哈尔滨工业大学WR｜基于机器学习的水中新污染物的伪靶向筛查：以四环素类为例

在复杂水环境中识别新污染物（ECs）是一项重大挑战。靶向筛查（TS）受限于缺乏标准品，而非靶向筛查（NTS）则受制于复杂且不可靠的数据处理。本研究提出了一种基于机器学习（ML）的伪靶向筛查（PTS）方法，以四环素类药品（TCs）为模型用于初步识别ECs。基于从MassBank数据库收集的质谱（MS）数据，通过优化阈值因子（P=1%）去除干扰峰，完成了数据净化，该阈值反映了干扰峰强度（A）相对于最大峰强度（Amax）的比例。随后，通过输入集成峰和测试相关特征的实验质谱数据，训练出XGBoost模型，实现了对TCs和非TCs的准确识别，概率接近100%。研究首次证明了这种特征集成策略在提高ML模型的准确性、可靠性和抗干扰能力方面的有效性。该XGBoost模型还能够识别训练集内和训练集外的TCs，表明其在识别未被监管和未知的ECs方面具有潜在的通用性。与之前报道的TS和NTS方法相比，基于ML的PTS框架提供了一种无需先验知识的高效、简便且可靠的环境样品中ECs筛查替代方案。本研究不仅对处理与ECs相关的水污染突发事件具有重要意义，还代表了开发AI驱动算法框架以识别更多ECs（超出本文测试的TCs范围）的范式转变。

ECs是未被监管的合成或天然物质，包括药物、PFAS、农药、个人护理产品、微塑料等，对环境、生态和人类健康可能具有毒性影响。由于ECs数量庞大、浓度低、缺乏分析方法和毒性数据，检测复杂环境中的ECs是重大挑战。

靶向筛查（TS）依赖标准物质，仅能检测已知污染物。非靶向筛查（NTS）无需先验知识，但数据处理复杂且效率低。疑似筛查需预定义目标列表，无法检测未知污染物。而伪靶向筛查（PTS）则结合了TS和NTS优点，利用机器学习等算法，独立于参考标准，灵活高效。且PTS已在蛋白质组学、代谢组学和污染物筛查领域取得成功。

ML能够自动从数据库中学习数据模式、进行预测和识别，无需明确的基础研究。它能够处理复杂的网络数据，揭示传统数据分析无法发现的模式和关系。PTS生成的大量信息与化学结构和仪器参数相关，但这些数据对分析提出了巨大挑战，而ML在处理复杂数据集方面具有独特优势。尽管ML在其他领域有广泛应用，但目前尚未有研究将ML应用于环境中的ECs识别。

本研究的目的是以四环素类抗生素（TCs）为模型，建立ML-powered PTS框架，用于水中ECs的初步筛选。

1、质谱数据中干扰峰的去除

干扰峰由杂质、残留试剂、仪器污染物和降解副产物引起，会通过降低信噪比干扰数据分析，特别是对峰相关特征（如MM、MSD等）和机器学习模型输入数据的质量产生不利影响。在特征分析和机器学习训练之前，通过去除干扰峰优化质谱数据，以减少噪声并保留目标化合物的有用信息。如图1a所示，去除干扰峰可改善准确度、召回率、精密度和F1评分方面的优值。通过设置P=1%（去除强度低于最大强度1%的峰），可显著提高模型性能，如准确度（从0.961提升至0.987）、精密度（从0.926提升至0.985）等。当P超过2%时，模型性能因有用信息丢失而下降。如图1b所示，去除干扰峰减少了原始MS数据中峰的数量，降低MS数据集的复杂性和多样性有利于提高模型的分类性能。与其他基于算法的方法相比，本研究中提出的方法似乎处理能力更强。如图1c所示，强力霉素的MS数据在原始数据中包含348个峰。在P=1%时去除干扰峰，实现了58.6%的百分比降低，剩余峰数仅为144。这将通过突出有用峰的权重来大大提高信噪比，以用于后续数据分析和ML建模。

