运用机器学习方法评估总抗氧化能力检测方法的准确性

《Scientific Reports》：Assessing the accuracy of total antioxidant capacity methods using machine learning approaches

　　

摘要

抗氧化能力的准确评估因抗氧化分子间的相互作用、不同氧化还原检测方法的差异以及校准标准的不统一而变得复杂。本研究通过结合特定检测方法的分析、基于监督的机器学习建模以及对抗氧化剂标准混合物响应值的残差分类，来评估四种抗氧化剂检测方法——2,2′-偶氮双(3-乙基苯并噻唑-6-磺酸)（ABTS）、1,1-二苯基-2-苦基肼（DPPH）、铁还原抗氧化能力测定法（FRAP）和总酚含量测定法（TPC）——的有效性。研究使用了CB1–CB5酚类标准混合物的重复实验数据，用于训练并比较线性回归（LR）、随机森林（RF）以及经过优化的XGBoost（XGB）模型。为避免来自相同实验条件的重复样本之间的数据干扰，这些模型是通过分组交叉验证以及独立的测试集来进行评估的。性能最佳的模型在完整数据集上进行了重新训练，随后通过观察值与模型预测的没食子酸当量值之间的残差偏差，对样本进行了相互作用类别的划分。在线性回归中，分组验证下的预测性能较弱，而集成模型则提升了预测精度。经过优化的XGBoost模型表现最佳，其在分组交叉验证和独立测试集中的R²值均最高，且预测误差最小。基于残差的分类结果显示，不同检测方法和混合物会导致不同的响应模式，大多数样本被归为加性效应，另有少量样本的数值与模型预测的没食子酸当量值存在正偏差或负偏差。将特定检测方法的分析、分组模型验证以及基于残差的相互作用分类相结合，可形成一个用于评估标准混合物中抗氧化剂检测行为的透明框架。研究结果表明，检测方法和成分的不同会导致较大的变异，同时也证明了利用机器学习模型识别那些偏离预期模式的混合物响应的可行性。这些由模型得出的相互作用类别应被视为进一步研究的分析指标，而非生化协同作用或拮抗作用的直接证据。