点击蓝字↑↑↑“农作未来（FarmingFuture）”，轻松关注，农作制度研究与您同行！

编译：王上

原创微文，欢迎转发转载。

文章信息

原名：Artificial intelligence in soil ecotoxicology: A critical review and perspective on micro/nanoplastic exposure to earthworms

译名：人工智能在土壤生态毒理学中的应用：关于蚯蚓接触微/纳米塑料的批判性综述与展望

期刊：Soil Biology and Biochemistry

2025年影响因子：12.2

5年影响因子：14.3

在线发表时间：2026.09.21

通讯作者：方临川教授flinc629@hotmail.com

第一单位：武汉理工大学关键非金属矿产资源绿色利用教育部重点实验室

文章解读

1. 这篇文章为什么能发到这个期刊上

这篇文章能发表在 Soil Biology and Biochemistry，关键不在于“介绍AI”，而在于把AI放进一个明确的土壤生态毒理问题：微/纳塑料暴露下蚯蚓的多尺度毒性评价。作者严格区分已有直接证据、可迁移方法和前瞻性设想，指出当前直接AI–MNP–蚯蚓研究仍很少，并围绕图像、视频、结构化数据和LLM提出从表型识别到机制预测的完整框架，同时给出FAIR数据、XAI、外部生物验证和监管可接受性的具体要求。

2. 文章的研究背景

微/纳塑料已成为土壤中的普遍污染物，但其毒性受粒径、形态、老化、土壤性质和生物特征共同影响，响应常呈非线性。传统蚯蚓毒理依赖人工组织评分、低频行为观察和小样本统计，难以整合图像、视频和组学数据。AI具有潜力，但当前证据分散、样本少、土壤基质干扰强，且黑箱和数据偏倚限制实际应用。

3. 研究意义

把AI从通用计算工具具体落到“土壤MNP–蚯蚓生态毒理”这一明确场景，避免泛泛讨论AI。

首次系统区分直接MNP–蚯蚓实证、其他污染物/生物模型中的可迁移方法，以及仍属于前瞻性设想的技术。

将组织病理、行为、结构化暴露数据和多组学放进同一多模态框架，推动毒理评价从单一终点走向跨尺度整合。

强调AI的价值不只在提高预测准确率，而在于发现亚致死表型、筛选候选机制并指导后续实验。

提出FAIR数据、最小报告集、XAI、适用域、不确定性和外部生物验证等具体要求，为未来监管应用提供路线。

明确指出LLM、合成数据和SHAP等工具的边界，降低“技术乐观主义”对生态毒理解释的干扰。

4. 科学问题：是什么，怎么回答的

问题一：AI目前在MNP–蚯蚓毒理中真正做到什么程度？怎么回答：汇总代表性研究，并在Table 1中明确区分直接MNP证据与从其他污染物、其他生物模型迁移的方法；主文指出直接MNP–蚯蚓AI实证仍处于早期。

问题二：不同类型毒性终点应使用什么AI？怎么回答：按图像、视频、结构化数据/组学和LLM四个领域梳理任务，并比较传统ML、CNN、U-Net、Mask R-CNN、RNN/LSTM、GNN、GAN等架构的适用场景、优点、限制和证据成熟度。

问题三：土壤MNP毒理为什么不能简单套用医学或水生AI模型？怎么回答：重点讨论土壤不透明、湿度反光、矿物与塑料视觉相似、组织制样批次效应、MNP老化及small n–large p等土壤特异问题。

问题四：AI怎样从“预测”走向“机制”？怎么回答：提出多模态建模、AOP知识约束和XAI用于候选机制优先级排序，但要求通过独立数据、干预实验、剂量/时间验证和湿实验确认因果。

问题五：AI怎样真正进入风险评估和监管？怎么回答：提出FAIR数据库、五类最小报告信息、适用域、不确定性量化、跨土壤外部验证、基准方法比较以及human-in-the-loop治理框架。

5. 本文的核心切入点

本文真正质疑的不是“AI能不能用于生态毒理”，而是当前很多AI讨论把“算法可能做到什么”与“在MNP–蚯蚓体系中已经被证明什么”混在一起。作者指出，直接实证非常有限，真正的knowledge gap是：如何把高度异质的MNP性质、土壤基质、组织病理、行为和多组学数据整合成可验证、可解释、可外推的风险模型。文章因此把重点从追求更复杂算法转向“证据成熟度、数据标准、机制验证和监管可信度”。

