自驱动双功能磁性微马达用于比色检测及高效降解盐酸四环素：特性分析、作用机制与毒性研究

《Journal of Environmental Chemical Engineering》：Self-driven bifunctional magnetic micromotor for colorimetric detection and efficient degradation of tetracycline hydrochloride: characterization, mechanism, and toxicity studies

机器学习预测微生物电化学系统3D阳极功率输出及关键参数分析。通过整合240个实验数据点，发现XGBoost模型准确率最高，揭示阳极电荷转移电阻（Rct）、欧姆电阻（Ro）和厚度为关键影响因素，实验验证模型有效性，为环境生物技术提供新方法。

　　微生物电化学系统（MES）作为一种新兴的生物电化学技术，利用电活性微生物的代谢活动催化电极上的氧化还原反应。在这些系统中，微生物会在电极表面形成生物膜，从而促进代谢底物与固态电极之间的电子传递。这种机制使得化学能可以直接转化为电能，或者在温和条件下驱动特定的电化学反应。近年来，MES因其在可持续污水处理、资源回收和环境修复方面的潜力而受到广泛关注。与传统处理技术相比，MES具有显著优势，包括低能耗、同时去除污染物和回收能源/资源，以及能够将微生物代谢与外部电路耦合以提高处理效率。这些独特特性使MES成为推动低碳、循环经济环境生物技术应用的重要平台。

在MES中，阳极是微生物附着、生物膜形成和胞外电子传递（EET）的主要场所，扮演着关键角色。阳极的性能直接决定了整个电化学活动、污染物去除效率和系统发电能力。因此，阳极接种物和底物对系统输出性能具有重要影响。同时，阳极的物理化学性质，如导电性、表面积、孔隙率和生物相容性，是促进高效微生物定植和增强EET过程的关键决定因素。近年来，研究重点转向了三维（3D）阳极结构的设计与优化。与传统的二维材料相比，3D阳极提供了更大的表面积和相互连通的多孔网络。这些特性不仅能够容纳更多的微生物富集，还能促进底物扩散和电子传递。结构上的这些优势有助于提高电化学性能和系统稳定性，使其成为MES阳极应用的优选材料。

已有研究表明，使用不同类型的3D结构材料，如碳基、金属基、金属氧化物基和聚合物基材料，作为MES的阳极可以显著提升电化学性能。此外，3D阳极的结构参数，包括比表面积和孔结构，已被证明对系统性能有显著影响。这些发现表明，3D阳极的材料类型和结构设计是决定MES电化学行为的关键因素。然而，关于接种物、底物、阳极物理特性与系统性能之间基本关系的理解仍然不足。这种缺乏清晰认知对3D阳极的合理设计构成了挑战，并可能阻碍其在MES中的广泛应用。

机器学习（ML）作为人工智能的一个分支，因其处理大规模数据集的强大能力和灵活性而受到越来越多的关注。ML在环境修复领域展现出巨大潜力。在环境研究中，现有的数据集、报告和ML案例研究涉及污染物处理、高级氧化工艺和土壤修复等多个方面。通过高效地从历史数据中学习，ML在指导功能性材料设计方面表现出卓越的能力。然而，将ML应用于MES电极材料的设计与制造尚未有相关报道。因此，探索将ML整合到3D结构阳极MES的合理设计中，以加快开发周期并提升系统性能，具有重要的研究价值。

为解决这一研究空白，本研究开发了四种机器学习模型，包括XGBoost（XGB）、随机森林（RF）、支持向量回归（SVR）和神经网络（NN），用于预测配备3D阳极的MES的发电能力。其中，XGB模型在预测性能方面表现最佳，并揭示了3D阳极的物理参数，如电荷转移电阻（Rct）、欧姆电阻（Ro）和厚度，对系统发电能力有更大影响。模型预测的有效性通过实验结果得到了验证，支持其在MES设计中的应用。这些发现为理解阳极结构、电化学阻抗和发电能力之间的复杂关系提供了新的视角，并为未来设计高效、环保的3D阳极奠定了基础。

