溶解有机物（DOM）是地球上最大的有机物储库之一，由复杂的分子混合物组成。其中，DOM的分子组成和有机质性质的关系一直是研究的热点和难点。稳定碳同位素值（δ¹³C）提供了关于DOM从陆地到海洋的来源追溯及转化的重要见解，但个体分子和DOM整体性质之间的关系仍不清楚。本研究采用傅里叶变换离子回旋共振质谱法（FT-ICR MS）对来自中国近海的510个DOM样品进行分析，其中320个样品具有δ¹³C测量值。通过基于5199种分子的机器学习模型，我们准确预测了这些样品的δ¹³C值，并在训练数据集上取得了0.30‰的平均绝对误差（MAE），优于传统的线性回归方法（MAE：0.85‰）。本研究发现，降解过程、微生物活动和初级生产力是调控DOM从河流到海洋连续体的关键因素，这与以往的研究结果一致。此外，机器学习模型还能够有效地通过DOM分子丰度预测其他已发表数据集中超高分辨质谱数据的δ¹³C值，反映了从陆地到海洋连续体的δ¹³C变化趋势。这表明，机器学习在捕捉DOM分子组成和整体参数之间复杂关系方面具有潜力，特别是在未来有更大的学习数据集和越来越多的分子研究的背景下。本研究的结果不仅增进了对DOM分子组成和性质之间关系的理解，也为提高分子组成和性质的研究效率和精度提供了借鉴。此外，本研究还揭示了机器学习在复杂数据分析和预测方面的潜力，这对于更好地理河口海岸带生物地球化学循环具有重要意义。
 

DOM；FT-ICR MS；稳定同位素；机器学习；中国近海