可解释机器学习结合环境驱动因子与SHAP解释预测光果甘草（Glycyrrhiza glabra L.）中甘草酸积累

《Journal of Food Composition and Analysis》：Explainable Machine Learning for Predicting Glycyrrhizic Acid Accumulation in Glycyrrhiza glabra L. Using Environmental Drivers and SHAP-Based Interpretation

　　

甘草酸是甘草（Glycyrrhiza glabra L.）中主要的生物活性三萜皂苷，表现出显著的空间变异性。理解其驱动因素对于资源保护和栽培至关重要。研究人员对伊朗法尔斯省41个野生群体的根样品进行了定量分析，采用经验证的高效液相色谱-二极管阵列检测器（HPLC-DAD），并评估了18个气候、土壤和地形变量。经Boruta特征选择后，使用重复5折交叉验证评估了CatBoost、XGBoost和随机森林模型。CatBoost取得了优越的预测性能（R² = 0.875，RMSE = 0.210，MAE = 0.155，MAPE = 10.30%，CCC = 0.925，NSE = 0.870）。年降雨量、土壤电导率（EC）和海拔是主要驱动因子。SHAP分析描绘了关键的生理阈值：年降雨量>300 mm、土壤EC<3.5 dS/m和海拔<2200 m时，甘草酸积累得到强烈促进，这反映了水分胁迫、渗透压和高海拔UV-B限制。空间制图确定Beyza、设拉子北部、马尔夫达什特和阿巴德南部为最优生产区域，与野生种群密度高度吻合。虽然自然阈值限制了野生采集，但农艺措施（如灌溉、土壤改良）可以在栽培中缓冲这些限制。总体而言，这种可解释的机器学习框架连接了地理空间建模和植物化学质量评估，为药用植物保护和目标农业发展提供了精确的决策支持工具。

甘草酸是光果甘草（Glycyrrhiza glabra L.）根中主要的三萜皂苷类活性成分，也是多国药典规定的质量标志物。光果甘草广泛分布于伊朗法尔斯省，其甘草酸含量在野生种群间呈现显著空间变异，受气候、土壤和地形等多因素综合调控。然而，传统统计方法难以刻画生态系统中普遍存在的非线性关系和阈值响应，且以往研究多集中于物种分布或单一环境因子关联，未能将定量植物化学数据与环境制图直接耦合。因此，亟需构建一种能够同时识别主导环境因子、量化生态阈值并预测高品质栖息地空间分布的框架。基于此，研究人员以伊朗法尔斯省41个野生光果甘草种群为对象，整合HPLC-DAD定量、Boruta特征选择、三种机器学习算法和SHAP可解释分析，建立了预测甘草酸积累的可解释机器学习框架。结果表明，CatBoost模型性能最优，年降雨量、土壤电导率（EC）和海拔是主要驱动因子，并明确了相应的生理阈值；高适宜区与野生种群密度高度吻合。该研究将地理空间建模与植物化学质量评估相结合，为药用植物资源保护和栽培选址提供了精确的决策支持工具。论文发表在《Journal of Food Composition and Analysis》。

在技术方法上，研究人员在法尔斯省设置41个野生种群采样点，于2025年11—12月采集根样品，经超声辅助提取和高效液相色谱-二极管阵列检测器（HPLC-DAD）定量甘草酸含量；同时采集土壤样品并结合该省官方土壤数据库共189个观测点，经普通克里金插值生成气候、土壤和地形栅格层。通过方差膨胀因子（VIF）剔除共线性变量，保留13个变量；采用Boruta算法筛选重要因子；分别构建CatBoost、XGBoost和随机森林模型，并通过嵌套重复5折交叉验证进行超参数优化和性能评估；最终以SHAP依赖图解释最优模型。

研究结果如下：

3.1 多重共线性分析与环境变量重要性：VIF分析剔除了土壤pH、砂粒含量、磷、氮和平面曲率共5个变量。Boruta特征选择结果表明，年平均降雨量、土壤电导率（EC）、海拔、距河流距离和年平均温度为甘草酸积累的主要环境驱动因子，其中气候和地形变量的贡献大于土壤理化性质。

3.2 机器学习模型性能评价：在三种模型中，CatBoost模型表现最优，其R² = 0.875，RMSE = 3.25 mg g^-1，MAE = 2.45 mg g^-1，MAPE = 10.30%，CCC = 0.925，NSE = 0.870，均优于XGB