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

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。