6. 科学假设

本文属于Critical Review and Perspective，不是实验论文，原文没有提出正式H1/H2。下面是作者反复论证的核心命题，不应当作原文正式实验假设：

命题1：AI可以显著提高MNP–蚯蚓亚致死病理、行为和非线性毒性响应的量化能力，但不同终点需要不同算法，不能用单一模型包打天下。

命题2：该领域目前的主要瓶颈不是缺少更复杂算法，而是直接实证少、数据碎片化、土壤基质干扰强和small n–large p。

命题3：XAI可以帮助识别重要变量和候选机制，但feature importance或SHAP不能直接证明生物因果关系。

命题4：真正可用于风险评估的AI必须建立在FAIR、AI-ready数据、明确适用域、外部验证和专家持续监督之上。

7. 核心结果和亮点（综述性结论，不是本文新实验结果）

最重要的现实判断：AI在MNP–蚯蚓毒理中的直接证据仍很少。Table 1列出的代表性研究中，只有Yin et al. (2025)和Cao et al. (2025)直接涉及MNP暴露；其余多数是其他污染物或邻近模型中的可迁移方法。

图像分析最接近实际应用。AI可把传统“轻/中/重”组织损伤评分转成像素级连续指标，并能将病理区域与MNP粒径、聚合物、老化状态等联系起来。

Cao et al. (2025)提供了直接蚯蚓MNP案例：AI辅助病理定量区分了PE与PLA暴露下不同的肠道损伤模式，并与多组学结果结合解释机制。

U-Net、Mask R-CNN等高级分割在蚯蚓MNP病理中的应用目前主要是前瞻性建议，不能写成已经建立的方法。

土壤基质是图像AI的核心物理限制。矿物、有机质、风化塑料和组织碎片可能高度相似；AI可以降噪和做光谱解混，但不能恢复传感器本身没有采集到的化学信号。

行为分析的关键不是单帧识别，而是时间序列。RNN/LSTM、光流、目标检测与轨迹关联算法可用于避免、钻穴和异常运动，但真正的MNP–蚯蚓原位行为AI仍缺少直接验证。

文章特别否定了“热成像可轻易穿透土壤追踪蚯蚓”的乐观设想：蚯蚓是变温动物，体温接近土壤，而且普通土壤对红外强吸收，真正地下热追踪的物理可行性有限。

结构化数据方面，RF、XGBoost、CatBoost等树模型特别适合处理MNP毒性的非线性和较小样本；它们比简单线性模型更能识别剂量拐点和土壤条件交互。

MNP毒性中的“非单调”不能自动解释成hormesis，还可能来自粒子聚集、生物可利用性变化、回避行为或实验误差。AI只能拟合这种模式，机制仍需实验确认。

文章强调microplastic和nanoplastic不能只作为一个连续粒径变量处理。微米级更多受质量浓度、体积和机械磨损影响，纳米级则更受表面积、粒子数、内吞和系统氧化应激控制，可能存在真正的尺度转折。

多模态GNN和foundation models是重要方向，可以融合分子图、土壤性质、病理图像、行为和组学，但在MNP–蚯蚓体系中仍主要属于前瞻性框架。

small n–large p是深度学习落地的核心障碍。作者建议使用transfer learning、知识引导的特征选择和谨慎的生成式数据增强；但synthetic data不能增加独立实验证据，只能辅助模型训练。

XAI的边界被明确限定：SHAP、attention和feature importance只能说明“哪些变量影响模型预测”，不能自动证明因果机制，更不能单独构建真实AOP。

LLM的合理定位是分析助手：文献筛选、表格/元数据提取、代码生成和初步假设排序。主要风险包括幻觉、假引用、模型版本漂移、提示词敏感和科学溯源困难。

作者提出五类AI-ready最小信息：MNP性质、土壤性质、生物学特征、实验单元信息和分析质量控制；同时建议公开原始高分辨率图像和未剪辑行为视频。

监管应用不能只看accuracy。还必须明确applicability domain、预测不确定性、独立外部验证，并与OECD/EPA等认可的经验试验框架进行基准比较。

