Optimum molecular descriptors based on 89 machine learning methods for predicting the recovery rate of pesticides in crops by GC-MS

Význam tématu

Analýza zbytkových pesticidů v ovoci a zelenině pomocí GC-MS vyžaduje spolehlivé modely, které dokážou předpovědět míru rekonstrukce těchto látek v různých matricích. Výběr optimálních molekulárních popisovačů (MDs) může zásadně ovlivnit přesnost predikčních modelů a jejich robustnost v praxi.

Cíle a přehled studie / článku

Cílem studie bylo vyvinout postup výběru nejvhodnějších molekulárních popisovačů z celkem 178 získaných hodnot MDs a otestovat vliv tohoto výběru na výkon 89 regresních metod strojového učení pro predikci recovery pesticidů měřených GC-MS.

Použitá metodika a instrumentace

Instrumentace:

• GC-MS (plynová chromatografie spojená s hmotovou spektrometrií)

Postup výběru popisovačů:

1. Výpočet Pearsonovy korelace mezi všemi 178 MDs (prahová hodnota r > 0,7 pro silnou korelaci).
2. Rozdělení popisovačů na MD-r1a (r < 0,7 se všemi ostatními) a silně korelované MDs (118 MDs).
3. Clusterová analýza silně korelovaných MDs pomocí DPClus (parametry CP=0,5, Density=0,9, min cluster size=2) pro identifikaci reprezentantů z každého clusteru.
4. Druhá korelační analýza mezi vybranými reprezentanty, opět s prahem r > 0,7.
5. Finální výběr MD-r1b (slabě korelované) pro regresní analýzu, výsledkem 83 MDs (60 MD-r1a + 23 MD-r1b).

Hlavní výsledky a diskuse

Po aplikaci výběrového postupu bylo otestováno 89 regresních metod strojového učení a porovnán jejich Prediction Error (PE) s původní sadou všech 178 MDs:

• 57 metod (např. bagEarthGCV, ppr, některé sparse modely) vykázalo snížení PE a tedy zlepšení výkonu.
• 32 metod (např. lasso, lars, jednoduché lineární modely) zaznamenalo nárůst PE.
• Metody z kategorie sparse modeling obecně profitovaly z odstranění redundantních popisovačů, zatímco některé jednoduché lineární regresory naopak ztratily na přesnosti.

Přínosy a praktické využití metody

Optimalizovaný výběr MDs:

• Redukuje multikolinearitu mezi vysvětlujícími proměnnými.
• Zvyšuje robustnost a generalizaci predikčních modelů.
• Umožňuje rychlejší trénování modelů díky nižšímu počtu vstupních proměnných.

Metoda může být uplatněna v laboratořích pro QA/QC potravinářských vzorků i v průmyslových aplikacích, kde je potřeba přesné kvantifikace zbytků pesticidů.

Budoucí trendy a možnosti využití

• Integrace dalších typů dat (např. spektrálních fingerprintů) pro obohacení modelů.
• Automatizace výběrového postupu do softwarových balíků pro širší komunitu analytiků.
• Využití pokročilých deep-learningových architektur pro automatický výběr relevantních popisovačů.
• Rozšíření na jiné typy analytických technik (LC-MS, ICP-MS apod.).

Závěr

Navržený postup kombinující analýzu korelace a clusterování popisovačů efektivně odstraňuje silně korelované MDs a zachovává relevantní informace. Tento přístup významně zlepšil výkon většiny strojově-učících regresních modelů při predikci recovery pesticidů z polních vzorků.

Reference

• Serino T, Nakamura S, Takigawa Y, Anumol T, Altaf-UI-Amin M, Kanaya S. Comprehensive Machine Learning Prediction of GC/MS Pesticide Recovery Based on Molecular Fingerprinting for Food QA/QC. Poster TP-298, 67th ASMS, Atlanta, 2019.
• Garg A, Tai K. Comparison of statistical and machine learning methods in modelling of data with multicollinearity. Int J Model Identif Control. 2013;18:295-312.
• Altaf-Ul-Amin M, Shibo Y, Mihara K, Kurokawa K, Kanaya S. Development and implementation of an algorithm for detection of protein complexes in large interaction networks. BMC Bioinformatics. 2006;7:207.