全氟化合物（PFASs）易被作物吸收积累，对人体健康造成严重威胁。然而，目前有关植物吸收PFASs的过程及机理尚未阐明。本研究以植物对PFASs的根富集系数为目标输出因子，以涉及PFASs化合物结构、作物生理生化指标、土壤理化性质指标和栽培条件的26个特征参数作为输入变量，利用机器学习算法，系统解析PFASs化合物-作物-土壤复杂相互作用下植物根系对PFASs的吸收过程。通过分层抽样、贝叶斯优化和五重交叉验证确定GBRT算法模型是最优机器学习模型。采用排列特征重要性（PFI）、个体条件期望图（ICE）和三维交互作用图（3D interaction plot）探讨目标输出因子对输入变量的定量响应。结果表明，土壤有机碳含量、pH值、化合物有水分配系数（logP值）、土壤PFASs浓度、根系蛋白质含量和暴露时间是影响根系PFASs吸收过程的关键指标，其相对重要性分别为43%、25%、5%、5%和5%。同时，利用GBRT模型及分子指纹技术发现碳链对植物根系吸收PFASs的影响度为12%。当土壤有机碳含量低于2.4%，pH值为6.2-7.1，PFASs浓度低于10μg/kg，化合物logP值小于3.4，作物根蛋白含量大于7%，种植时间在40-60或225-240天时，作物根系对PFASs具有高吸收能力，表现出高根系富集系数。另外，本研究还利用符号回归模型建立了便于用户使用的简化数学公式模型，该模型可准确预测作物对PFASs及其支链同分异构的根系富集系数。本研究为深入探讨PFASs-作物-土壤复杂相互作用下作物对PFASs的吸收过程和机理提供了新方法和新视角。
 

土壤污染，全氟化合物，根系吸收，机器学习，多因素交互作用