基于机器学习与数学建模的绿色合成氧化锌纳米颗粒作为亚麻种子纳米引发剂的比较分析

《Frontiers in Plant Science》：Machine learning and mathematical modeling for comparative analysis of green-synthesized ZnO nanoparticles as seed nano-priming agents for linseed

　　

摘要 亚麻（Linum usitatissimum L.）是一种多用途作物，其产量常受限于微量元素缺乏与养分利用效率低。锌是植物生理过程的关键元素，但传统施肥方式往往因生物利用度低而效果不佳。基于纳米技术的种子引发为提高养分输送和作物性能提供了有前景的途径。本研究评估了绿色合成氧化锌纳米颗粒（ZnO NPs）作为亚麻种子引发剂的效果，并与化学合成ZnO NPs及体相ZnO进行了比较。研究人员假设，相较于化学合成和体相形式，生物源ZnO纳米颗粒能够诱导更优的农艺响应，并表现出剂量和时间依赖性（毒物兴奋效应）效应，这些效应可以通过统计和机器学习模型有效捕捉。将品种‘Y?lmaz’的种子分别用25、50、75 ppm的ZnO制剂引发1、2、4小时。在田间条件下评估了形态和产量相关性状。通过方差分析（ANOVA）和响应面分析法（RSM）分析了处理效应，同时利用K-最近邻（KNN）、随机森林（RF）、极端随机树（Extra Trees）、支持向量回归（SVR）、极限梯度提升（XGBoost）、分类提升（CatBoost）和多层感知机（MLP）等机器学习模型，对纳米颗粒处理与植物性状之间的非线性关系进行了建模。结果表明，与化学合成纳米颗粒和体相ZnO相比，生物源ZnO纳米颗粒显著提升了农艺性状。最佳响应出现在中等浓度（25 ppm）和特定的暴露时间，显示出毒物兴奋效应。RSM分析表明，纳米颗粒类型、浓度和引发时长之间存在显著的交互作用。KNN模型取得了最高的预测精度（R2= 0.84），特征分析确定纳米颗粒浓度和暴露时间是关键因素。这些结果证明，生物源ZnO纳米颗粒种子引发是提高亚麻生产力的可持续策略，凸显了在作物研究中整合实验与数据驱动方法的价值。

一、 研究背景与目的

亚麻（Linum usitatissimum L.）是重要的油料和纤维作物，但其生产力常受限于环境胁迫、养分管理不当及微量元素（如锌）缺乏。锌是参与酶活化、生长素代谢、膜稳定和抗氧化防御等多种生理生化过程的关键微量营养素。然而，传统的锌肥施用（如土壤或叶面施用体相锌盐）因溶解度低、土壤固定和植物吸收有限等问题，效率不高。纳米技术，特别是氧化锌纳米颗粒（ZnO NPs）的应用，为改善养分输送提供了新思路。种子纳米引发作为一种资源高效的策略，可增强种子萌发、早期活力和后续植物性能。其中，利用植物提取物等生物材料进行的绿色合成ZnO NPs，因具有环境友好、成本效益高以及与植物系统兼容性可能更佳等优势而备受关注。然而，关于生物源、化学源ZnO NPs与体相ZnO在亚麻上的比较研究，尤其是在生长和产量性状方面的研究仍然有限。

现代植物科学研究涉及复杂的生物系统和多重互作变量，传统的单因素分析难以全面解析。实验设计（DOE）和响应面分析法（RSR）等统计工具可用于多因素优化和分析。此外，机器学习（ML）等先进计算技术能够捕捉非线性关系和高维数据，为农业系统的分析与预测提供了强大工具。新兴的量子机器学习方法则进一步扩展了计算能力。尽管仍在发展中，此类技术为多因素作物实验的预测建模和优化提供了潜力。

基于此，本研究旨在评估绿色合成ZnO NPs作为亚麻种子引发剂的潜力，比较其与化学合成ZnO NPs及体相ZnO对亚麻农艺性能的影响。研究人员假设，生物源ZnO NPs将通过增强养分吸收和刺激生长来改善亚麻生长和产量，且效应会随纳米颗粒浓度和暴露时间的变化而呈现毒物兴奋效应。本研究整合了绿色纳米技术、统计优化和先进计算建模，旨在为可持续作物改良提供综合策略，并为亚麻生产系统中的精准农业和微量养分管理做出贡献。本论文发表在《Frontiers in Plant Science》期刊。

