今天介绍一篇由来自美国密苏里科技大学的Majid Bagheri等人发表在Science of the Total Environment上的一篇文章。文中使用神经网络和模糊逻辑，通过根部浓缩系数（RCF）和果实浓缩系数（FCF）测量植物根部和可食部位中污染物的积累。
今天介绍一篇由来自美国密苏里科技大学的Majid Bagheri等人发表在Science of the Total Environment上的一篇文章。文中使用神经网络和模糊逻辑，通过根部浓缩系数（RCF）和果实浓缩系数（FCF）测量植物根部和可食部位中污染物的积累。
1. 介绍
目前，在人类母乳和血液中越来越多地检出EFCs（Emerging and fugitive contaminants）引发了人们对食用受污染作物影响人体健康的关注。作者通过RCF（根富集因子），可以测量环境污染物在植物根部的积累；通过FCF（果实富集因子），可以测量可食用部位中环境污染物的积累；此外，TSCF（蒸腾流浓缩系数）反映了植物吸收的效率。
此研究中，作者使用神经网络模型基于化合物的多种理化性质来预测RCF，包括log Kow（辛醇/水分配系数），分子量（MW），氢键供体（HBD），氢键受体（HBA），可旋转键（RB）和极性表面积（PSA）。基于有显著性的性质检查FCF和RCF的理化界值，并将结果与TSCF的进行比较，试图提高对那些更有可能积累在可食组织中的污染物的认识。使用统计分析来发现重要的化合物性质，并评估这些性质与root-water分配之间的相关性。通过模糊逻辑研究了理化性质对化合物在植物根和可食组织中积累的复合影响。
2. 结果
2.1 使用神经网络（NN）预测RCF
作者根据数据训练结果，累积污染物的预测值和测量值之间的拟合可以接受，训练数据集的回归线表明RCF的测量值和预测值是相关的（见Fig.1）。
Fig.1 根据训练、验证、测试和所有数据集的用于root-water分配的NN模型回归图
2.2 显著化合物性质及其与RCF的相关性
利用逐步回归方法研究了log Kow，MW，HBD，HBA，RB和PSA等化合物性质对root-water分配的重要性和显著性。Table 1的分析结果表明，MW，log Kow和RB依次是root-water分配最重要的化合物特性。在估计线性或广义线性模型时，作者考虑了多重共线性，评估了方差膨胀因子（VIF）。结果表明，在显著预测变量之间不存在多重共线性。相关性分析还显示，MW，log Kow和RB与RCF正相关。
Table 1 六个化合物性质与RCF的pearson相关性
2.3 化合物性质的复合影响和理化临界值
模糊逻辑的结果表明RCF与log Kow成正比。log Kow和RCF之间的关系为S型。亲脂性较高的化合物更容易分配到根脂质并在植物根部浓缩。植物根中亲水化合物的积累有一定限度。并且，随着RB的增加，RCF增加。此外，MW，log Kow和RB与RCF成正相关。试验结果显示：log Kow与FCF之间的关系呈钟形，而MW与FCF之间的关系呈S形。
2.4 污染物聚类
k-means算法将化合物划分为标记为（A）、（B）和（C）的簇，如Fig.2所示。
Fig.2 可视化植物根部中新兴污染物的显著化合物性质。
簇中化合物的其他性质（即在植物根部积累方面的非显著性质）示于Fig.3。结果表明，MW是化合物分类中最重要的性质。由模糊逻辑得出的界值极限与从k-means得出的界值极限一致。此外，对植物根部污染物的聚类分析证实，HBD，HBA和PSA的临界值与RCF呈负相关。
Fig.3 可视化植物根部中新兴污染物的非显著化合物特性