现有数据具有明显偏倚：大量研究集中于Eisenia fetida/E. andrei和温带农业土壤，对endogeic、anecic蚯蚓以及热带、干旱和寒区代表不足，因此模型全球外推风险很高。

全文最终提出的主线是：从孤立、单模态的AI应用，转向FAIR数据驱动的多模态框架，并始终保留human-in-the-loop和独立湿实验验证。

8. 讨论思路

先指出现状：AI已经能自动化部分毒性评价，但MNP–蚯蚓的直接实证仍很少，不能把邻近领域的方法成熟度当成本领域已验证能力。

再按数据类型讨论：图像适合病理和颗粒识别，视频适合行为动态，结构化/组学数据适合非线性预测与机制筛选，各自都有土壤特异瓶颈。

随后讨论算法边界：small n–large p、土壤遮挡、批次效应和传感器极限决定“更复杂模型”不一定更可靠；合成数据和迁移学习只能辅助，不能替代实测。

再强调机制解释：SHAP、attention和网络只能提出候选驱动，不能自动证明因果或构建真实AOP，必须用独立数据和湿实验验证。

最后提出落地条件：FAIR数据库、最小报告集、适用域、不确定性、跨土壤外部验证、人类专家监督和更广泛物种代表性，是AI进入监管与风险评估的前提。

9. 核心结论

AI可显著提升蚯蚓微/纳塑料毒性的表型识别、行为追踪和非线性预测，但当前直接证据仍少。真正的突破取决于标准化AI-ready数据、多模态整合、可解释模型、独立生物验证和专家持续监督。

10. 值得借鉴之处

最值得借鉴的是作者没有把“AI前景”写成技术宣传，而是不断区分已证明、可迁移和仍属设想的内容。综述围绕真实科学瓶颈组织算法，而不是按模型名称堆砌；同时明确指出AI不能补回传感器缺失的化学信号，SHAP不等于因果，合成数据不等于新证据，LLM也不能取代专家判断。对综述论文而言，这种“证据成熟度分层+适用边界+可执行标准”的写法具有很强普适性。

11. 主要研究方法和统计分析方法

文章类型：Critical Review and Perspective，不是原创实验、Meta-analysis或系统综述。主文没有报告PRISMA式检索流程、正式纳入/排除标准或定量文献汇总统计，因此不能把它表述成系统Meta分析。

证据组织：作者汇总代表性AI应用，并在Table 1中把“直接MNP–earthworm证据”与“其他污染物或模型中的可迁移方法”分开，避免把前瞻性算法写成已经验证。

技术框架：按照4个领域组织证据，即digital image analysis、digital video analysis、structured/multimodal data analysis和LLM。

算法比较：Table 2比较传统ML、CNN、U-Net、Mask R-CNN、RNN/LSTM/Optical Flow、multimodal networks等的核心原理、优势、局限、潜在MNP应用和evidentiary status。

图像端：区分whole-organism classification、histopathological lesion segmentation和internalized particle identification三类任务，并强调不同任务需要不同ground truth。

视频端：重点讨论连续轨迹、时间序列、遮挡、土壤湿度反光、身份切换和3D钻穴重建等问题；不少MNP相关应用仍是概念迁移。

数据端：重点分析non-linear dose–response、tree-based ensembles、多模态GNN、small n–large p、transfer learning、synthetic augmentation和knowledge-guided feature selection。

机制解释：将XAI定位为候选机制和关键变量筛选工具，并提出“外部数据验证→定向干预实验→剂量/时间验证→AOP关键事件映射”的实验确认链。

数据标准：提出AI-ready实验的5类最小报告维度，包括MNP properties、soil characteristics、biological traits、experimental units和analytical quality controls。

监管验证：强调applicability domain、predictive uncertainty、independent external validation和与标准经验试验的benchmarking。

统计分析：本文没有对综述文献进行新的统一统计检验、效应量合并或模型重分析；文中出现的accuracy、R²、sample size等均来自被综述的原始研究。

12. 本文引用的重要参考文献

Chen, L. et al. (2024). Micro/nanoplastics pollution poses a potential threat to soil health. Global Change Biology 30, e17470. DOI: 10.1111/gcb.17470