图1  （a）P = 0–4%时ML模型的准确度、精密度、召回率和F1评分，（b）P = 0–4%时所有样品的峰数，（c）P=1%时多西环素MS数据的干扰峰去除示意图。

2、TCs的伪靶向筛查的ML模型评价

测试了八种常见的机器学习算法（ANN、DT、Bayes、RF、kNN、SVM、LR和XGBoost）。如ROC曲线（图2a）所示，曲线越接近左上角，模型在数据训练中的表现就越好。清晰可见的是，大多数模型的ROC曲线远离对角线。根据AUC值，XGBoost模型表现最好，AUC为0.99，其次是RF（AUC=0.98），两者都具有最强的识别和区分TC和非TC的能力。图2b显示了两个表现最好的模型（XGBoost和RF）和两个较差模型（LR和Bayes）混淆矩阵的比较。XGBoost模型显示了准确区分TC和非TC特征的能力，表现为较高的TP（50）和TN（101）以及较低的FP（0）和FN（2）。图2c显示了不同ML模型的准确度、精确度、召回率、F1分数和平衡准确度的优值比较。XGBoost模型在准确性（0.987）、准确性（0.985）、召回率（0.962）、F1评分（0.980）和平衡准确性（0.981）方面的得分均高于其他算法，与混淆矩阵的结果相似。

图2  (a)ROC曲线，（b）混淆矩阵和（c）不同ML模型的准确度、精确度、召回率、F1评分和平衡准确度。

3、关键特征分析

PCA分析：单独使用峰相关特征（PR）时，模型的分类能力有限，PCA解释的方差为46.53%（图3a）。结合峰相关特征和测试相关特征（PTR）后，模型的分类能力显著提升，PCA解释的方差增加到48.14%，样本分离更明显（图3b）。图3c显示了基于单个峰相关特征和组合峰测试相关特征的建模性能比较。训练好的XGBoost模型的准确度从0.915大幅提高到0.987，精确度从0.976显著提高到0.985，召回率从0.769显著提高到0.962，F1评分从0.860显著提高到0.980。这些特征的结合使模型能够从MS数据中学习到更多的TC特征，并与非TC进行区分。SHAP分析：碰撞能量（CE）和保留时间（RT）是最重要的两个特征，其平均SHAP值分别为1.22和0.88（图3d）。为了进一步理解重要特征对模型输出的影响，我们分析了两种不同类别（TC和非TC;图3f）的化合物Spirodiclofen-enol的输出。RT、CE、MaxM和PN等特征对提高最终输出有积极贡献，其中RT的贡献最大。当RT值增加时，模型更可能将EC分类为非TC，这与图3e中所示的结果具有良好的一致性。XGBoost模型能够通过RT、CE、MaxM和PN的关键特征准确地将Spirodiclofen-enol鉴定为非TC。这突出了引入测试相关特征以提高输入数据的可靠性和XGBoost模型的PTS性能的重要性。

图3  具有（a）峰相关（PR）特征和（b）PR特征和测试相关特征（PTR）的主成分分析（PCA）。（c）模型性能与PR和PTR特征的比较，（d）TC和非TC类别的十大最重要特征，（e）与TC和非TC类别相关的特征，以及（f）Spirodiclofen-enol的不同描述符的Shapley值。

4、模型的实验验证

使用UPLC-HRMS分析真实水样中的TCs和Non-TCs，并将质谱数据输入训练好的XGBoost模型进行预测。图4示意性地展示了含四环素样品1的模型验证步骤。对于包含在训练集中的TCs（如四环素和土霉素），模型预测的准确率接近100%。对于未包含在训练集中的TCs（如甲环素和替加环素），模型仍能准确识别，准确率分别为96.83%和99.78%。对于与TCs结构相似的Non-TCs（如林可霉素和地氟沙星），模型也能正确识别为非TCs，准确率分别为99.94%和99.60%。对于不含TCs的自来水样本，模型正确预测为非TCs，准确率为99.83%。XGBoost模型在复杂水样中表现出强大的抗干扰能力和泛化能力，能够准确识别已知和未知的TCs。

图4  实验验证的TCs的 PTS的ML框架示意图。