Fig.4显示了所得的组，植物可食用组织中新兴污染物的最显著聚类标准是k-means（k=3）。每个簇中的化合物具有相同的理化性质、吸收和转移特性其理化性质平均值与通过模糊逻辑获得的理化临界值相匹配。簇（A）的log Kow和MW平均值分别为4.8和450 Da，FCF平均值为0.25，与不易穿过植物根膜的化合物具有相同的理化性质。簇（B）的log Kow和MW平均值分别为3.25和250 Da，最高FCF平均值为11，与中等疏水性化合物具有相同的特性，这些化合物很可能被吸收和转移。簇（C）的log Kow<0，MW<100 Da。可见亲水性化合物和重金属向植物可食用部分的转移少于中等疏水性化合物。簇（C）的平均log Kow，MW和FCF分别为-0.6，50 g / mol和1.2。
Fig.4 可视化植物可食部分中的新兴污染物簇
2.5 高吸收污染物及其对粮食安全的影响
全氟化合物是FCF最高的污染物。具有中等疏水性（log Kow为2-3）的全氟化合物有着最高的生物富集，某些化合物的FCF最高达到243。根据已发表的研究，中等疏水性化合物具有最高的吸收效率和TSCF值。与可食用部分中检测到的化合物的理化性质与具有高TSCF的化合物相似。全氟化物是有毒化合物，包括全氟烷基物质和多氟烷基物质（PFAS），它们在环境和人体中非常持久，会随着时间的推移而积累而不会分解。已有证据表明人类接触PFAS可能导致不良健康影响。使用文中的机器学习模型预测生物富集因子非常重要，尤其是对于未经测试的化合物。生长在受污染的水和土壤中的食物可能存在PFAS污染。
与全氟化化合物相似，持久性有机污染物也因为其表现出高脂质溶解度，在脂肪组织中有高生物蓄积性和高稳定性。虽然log Kow值较高的化合物转移到地上组织的能力较低，但它们在根茎类蔬菜中很可能影响食品安全。
3. 结论
作者的研究证明NN可有效预测植物根部中的环境污染物（即RCF），而模糊逻辑可有效评估环境污染物的理化性质之间的相互作用。模糊逻辑的结果表明，在可食部位检测到的污染物的理化界值与跨过植物根膜（进入木质部组织）的更为相似，而不是积累在植物根部的界值。使用k-means聚类的环境污染物聚类支持了模糊逻辑的发现。k-means的结果产生了基于化合物分子量的界值，与从模糊逻辑获得的理化界值相同。作者的研究结果表明，将机器学习技术与机械模型相集成可以提高我们对植物中环境污染物的吸收和转运的理解。
参考文献
- Bagheri M , Al-Jabery K , Wunsch D , et al. Examining plant uptake and translocation of emerging contaminants using machine learning: Implications to food security[J]. Science of The Total Environment, 2020, 698:133999.
分享、在看与点赞，至少我要拥有一个吧
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/ml-root-food-safty.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
-
拉曼光谱与机器学习结合应用在单细胞水平上快速检测食品传播病原体
今天给大家介绍一篇由Shuaishuai Yan等人，于2021年5月1日上发表在Talanta（IF=6.057）的一篇研究性文章。该文章表明拉曼光谱结合基于指纹的机器学习是快速诊断病原菌的一种前瞻性策略。在这项研究中，在单细胞水平上获得了常见菌株单细胞拉曼光谱（SCRS）。然后，利用核主成分分析(KPCA)提取原始数据的非线性特征，并利用决策树（DT）算法在血清型水平上对单个细菌细胞进行评价和识别。
-
利用PredRet中的数据准确预测保留时间并应用于食品生物活性成分分析
今天介绍一篇法国克莱蒙费朗大学前段时间发表在food chemistry上的一篇文章。该研究在24个色谱系统分析的467种化合物种测试了PredRet预测植物食品生物活性成分在色谱柱中保留时间的表现。
-
基于人工智能的黄油品种识别作为食品掺假检测的研究范例
