Multi-objective artificial pedosphere intelligence for microbial homeostasis-oriented governance of functional nanoparticle systems in complex ecosystems

方法

微生物共现图注意力网络、稳态约束学习、深度核高斯过程与贝叶斯多目标优化。

发现

模型R²达0.962，较最强基线提升约2.3%，可提供可解释的生态决策支持。

机会点

可将图神经网络与不确定性优化扩展到田间尺度多胁迫因子协同治理与真实土壤验证。

摘要 土壤微生物稳态是可持续农业与生态韧性的基础，然而现有机器学习方法主要强调预测精度，而忽视了微生物相互作用、不确定性量化、生态稳态以及纳米颗粒治理的决策支持。本研究提出人工土壤圈智能（Artificial Pedosphere Intelligence）框架，通过将微生物共现图注意力网络（Microbial Co-occurrence Graph Attention Network, MC-GAT）、稳态约束学习、深度核高斯过程（Deep Kernel Gaussian Process, DKL）、贝叶斯多目标优化以及基于SHAP的可解释性整合于统一的生态智能流程中，以预测微生物稳态偏离评分（Microbial Homeostasis Deviation Score, MHDS）。该框架首先构建生态特征图，学习具有生物学信息的表征，估计预测不确定性，随后执行基于模拟的优化以识别环境平衡的纳米颗粒治理策略。模型使用Python 3.10及PyTorch、PyTorch Geometric、GPyTorch、BoTorch和SHAP实现，并在包含100,000个土壤样本的Kaggle Soil Microbe Dataset上进行评估。所提框架取得了R² = 0.962、MSE = 0.007和MAE = 0.016，相较最强基线（0.94）在R²上提升约2.3%。这些发现表明，具有生物学信息的图智能结合不确定性感知优化，可为可持续土壤管理提供准确、可解释且可扩展的生态决策支持。