基于结构的机器学习与标准化特征选择方法，用于筛选具有高氨捕获能力的金属有机框架（MOFs）

《Process Safety and Environmental Protection》：Structure-Based Machine Learning with Standardized Feature Selection for Screening MOFs with High Ammonia Capture Capacity

氨吸附MOFs筛选中，本研究开发标准化机器学习框架，整合198维结构特征（几何+RDKit衍生），经四步特征筛选（方差过滤、LightGBM重要性、Pearson相关性、前向选择）构建高精度随机森林模型，结合SHAP分析和工程评估（可迁移性、设计窗口、再生性等），为工业级氨吸附MOFs高效筛选提供方法学支持。

　　氨气是一种广泛用于工业原料和新兴氢载体的腐蚀性和有害气体。为了保障工艺安全并减少工业排放对空气的污染，必须对氨气进行有效捕获。金属-有机框架（MOFs）因其可调节的孔隙率和表面化学特性，成为氨气捕获的有前景材料。然而，传统实验方法在筛选效率和成本方面存在局限，难以实现系统和全面的性能评估。因此，高通量计算筛选（HTCS）方法应运而生，成为识别高性能MOFs的高效准确手段。HTCS通过使用大规范蒙特卡洛（GCMC）模拟，对气体吸附行为进行分子级建模，从而基于统计力学原理高效预测吸附性能。

随着人工智能技术的发展，机器学习（ML）方法被越来越多地整合到HTCS过程中，进一步提升了筛选效率和适用性。ML模型能够从有限的模拟数据中学习，显著提高筛选效率，同时保持较高的预测准确性，从而实现对大量MOFs数据库的快速性能预测和捕获筛选。这种技术已经成为推进MOF材料智能筛选的关键策略。例如，Thornton等人结合分子模拟与神经网络（NN）建模，筛选了约85万种纳米多孔材料，最终识别出MOF-210作为最佳候选材料。Halder等人基于h-MOFs数据库，整合分子模拟与ML方法，成功识别出MNGC-353295作为用于乙烷和乙烯分离的最有效材料。Keskin等人利用CoRE-MOFs数据库训练ML模型，并将其应用于hypoMOFs库，成功预测出一组性能优异的假设MOFs，如hypoMOF-id 137444，其在甲烷/氮气分离中表现优于现有的实验MOFs。

尽管将ML与HTCS结合用于MOF筛选展现出广阔前景，但此类模型的发展仍受到系统性和严谨性特征选择策略缺失的限制。一方面，在缺乏标准化特征选择策略的情况下，模型的效度和泛化能力高度依赖于研究人员对输入特征的个人选择。另一方面，新特征的发现仍然有限，大多数研究主要集中在热力学变量上，如吸附热和亨利常数，这限制了探索更多样化和互补的特征维度，从而阻碍了MOFs性能的进一步提升。此外，对输入特征如何影响模型预测的理解仍然有限，这限制了对MOFs结构-性能关系的深入探索。

为了解决这些问题，本研究提出了一种标准化的特征工程框架，旨在扩展描述符的多样性并构建高精度模型，用于预测MOFs材料的氨气捕获性能。为了评估所选描述符的实用性并增强模型行为的可解释性，还引入了多层面的可解释性分析。具体而言，本研究系统地引入了来自RDKit库的190种结构描述符，并将其与传统的几何特征相结合，构建了一个高维且信息丰富的特征集。随后，实施了一个多步骤的特征选择过程，包括方差阈值过滤、基于LightGBM的特征重要性分析、皮尔逊相关性分析以及向前特征选择。通过这一系统过程，最终的特征子集涵盖了多个描述符类别，并捕捉了多样化的结构视角。

基于最终的特征子集，通过模型比较选择了鲁棒且高表现的随机森林分类模型，并构建了用于预测氨气捕获性能的模型。此外，基于SHAP和比较模型，进行了多视角的可解释性分析，以评估所选描述符的实际贡献，包括其有效范围，并增强模型预测行为的可解释性。除了可解释性，还进行了集成的工程应用评估，包括模型的迁移性验证、设计窗口识别、体积性能指标、突破时间估计以及稳定性与再生的初步考虑。总体而言，本研究提供了一种高效且可行的方案，用于筛选具有高氨气捕获性能的MOFs，并建立了由多样性和多维结构描述符驱动的通用ML框架。除了方法上的进展，工程导向的评估强调了该框架的转化价值，展示了其在工业氨气捕获场景中指导材料选择和工艺设计的能力。

在GCMC模拟和特征构建方面，本研究使用的所有MOF结构均来自CoRE-MOF 2019数据库，最初选择了12,020种结构。为了确保这些结构适用于氨气捕获，排除了孔径限制直径（pld）小于3.65 ?的结构，这是氨气分子的动能直径，以及可访问表面积（ASA）为0的结构。这一筛选过程结果得到了6,023种具有足够孔隙率和可吸附表面积的MOF结构。这些结构的筛选确保了后续模拟和模型构建的准确性，为氨气捕获性能的预测提供了坚实的基础。

在特征选择方面，第一步采用了方差阈值过滤策略，以消除方差较低、信息价值有限的特征。结果是，特征数量从198减少到180，有效去除了冗余变量，同时保留了关键信息。这为后续的特征选择步骤提供了一个更简洁的特征集。在此基础上，评估了剩余180个特征的重要性，使用了基于LightGBM的分析方法。这一过程不仅帮助识别出对模型预测最具影响力的特征，还进一步优化了特征集的结构，为构建高性能模型打下了基础。

为了进一步提升模型的可解释性，本研究引入了多层面的可解释性分析。具体来说，利用SHAP（Shapley Additive Explanations）方法，结合比较模型，对所选特征的实际贡献进行了评估，包括其有效范围，从而增强了模型预测行为的可解释性。这一分析不仅有助于理解特征如何影响模型预测，还揭示了MOFs的结构-性能关系，为后续的工程应用提供了理论支持。

在工程应用评估方面，本研究进行了综合评估，包括模型的迁移性验证、设计窗口识别、体积性能指标、突破时间估计以及稳定性与再生的初步考虑。迁移性验证确保了模型在不同数据库中的适用性，而设计窗口识别则帮助确定MOFs材料在实际应用中的最佳性能范围。体积性能指标评估了MOFs在单位体积内的捕获能力，突破时间估计则预测了在实际操作中，MOFs材料能够有效捕获氨气的时间。稳定性与再生的初步考虑则评估了MOFs材料在长期使用中的可靠性和可重复性，为实际工程应用提供了关键的参考依据。

本研究通过系统化的特征工程和多层面的可解释性分析，构建了一个高效且可行的机器学习框架，用于预测MOFs材料的氨气捕获性能。该框架不仅整合了多种结构描述符，还通过多步骤的特征选择策略，优化了特征集的结构，提升了模型的预测能力和可解释性。此外，工程导向的评估进一步强化了该框架的实用性，使其能够指导材料选择和工艺设计，为工业氨气捕获提供了理论和技术支持。通过这一研究，不仅为MOFs材料的筛选提供了新的思路，还为未来的高通量计算筛选和机器学习应用奠定了基础。