今天给大家介绍一篇由Gokce Iymen等人近期发表在Innovative Food Science and Emerging Technologies上的一篇文章。文章介绍了基于人工智能工具，利用简单的声音振动来识别食品中的掺假。
-
人工智能生产的烤牛肉风味
通过与微软的合作，芬美意香料公司能够利用其整个原材料数据库，找到各种成分的完美结合，从而产生“轻度烤牛肉”的味道。该产品代表了该行业的一个里程碑，因为他们声称这是有史以来第一款由人工智能(AI)创造的口味。
-
中英文版《现代光谱分析中的化学计量学方法》专著出版
由中石化石油化工科学研究院褚小立博士，中国农业大学黄越博士，海南大学云永欢博士，天津工业大学卞希慧博士撰写的英文专著《Chemometric Methods in Analytical Spectroscopy Technology》，近日由国际著名学术出版社Springer出版发行。
-
海南大学姜珂副研究员：用于化学动力学/饥饿协同癌症治疗的智能异质结芬顿催化剂的开发
近日，海南大学姜珂副研究员与山东大学李春霞教授合作，采用构筑异质结的策略，联合葡萄糖氧化酶（GOx），揭示了芬顿/级联酶促反应的协同抗癌机制。相关成果以题为“Development of an Intelligent Heterojunction Fenton Catalyst for Chemodynamic/Starvation Synergistic Cancer Therapy”发表在国际学术期刊《Journal of Materials Science & Technology》（IF=10.319）。海南大学倪伟舒硕士、姜珂副研究员为该论文的共同第一作者，海南大学姜珂副研究员、张玲副教授和山东大学李春霞教授为该论文的通讯作者。
-
ACS Omega：当机器学习和深度学习成为食品化学中的大数据
撰文：梁瑞 编辑：肖冉 今天给大家介绍一篇由Tseng等人，于2023年4月发表在ACS Omega上的（JCR分区：4.132/Q2）一篇综述性文章。该综述重点介绍了一些著名的食…
-
使用可解释人工智能（XAI）技术解开送餐服务评论的深度学习模型
今天介绍一篇由悉尼科技大学土木与环境工程学院工程与信息技术学院高级建模和地理空间信息系统中心（CAMGIS）的Anirban Adak等人今年七月发表于Foods(IF: 5.561)的一篇文章。该研究通过比较食品配送服务（FDS）领域中的简单和混合深度学习（DL）技术（LSTM、Bi-LSTM、Bi-GRU-LSTM CNN）进行了情绪分析，并使用SHapley Additive exPlanations（SHAP）和Local Interpretable Model-Agnostic Explanations（LIME）解释了预测。DL模型在从ProductReview网站提取的客户评论数据集上进行了训练和测试。结果表明，LSTM、Bi-LSTM和Bi-GRU-LSTM-CNN模型的准确率分别为96.07%、95.85%和96.33%。LSTM模型相比其他两个DL模型实现了更低的假阴性率。可解释人工智能（XAI）技术，如SHAP和LIME，揭示了用于验证模型的单词对积极和消极情绪的特征贡献。
-
基于牛奶营养分子数据集的婴幼儿配方奶粉人性化全息分析方法的建立与评价
今天介绍一篇来自东北农业大学食品科学系张英华，王玉堂课题组于2022年4月发表在Food Chemistry（IF=7.514）上的文章。文中通过研究编制的牛奶营养分子数据集，结合机器学习提出了一种识别婴儿配方奶粉人性化程度的新方法。
-
人工智能从科学文献和媒体报道中检测未知兴奋剂推文
今天介绍一篇由Anand K. Gavai等人于2021年在Food Control上发表的文章。文中提出了一种方法用机器学习来检测在保健品中未知的兴奋剂。从两个不同的数据来源中确定了20种新的兴奋剂，分别是用单词嵌入模型从科学文献中自动发现未知兴奋剂，以及基于文本挖掘在万维网上搜索新闻报道来收集新的兴奋剂。