本研究构建了一个全面的数据集，涵盖了所有关于3D阳极MES的实验数据。通过对Google Scholar和Web of Science等主要数据库的系统检索，筛选出125篇符合纳入标准的同行评审文章，最终形成了一个包含240个数据点的数据库，命名为“配备3D阳极的MES-系统发电能力”。每项研究的详细信息见表S1。系统发电能力的计算基于特定的公式，该公式反映了不同参数对发电能力的影响。通过对这些数据的分析，可以发现某些关键参数在系统性能中具有主导作用，而其他参数的影响相对较小。这一过程不仅揭示了参数之间的相互作用，也为后续模型的构建提供了依据。

在模型开发过程中，研究团队利用XGBoost、随机森林、支持向量回归和神经网络等多种机器学习算法进行训练和评估。其中，XGBoost模型在预测性能方面表现最佳，能够准确捕捉系统发电能力的变化趋势。通过对连续特征与系统发电能力之间的相关性分析，研究发现，发电能力与欧姆电阻和电荷转移电阻呈负相关，相关系数分别为-0.25和-0.18。这一结果表明，欧姆电阻和电荷转移电阻对系统发电能力具有显著影响，是决定系统电化学性能的关键因素。此外，阳极厚度也被证实是影响系统性能的重要参数。这些发现为优化3D阳极结构提供了重要的指导依据。

为了进一步验证模型的有效性，研究团队进行了实际的3D打印实验。实验结果与模型预测结果高度吻合，表明XGBoost模型在预测MES发电能力方面具有较高的准确性。这种模型与实验相结合的方法不仅能够提高预测的可靠性，还能够为后续的材料设计和系统优化提供支持。通过机器学习的指导，研究团队能够更系统地分析不同参数对系统性能的影响，并据此调整阳极结构以实现更高的发电效率。这种数据驱动的方法为MES的优化设计提供了一种新的思路，有助于推动该技术在实际应用中的发展。

本研究的成果不仅为MES的发电能力预测提供了新的工具，也为未来3D阳极的设计和优化奠定了基础。通过机器学习的引入，研究团队能够更深入地理解阳极结构、电化学阻抗和发电能力之间的复杂关系。这一理解对于提高MES的效率和稳定性具有重要意义。此外，研究还表明，阳极的物理化学性质对系统性能具有重要影响，因此在设计和制造过程中需要充分考虑这些因素。通过合理选择材料类型和优化结构参数，可以进一步提升MES的发电能力和应用潜力。

本研究的成果对于推动MES在可持续污水处理、资源回收和环境修复中的应用具有重要价值。通过机器学习模型的建立，研究团队能够更高效地指导阳极材料的设计和系统配置，从而加快技术的开发进程。此外，研究还强调了数据的重要性，表明全面的数据集是构建准确模型的基础。因此，在未来的研究中，需要进一步扩大数据集的范围，提高数据的质量，并探索更多类型的机器学习算法以提升预测的准确性。同时，研究团队还建议在实际应用中结合实验验证和模型预测，以确保技术的可行性和有效性。

在研究过程中，团队成员各司其职，共同完成了数据收集、模型开发和实验验证等工作。其中，Jiannan Li负责软件开发、方法设计、数据分析、数据管理以及概念构建；Yijie Lin参与软件开发；Honglin Chen负责方法设计；Yanfang Song负责实验调查；Hongbo Mai负责数据可视化；Guohong Liu负责监督工作；Ye Qiu负责数据管理；Yujie Feng负责论文的撰写、审阅、编辑、项目管理以及资金获取。这些分工确保了研究的顺利进行，并为最终成果的产出提供了支持。

本研究还得到了国家科技部重点研发计划（项目编号：2024YFD2401302）的支持，同时获得了科技部重点领域的创新团队和黑龙江特聘团队的资助。这些支持为研究提供了必要的资源和条件，有助于推动该技术的进一步发展。研究团队希望未来能够将这一方法应用于更广泛的MES研究中，以探索更多可能的优化方案，并为实际工程应用提供支持。通过不断改进模型和实验方法，研究团队相信MES将在未来的环保和能源领域发挥更大的作用。