二、 主要关键技术方法

本研究采用了多学科交叉的技术方法体系。首先，利用糖业副产品甜菜渣提取物，通过生物还原法绿色合成了ZnO NPs（ZnO-NP1），并与商业化学合成ZnO NPs（ZnO-NP2）及体相ZnO进行对比。通过X射线衍射（XRD）、场发射扫描电镜（FE-SEM）、能量色散X射线光谱（EDX）和傅里叶变换红外光谱（FT-IR）对纳米颗粒进行了表征。其次，采用种子引发技术，将亚麻‘Y?lmaz’品种的种子分别在三种ZnO制剂（生物源、化学源、体相）的三种浓度（25, 50, 75 ppm）和三种处理时间（1, 2, 4小时）下进行处理，并以水引发作为对照。实验在土耳其雷杰普·塔伊普·埃尔多安大学农业系的试验田进行，从温室育苗开始直至生理成熟，评估了包括株高（PH）、单株茎生物量（SBP）、每主穗蒴果数（NCMP）、单株蒴果数（NCP）、每蒴果种子数（NSC）、每蒴果种子重（SWC）、单株种子产量（SYP）、蒴果长度（CL）和千粒重在内的9个农艺性状。在数据分析方面，研究采用了传统方差分析（ANOVA）和基于实验设计的响应面分析法（RSM）进行统计评估。同时，构建了包含7种不同机器学习算法（KNN、RF、Extra Trees、SVR、XGBoost、CatBoost、MLP）的多输出回归模型，对处理因素与性状间的关系进行预测建模。通过网格搜索和5折交叉验证进行超参数优化，并使用R²、均方误差（MSE）、平均绝对误差（MAE）等多种指标评估模型性能。此外，还通过皮尔逊相关分析和排列特征重要性分析，探讨了变量间的关联及关键驱动因素。

三、 研究结果

3.1 ANOVA分析农艺性状

单因素方差分析显示，所有单个输入变量（纳米颗粒类型、浓度、处理时间）对农艺性状均有统计上显著但可变的影响。纳米颗粒类型显著影响株高、茎生物量和每蒴果种子数。其中，生物源ZnO-2 NPs处理的株高和每蒴果种子数最高，而茎生物量在对照处理中最高。浓度仅对每蒴果种子数有显著影响，25 mg/L处理效果最佳。处理时间仅显著调节株高，4小时引发时间使株高达最高值（75.55 cm）。

三因素（纳米颗粒类型 × 浓度 × 时间）交互作用分析显示，其对株高、每主穗蒴果数的影响极显著（p<0.01），对单株茎生物量和单株蒴果数的影响显著（p<0.05），而对蒴果长度的影响不显著。具体而言，B-ZnO-2 × 25 mg × 4h组合获得了最高的株高；B-ZnO-1 × 25 mg × 2h组合产生了最大的单株茎生物量和单株蒴果数；B-ZnO-2 × 75 mg × 4h组合的每蒴果种子数最多。对于单株种子产量，25 mg浓度对所有三种ZnO NPs均表现出高度显著的调节作用。

3.2 响应面方法论（RSM）分析

RSM模型的方差分析表明，该模型对株高、单株茎生物量、每蒴果种子数和单株种子产量的拟合极显著（p<0.01），对每蒴果种子数、蒴果长度和千粒重的拟合显著（p<0.05）。

帕累托图分析揭示了各性状对不同预测因子（A:浓度，B:时间，C:纳米颗粒类型）及其交互作用的响应顺序和显著性存在差异。例如，对株高影响最大的因子依次为C、B、AA、A、BC、AB。所有响应性状至少有一个预测因子影响显著。

正态概率图分析进一步确认了大多数显著预测因子位于标准线右侧，表明其与性状呈正相关。然而，浓度（A）对每主穗蒴果数（AA效应）和每蒴果种子数（A效应）的影响位于左侧，表明增加浓度对这些性状有负面影响。

3.3 输入与输出变量的相关性分析

皮尔逊相关分析显示，单株种子产量与单株蒴果数、茎生物量与单株蒴果数之间存在强正相关。每蒴果种子重与每蒴果种子数呈中等正相关。相反，纳米颗粒浓度与每蒴果种子重、单株种子产量呈负相关，表明较高浓度可能抑制种子发育。暴露时间与株高呈正相关。目标变量间的多重共线性支持了采用多输出回归策略的合理性。

3.4 机器学习建模分析

在评估的七种机器学习模型中，K-最近邻（KNN）模型整体预测性能最佳，平均R²为0.8417，均方误差（MSE）为1.1108。其次是极端随机树（Extra Trees， R²=0.6806）和随机森林（Random Forest， R²=0.6543）模型。XGBoost、CatBoost和多层感知机（MLP）表现中等，而支持向量回归（SVR）性能最差（R²=0.2714）。