Yin, L. et al. (2025). Unraveling Microplastic Effects on Gut Microbiota across Various Animals Using Machine Learning. ACS Nano 19, 369–380. DOI: 10.1021/acsnano.4c07885

Cao, T. et al. (2025). Diverse Perspectives Illuminate the Intestinal Toxicity of Traditional and Biodegradable Agricultural Film Microplastics to Eisenia fetida under Varying Exposure Sequences. Environmental Science & Technology 59, 9943–9954. DOI: 10.1021/acs.est.5c01932

Xu, Y. et al. (2026). Three-Dimensional Burrowing Behavior of Earthworms for Ecotoxicological Studies. Environmental Science & Technology 60, 7733–7743. DOI: 10.1021/acs.est.5c15144

Zhu, J., Yang, M. & Ren, Z. J. (2023). Machine Learning in Environmental Research: Common Pitfalls and Best Practices. Environmental Science & Technology 57, 17671–17689. DOI: 10.1021/acs.est.3c00026

Wu, T. et al. (2025). Small-Sample Learning for Next-Generation Human Health Risk Assessment: Harnessing AI, Exposome Data, and Systems Biology. Environmental Science & Technology 59, 5–10. DOI: 10.1021/acs.est.4c11832

Rillig, M. C. et al. (2023). Risks and Benefits of Large Language Models for the Environment. Environmental Science & Technology 57, 3464–3466. DOI: 10.1021/acs.est.3c01106

Zhang, K. et al. (2021). Rapid Zebrafish Behavioral Profiling Assay Accelerates the Identification of Environmental Neurodevelopmental Toxicants. Environmental Science & Technology 55, 1919–1929. DOI: 10.1021/acs.est.0c06949

Lu, W., Luu, R. K. & Buehler, M. J. (2025). Fine-tuning large language models for domain adaptation: exploration of training strategies, scaling, model merging and synergistic capabilities. npj Computational Materials 11, 84. DOI: 10.1038/s41524-025-01564-y

Zhang, Y. et al. (2025). Exploring the role of large language models in the scientific method: from hypothesis to discovery. npj Artificial Intelligence 1, 14. DOI: 10.1038/s44387-025-00019-5

原文链接：

https://www.sciencedirect.com/science/article/pii/S0038071726002324

农田健康、生态安全

作物高产、资源高效

加入微信群，获取文章PDF

OCR:IMG:K

OCR:IMG:AI在土壤生态毒理中的应用 用AI理解土壤 微/纳塑料 用数据守护生命 (MNPs) 微/纳塑料暴露下蚯蚓毒性评估的关键框架 HealthySoils Criticalreview&perspective HealthyLife 1 背景与问题 2 AI可用于什么？ 3 文章核心判断 4 主要瓶颈与风险 5 未来路径与建议 为什么关注？ 多模态、多任务的智能分析 综述的三大关键结论 当前面临的挑战 从研究到应用的路线图 A.图像分析 1 直接针对 smalln,largep ? 风险评估应用 组织病理识别 “MNP-蚯蚓”的 样本量小、特征维度高， 服务土填管理 土壤生态系统 肠道损伤分割 典型算法 易过拟合。 与政策制定 颗粒识别 CNN AI实证研究 U-Net 仍然很少。 外部生物验证 MaskR-CNN 土填不透明、湿度反光、 多物种、多场景 矿物与塑料易混滑 实验验证 微/纳塑料 (MNPs) 组织病理照像 A分割结果 增加图像识别难度。 川 可解释AI（XAI） 2 图像AI和树模型 B.视频分析 揭示关键特征 是当前最现实的 数据碎片化、批次效应、 增强可信度 ·运动轨迹 典型算法 应用方向。 ·回避行为 CNN 物种偏倚 多模态整合 蚯蚓 ·钻穴行为 LSTM 不同研究难以整合比较。 图像+视频+组学+ （关键土壤指示生物） ·时序动态 Transformer 环境数据 运动轨分析 CNN/U-Net RF/XGBoost 四 合成数据新证据 N Al-ready数据库 微/纳塑料已成为 C.结构化/多模态数据 模拟数据不能替代 标准化、可扩展、 重要土壤污染物 真实实验结果。 高质量数据集 ·整合MNP性质 典型算法 3 AI可以发现 ·土壤性质 RF 候选机制， FAIR数据 近蚂是关键土壤 ·组学数据 XGBoost LLM可能幻觉， 但不能自动证明 可查找、可访问、 指示生物 ·表型数据 GNN 需专家监督 可互操作、可重用 多模态学习 因果关系。 生成内容可能不准确 从数据到行动 业 或提造。 让土壤更健康 毒性响应复杂： D.大语言模型 几点具体建议 粒径、形态、老化、 土壤性质共同作用 ·文献筛选 典型算法 A 高准确率可直接 建立标准化最小报告集 元数据整理 LLM SHAPcausality 用于监管 公开原始图像与视频 传统方法存在局限： ·代码辅助 RAG 重要性不等于因果关系， Agent 需要可靠的生物验证 ·假设生成 需要生物学验证！ 强调适用域与不确定性 人工评分主观、行为观察低频、 和风险评估框架。 数据整合困难 “让海量知识服务于土填生态毒理研究” 保持human-in-the-loop 正可靠的AI，不是更复杂的模型，而是更标准的数据、更清晰的解释和更严格的生物验证。 AlforSoil 8 ? 健康的土壤 数据驱动 机理认知 人机协同 可持续的土壤未来 支撑更好的地球 ASaferTomorrow

