Predicting crop root concentration factors of organic contaminants with machine learning models. Journal of hazardous materials, 424, 127437.
微信号｜FoodAI
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/ml-crop-root.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
Nutrients：eBASIS数据库中的可提取和不可提取抗氧化剂成分：人类健康和疾病研究中膳食评估的关键工具
今天介绍一篇由Jenny Plumb等人于2020年11月在线发表在Nutrients（IF=6.71）上的文章。这篇文章讨论了eBASIS数据库的更新，该数据库包括可提取和不可提取的抗氧化剂，这对于评估食物基质的抗氧化性质及其与人类健康的相关性非常重要。文章还介绍了非可提取多酚的重要性、测量食物和膳食补充剂中抗氧化活性/容量的各种方法、维护和更新食物成分数据库的重要性以及相关挑战。总体而言，文章强调了需要标准化的方法和数据库来准确评估我们饮食中的生物活性化合物及其潜在的健康益处
-
稳定同位素和生物元素辅助含硫化合物的中国大蒜产地溯源
该研究对我国六个省或主要产区栽培的大蒜样品进行了稳定同位素（δ13C、δ2H、δ18O、δ15N和δ34S）、生物元素含量（%C、%N和%S）和含硫化合物（8种含量硫成分和2种氨基酸）的表征。并利用这些特征建立了两种模式识别模型（PLS-DA和k-NN），为鉴定我国大蒜的起源提供了一种有用的方法。
-
重磅干货：食品科学数据库资源汇总（国外篇第一部分）
近期国外也有一些食品专业数据库发表。这些数据库主要对食品添加剂的安全、食品成分、食品营养和食品酶等方面进行了数据分析与平台搭建。下面介绍几篇相关的食品数据库文章。
-
TRENDS FOOD SCI TECH|光谱技术结合深度学习方法在食品品质检测中的应用
浙江大学生物系统工程与食品科学学院应义斌教授课题组在食品顶级期刊《Trends in Food Science & Technology》发表综述《Food and agro-product quality evaluation based on spectroscopy and deep learning: A review》。该文讨论了传统化学计量学方法在提高模型性能、处理复杂结构的光谱噪声以及全局回归、局部回归和模型传递上的一些局限性。
-
基于智能手机检测掺假牛肉糜
今天介绍一篇来自北京大学的宋惟然与王哲、海南大学的云永欢以及英国阿尔斯特大学的王晖等人于2021年2月发表在Microchemical Journal上的一篇论文。该研究基于智能手机摄像头拍摄猪肉糜与牛肉糜混合样品获得视频数据，经图像处理转换为类光谱数据，采用偏最小二乘回归（PLSR）建立模型并预测猪肉糜掺到牛肉糜的水平，测试集决定系数R2范围为0.73 ~ 0.98，均方根误差RMSEP范围为0.04 ~ 0.16。
-
使用机器学习方法评估草莓树果实提取物在粉剂及溶剂系统中的稳定性
今天给大家介绍一篇由Astraya等人合著，于前段时间发表在Food Chemistry上的一篇研究型文章。文章中作者为了模拟酚类化合物在不同储存条件下的降解动力学，建立了3种机器学习模型。
-
基于多种智能传感技术的数据融合策略及其在金华火腿品质评价中的应用
该研究针对多种智能感知技术，包括电子鼻、电子舌和计算机视觉的模式识别，提出了一种新的距离-概率分类（distance-probability classification，DPC）方法，并应用于不同老化时间下金华干腌火腿的分类评价，准确率可达到100%。同时进一步利用融合数据，建立了反向传播神经网络(BPNN)模型来预测老化时间并同时预测12种感官属性。BPNN模型在预测老化时间(R2 > 0.972)和感官属性(R2 > 0.935)方面表现出令人满意的性能。
-
展望：大数据和机器学习有助于推进营养流行病学
今天介绍一篇由Morgenstern Jason D等人于2021年在Advances in Nutrition上发表的文章。营养流行病学领域面临着测量误差、饮食复杂，和残余混杂所带来的挑战。本文的目的是强调大数据和机器学习的发展如何帮助应对这些挑战。
-
拉曼光谱结合机器学习对食用油的评价
今天介绍一篇来自罗马尼亚国家同位素和分子技术研究与发展研究所的Camelia Berghian-Grosan和Dana Alina Magdas于2020年5月21日在Talanta发表的文章。该文章是基于拉曼光谱结合机器学习算法建立食用油快速检测方法，不仅实现了掺假的定性检测，而且对掺假量也进行了初步估计。
-
基于二维相关光谱与卷积神经网络的食用油产地溯源与掺假分析
今向大家介绍一篇来自武汉轻工大学的刘言等人在SPECTROCHIM ACTA A上发表的一篇论文。该研究基于食用油的二维相关光谱并设计卷积神经网络(CNN)对食用油的同步相关谱和异步相关谱进行分析。用一组不同产地的芝麻油和另一组掺有其他植物油的橄榄油对该方法进行了评价。两个数据集的预测准确率分别为97.3%和88.5%。