热图分析显示，KNN模型在预测株高、单株茎生物量和单株种子产量等性状时表现出极高的准确性（R²接近1.00），但对单株蒴果数的预测能力较低。蒴果长度的预测R²在0.44至0.77之间，表明该性状可能受额外环境因素影响。误差指标（MSE, MAE）分析进一步证实KNN模型在所有输出中保持了最低的错误率。

3.5 各性状的最佳模型选择

基于最优统计性能，为每个具体输出变量推荐了最佳机器学习模型。KNN模型被推荐用于预测株高、单株茎生物量、每主穗蒴果数、每蒴果种子数、每蒴果种子重和单株种子产量。MLP模型在预测蒴果长度方面表现更具竞争力。极端随机树（Extra Trees）模型被推荐用于预测单株蒴果数和千粒重。

3.6 特征重要性与模型可解释性

排列特征重要性分析表明，在所有算法中，浓度和暴露时间是预测亚麻生理性状的主要驱动因素，这与其在纳米颗粒-植物相互作用中的剂量-响应动力学已知作用一致。纳米颗粒类型的重要性因模型和预测性状而异，例如MLP模型在预测蒴果长度时对特定的纳米颗粒标识符赋予了异常高的重要性。重复（Repetition）变量显示出中低程度的重要性，确认实验区组设计有一定影响，但并未掩盖处理效应。SVR模型的特征重要性得分普遍较低，反映了其在建立强决策边界方面的局限性。

四、 讨论与结论

讨论部分总结：

研究结果表明，ZnO纳米颗粒引发的农艺性状受纳米颗粒理化性质、浓度和引发时间之间平衡互作的调控。生物合成ZnO NPs的表现优于化学合成NPs和对照，这可能源于其表面化学和合成方法增强了与种皮和胚组织的相互作用，其有机功能基团可能调节早期萌发过程中的氧化还原平衡。研究观察到的浓度依赖性模式（中等剂量促进生长，过高浓度产生毒性）支持了毒物兴奋效应概念。暴露时间通过调节纳米颗粒的吸附和吸收过程，影响锌的吸收动力学和早期代谢激活。

三因素交互作用分析表明，纳米颗粒类型、浓度和引发时长共同调节了大多数农艺性状，其中生物源ZnO NPs在多数性状上表现最优，25 mg浓度对所有类型NPs的种子产量均为最适浓度。这支持了ZnO纳米引发更多是作为一种调节刺激而非单纯营养补充的观点。

RSM分析证实了所研究生物系统中存在曲线和交互效应，是优化复杂多变量系统的有效工具。相关性分析揭示了性状间的内在联系，并为使用回归型机器学习模型进行预测提供了依据。

机器学习模型性能的差异反映了生物数据集的常见挑战。KNN模型的卓越表现表明，纳米颗粒处理与亚麻性状间的非线性、多变量关系具有强烈的局部数据结构特征。树集成模型（RF， Extra Trees）在捕获复杂性状互作方面表现出稳定性和可靠性。而SVR的较差表现凸显了核函数选择和参数调优在此类农业建模中的敏感性。特征重要性分析结果在不同算法间的一致性，进一步确认了浓度和暴露时间是驱动植物响应的基本因素。

研究结论翻译：

绿色合成氧化锌纳米颗粒用作种子引发剂，与化学合成纳米颗粒和体相氧化锌相比，显著改善了亚麻的生长和产量性状，突出了纳米颗粒来源和表面化学的重要性。植物响应表现出剂量-时间依赖性，符合毒物兴奋效应：中等浓度增强了性能，而较高水平降低了种子相关性状，表明需要谨慎优化。实验设计/响应面分析证实，纳米颗粒类型、浓度和引发时长交互影响表型，强调单因素方法不足以用于基于纳米颗粒的干预措施。机器学习模型捕捉了输入与多个相关输出之间的复杂非线性关系，其中K-最近邻算法实现了最高的预测精度。特征重要性分析确定纳米颗粒浓度和暴露时间是植物响应的主要驱动因素。这些发现表明，生物源氧化锌纳米引发可以作为一种有效的微量营养素输送和早期幼苗活力提升策略，前提是浓度和暴露时间经过仔细调整。未来的工作应在不同品种、季节和土壤类型中验证最佳设置；通过锌吸收、抗氧化响应和代谢谱分析阐明机制联系；评估纳米颗粒归宿和 environmental safety 环境影响与安全性；并通过外部验证和敏感性分析增强预测建模。总体而言，将绿色纳米材料与实验设计优化和可解释的机器学习相结合，为精准种子增强和可持续亚麻生产提供了一个可扩展的框架。