《Environmental Science: Nano》：Rigorous data curation, enrichment and meta-analysis enable autoML prediction of plant length responses to nanoparticles powered by the Enalos Cloud platform
编辑推荐：
本文系统介绍了通过严格的数据治理（包括数据清洗、富集与元分析）结合自动化机器学习（autoML）技术，开发出能够预测纳米颗粒（NPs）暴露对植物（根、茎或整体）长度影响的XGBoost分类模型。该模型在外部验证中准确率（ACC）达85%，平衡准确率（BA）达83%，并明确了其应用域（APD）。研究遵循FAIR（可查找、可访问、可互操作、可重用）原则，将规范化的数据集发布于nanoPharos数据库，模型则以标准化QSAR模型报告格式（QMRF）文档化，并作为用户友好的网络应用CeresAI-nano集成于Enalos Cloud平台，为纳米农业中安全可持续设计（SSbD）纳米农药、肥料等提供了无需实验输入的虚拟筛选工具，显著提升了研究效率与可靠性。
引言
现代农业面临全球人口增长、气候变化、土壤退化及农用化学品效率低下等挑战。纳米技术因其颗粒（NPs）的独特性质（如小尺寸、高比表面积、可调表面电荷）在农业中的应用日益广泛，例如作为纳米肥料、生物刺激素和农药，旨在实现可持续和精准农业。然而，NPs对植物生长的影响具有双重性，既可能促进生长，也可能因纳米毒性产生抑制作用。机器学习（ML）方法，如定量结构-活性关系（QSAR）和读取交叉方法，已成为支持NPs安全可持续设计（SSbD）开发的有力工具，可用于预测NPs对植物生长指标（如根长、茎长）的影响。
方法
本研究以Deng等人通过GitHub公开的“Length”数据集为基础，该数据集包含299个NPs与植物相互作用的观测值，涉及28个特征，目标变量为NPs暴露后根、茎或植物整体的归一化长度响应。研究首先进行了广泛的数据治理与质量控制，包括追溯原始文献、纠正不一致之处、填补数据空白，并移除了大量存在缺失值或无法计算原子描述符的数据行（最终保留113行）。随后，利用Enalos NanoConstruct工具基于NPs元素组成计算了53个原子描述符，对数据集进行富集。为解决类别不平衡问题（原始数据中“positive”标签仅占25.7%），对训练集应用了合成少数类过采样技术（SMOTE）。通过自动化机器学习（autoML）工作流程，优化并评估了七种ML算法（包括梯度提升树、朴素贝叶斯、逻辑回归、决策树、随机森林、神经网络和XGBoost），使用五折交叉验证进行超参数调优。最终模型通过外部测试集（40个NPs）进行验证，并定义了其应用域（APD）。
结果
经过数据治理和特征选择（剔除低方差、高相关性及零信息增益的特征），最终用于建模的特征为20个，包括实验条件（如总浓度、曝光时间、光周期）、植物属性（如物种、碳固定类别、生长阶段）和NPs相关描述符（如原子描述符D12）。XGBoost模型在验证集上表现最佳（ACC: 0.77, BA: 0.71），被选为最终模型。进一步通过特征置换重要性分析，将特征集精简至8个关键变量：总浓度、物种、测量组织、培养方法、类别、持续时间、光周期和原子描述符D12。最终XGBoost模型在外部测试集上取得了ACC为85.0%、BA为83.3%的优异性能，其他指标如灵敏度（SEN）、精确度（PRE）、特异性（SPE）、F1分数和马修斯相关系数（MCC）也均表现良好。Bootstrap重采样和y-随机化测试证实了模型的稳健性和非偶然性。模型的APD阈值设定为5.071，测试集所有样本均位于APD内，预测可靠。
数据与模型的FAIR化与传播
为促进数据与模型的可重复使用性，遵循FAIR原则，将治理后的数据集及其元数据发布至nanoPharos数据库，并分配了唯一URI。模型通过标准化QSAR模型报告格式（QMRF）进行文档化。最终模型以CeresAI-nano为名，部署在Enalos Cloud平台的Isalos Analytics Platform上，提供用户友好的网页界面和API，用户可输入NPs特性、实验条件和植物详情，快速获得植物长度响应（“positive”或“negative”）的预测结果及可靠性指示。
讨论
尽管数据治理导致数据集规模显著减小，但通过数据富集和SMOTE技术，开发的XGBoost模型仍能有效预测NPs对植物长度的影响类别。模型包含的关键变量（如NPs总浓度、植物物种、光周期等）与已知影响植物生长的因素一致。SHAP分析表明，较低的总浓度和曝光时间倾向于预测为“positive”（长度增加），而较长的光周期则倾向于“negative”（长度减少）。该分类模型可作为SSbD框架的初步工具，用于虚拟筛选潜在的纳米农业化学品，节省长期实验成本。然而，模型目前仅针对球形NPs，且数据集规模和多样性有限，未来需要更多系统性的实验数据来开发更通用、可解释的模型，并深入探究NPs与植物相互作用的复杂机制。
结论
本研究通过严谨的数据治理、原子描述符富集和autoML技术，成功开发了一个能预测NPs暴露对植物长度影响的ML模型。该模型具有较高的预测准确性，其数据集和模型均遵循FAIR原则，便于访问和重用。集成到Enalos Cloud平台的CeresAI-nano工具为利益相关者提供了高效的虚拟筛选能力，支持纳米农业中安全可持续纳米农业化学品的开发。随着纳米材料在农业中应用研究的增多，ML与实验的协同整合将至关重要，而这有赖于系统和标准化的数据收集。