OCR:IMG:Review articleFull text accessGetrights and content Getrights and content 好 Artificialintelligenceinsoilecotoxicology:Acriticalreviewandperspective on SoilBiology& micro/nanoplasticexposuretoearthworms Biochemistry B Li Chenabc#，Fengyu Huang#，Naglaa Ibrahim d，Tianyi Qiu,Jing Che FengyuHnglaarmTnyiiuingChnhMxioongiihnghii willie].G.M.Peijnenburgjk,JasonC.white，Linchuan Fangc Keyfisftitfl China and Environmental Sciences,Inner Mongolia Agricultural University,Hohhot, SoilBiologyandBiochemistry StateKeyLaboratryofSilicateMaterialsforArchitecturesWuhanUniversityofTechnologyWuhanChi Faculty ofScience.Sohag University.Sohag,82524 Egypt Date:Available online21 September2026 Department of Cardiology,Renmin Hospital of wuhan University,Wuhan,Ch Article:110313 Faculty of Geographical Science,Beijing Normal University,Beljing,China InPress,Journal Pre-proof StateKeyaboratoryofUrban-ruralWateesourcendEnvironmentchoolfEnvronmentHarbinInstitutefTe Viewaccessibilityinformation dEnvironmental Engineering,The Hong Kong Polytechnic University,Hong Kon stitute of Mountain Hazards and EnvironmentChinese Academy of Sciences,ChengduChina Leiden University,Institute ofEnvironmental Sciences（CML),Leiden 2333CC,TheNetherlands Publishedby fety of Substances and Products,National Institute of Public Health and the Er ThCneticriulturlxrmntttionnnnretwHvnConcticu11i sed15September2026,Accepted19 September2026,Availableonline21Septen what do these dates mean? Showless View PDF Cite MAdd toMendeley share 10.1016/j.s0ilbio.2026.110313

