基于生物配体理论与定量离子特性-活性关系的机器学习模型预测金属植物毒性研究

本研究创新性地融合生物配体模型（BLM）和定量离子特性-活性关系（QICAR）理论，构建了特征导向的机器学习框架（MLBLM–QICAR），通过2,075组跨物种毒性数据解析金属-环境-生物多维互作网络。CatBoost算法表现最优（R2=0.959），揭示金属添加量（AMA）、pH及Mg2+/Ca2+竞争为核心驱动因子，为复杂土壤系统中金属生态风险评估提供新范式。

　　

Highlight

本研究提出的ML_BLM–QICAR框架创新性整合了生物配体模型（BLM）和定量离子特性-活性关系（QICAR），用于预测土壤-植物系统中的金属毒性。该模型通过解析金属特性（如原子序数）、环境因子（pH、Mg²⁺/Ca²⁺）与物种响应的交互作用，显著提升了对毒性机制的阐释能力。其高精度预测为生态风险评估、土壤精准管理和环境监测提供了变革性工具。

Conclusions

通过系统整合2,075组水培体系毒性数据，本研究首次将BLM和QICAR的变量特征融入机器学习框架，构建了金属植物毒性的多机制协同预测模型（ML_BLM–QICAR）。基于CatBoost算法的优化模型（R²=0.924）成功预测了钴（Co）、锑（Sb）和铈（Ce）在四种典型土壤场景下的毒性阈值（EC₁₀=7.493–1635.038 μM），极值差异达218倍，并验证了Ce的竞争性吸附抑制机制。这一融合机理理论与数据驱动的方法，为全球污染生态系统的快速风险评估开辟了新路径。