基于定量离子特征-活性关系（QICAR）与可解释机器学习的水稻重金属富集因子预测新方法

《Science of The Total Environment》：A novel method for predicting bioconcentration factor in rice based on the quantitative ion character-activity relationship (QICAR) coupled with explainable machine learning

　　本文创新性地将定量离子特征-活性关系（QICAR）与机器学习算法（RF、CAT、XGB）相结合，构建了水稻重金属生物富集因子（BCF）的高精度预测模型。研究通过529组土壤-水稻数据证实，仅需1-2种金属理化性质结合土壤参数即可实现优异预测（最佳模型R2=0.91），首次发现软度指数（Σp）对重金属富集存在阈值效应，为区域农产品安全风险评估提供了新范式。

　　

章节亮点

重金属富集能力与金属理化性质的相关性

为探究重金属在水稻籽粒中的富集能力与其理化性质的联系，研究团队首先采用Kolmogorov-Smirnov（K-S）检验对不同重金属的logBCF值进行正态分布验证。结果（附表S3）显示各重金属的logBCF均符合正态分布（p > 0.05）。随后进行的Pearson相关性分析（图2）揭示了金属理化性质与富集能力之间的有趣关联——就像解锁重金属"迁徙密码"的关键钥匙，某些性质显著主导着它们在稻谷中的富集行为。

结论

当前土壤-作物体系研究多依赖耗时耗力的直接测量。本研究成功破译了调控水稻籽粒重金属富集的关键理化性质，并构建了机器学习优化的s-QICAR预测模型。我们发现软度指数（Σp）对重金属富集存在明显的"开关效应"（阈值效应），这好比给重金属的迁移设置了天然门槛。该模型仅需本地土壤性质与特定金属特征，即可精准预测未知重金属的富集潜力，为区域农产品风险预警装上了"智能导航"。