OCR:IMG:AI在土壤生态毒理中的应用 用A理解土壤 微/纳塑料 用数据守护生命 (MNPs) 微/纳塑料暴露下蚯蚓毒性评估的关键框架 Healthy Soils Criticalreview&perspective HealthyLife 1 背景与问题 2 AI可用于什么？ 3 文章核心判断 4 主要瓶颈与风险 5 未来路径与建议 为什么关注？ 多模态、多任务的智能分析 综述的三大关键结论 当前面临的挑战 从研究到应用的路线图 h A.图像分析 1 直接针对 smalln,large p ? 风险评估应用 组织病理识别 “MNP-蚯蚓”的 样本量小、特征维度高， 服务土壤管理 土壤生态系统 肠道损伤分割 典型算法 易过拟合。 与政策制定 ·颗粒识别 CNN AI实证研究 U-Net 仍然很少。 口 外部生物验证 MaskR-CNN 土壤不透明、湿度反光、 多物种、多场景 矿物与塑料易混滑 实验验证 微/纳塑料 (MNPs) 组织病理图像 A分割结果 增加图像识别难度。 川 可解释AI（XAI） 2 图像AI和树模型 B.视频分析 揭示关键特征 是当前最现实的 数据碎片化、批次效应、 增强可信度 ·运动轨迹 典型算法 应用方向。 回避行为 CNN 物种偏倚 多模态整合 蚯蚓 钻穴行为 LSTM 不同研究难以整合比较。 图像+视频+组学+ （关键土壤指示生物） ·时序动态 Transformer 环填数据 运动轨避分析 CNN/U-Net RF/XGBoost 山 合成数据新证据 N Al-ready数据库 微/纳塑料已成为 C.结构化/多模态数据 模拟数据不能替代 标准化、可扩展、 重要土壤污染物 真实实验结果。 高质量数据集 ·整合MNP性质 典型算法 3 AI可以发现 ·土壤性质 RF 候选机制， 自 FAIR数据 近蚂是关键土壤 ·组学数据 XGBoost LLM可能幻觉 但不能自动证明 可查找、可访问、 指示生物 ·表型数据 GNN 需专家监督 可互操作、可重用 多模态学习 因果关系。 生成内容可能不准确 从数据到行动 山 或提造。 让土壤更健康 毒性响应复杂： D.大语言模型 几点具体建议 粒径、形态、老化、 土壤性质共同作用 ·文献筛选 典型算法 高准确率可直接 建立标准化最小报告集 元数据整理 LLM SHAP≠causality 用于监管 公开原始图像与视频 传统方法存在局限： ·代码辅助 RAG 重要性不等于因果关系， Agent 需要可靠的生物验证 假设生成 需要生物学验证！ 强调适用域与不确定性 人工评分主观、行为观察低频、 和风险评估框架。 数据整合固难 “让海量知识服务于土填生态毒理研究” 保持human-in-the-loop 正可靠的AI，不是更复杂的模型，而是更标准的数据、更清晰的解释和更严格的生物验证。 AlforSoil 数据驱动 机理认知 8 ASaferTomorrow 人机协同 ? 可持续的土壤未来 支撑更好的池

OCR:IMG:ReviewarticleFull textaccessGetrightsand content Getrights and content 6 Artificialintelligenceinsoil ecotoxicology:Acriticalreviewandperspective on Soil Biology& micro/nanoplasticexposuretoearthworms Biochemistry ChenabnyuHnryigChnxiongiihnghij willie].G.M.Peijnenburgjk，Jason C.white，LinchuanFangc Keytsf China andEnvironmental Sciences,Inner Mongolia Agricultural University,Hohhot, SoilBiologyandBiochemistry StateKeyLaboratoryfSilicateMateralsorArchitecturesWuhanUniversityfTechnologyWuhanh FacultyofScience,SohagUniversity,Sohag,82524Egypt Date:Availableonline21September2026 Departmentof Cardiology,Renmin Hospital ofwuhan University,Wuhan,C Article:110313 Faculty of Geographical Science,Beijing Normal University,Beijing,China In Press,Journal Pre-proof StateKeyabratrfUban-ruralWatrResourcendEnvironmentchoolfEnvirnmentHrbinInstitutfTeh View accessibilityinformation d Environmental Engineering,The Hong Kong Polytechnic University,Hong Kon InstituteofMountainHazards andEnvironment,ChineseAcademyofSciences,ChengduChina LeidenUniversity，InstituteofEnvironmentalSciences（CML）,Leiden233CC,TheNetherlands Publishedby tyof Substancesand Products,National Institute of PublicHealth and the Envi Thntrctxmngnttvet ELSRVIE sed15September2026,Accepted19September2026,Availableonline21Septer what dothese datesmean? Showless 公众号·农作未来 ViewPDF Cite Add toMendeley share 10.1016/j.soilbio.2026.110313

OCR:IMG:农作未来2 群聊人数已超过200， 扫描右图二维码，添加 小编微信，邀您进群 群聊人数超过200人 只可通过邀请进入群聊 欢迎各位老师，同仁进群 分享观点，交流讨论

OCR:IMG:农作未来2 群聊人数已超过200， 扫描右图二维码，添加 小编微信，邀您进群 群聊人数超过200人 只可通过邀请进入群聊 欢迎各位老师，同仁进群 分享观点，交流讨论 公众号·农作未来