基于Wasserstein生成对抗网络数据增强的生物炭吸附磺胺类抗生素预测模型研究

针对磺胺类抗生素(SAs)在水环境中的生态风险及传统吸附实验效率低下的问题，本研究创新性地采用Wasserstein生成对抗网络(WGAN)数据增强技术，结合极限梯度提升(XGB)模型，成功预测了生物炭(BCs)对SAs的吸附行为。通过虚拟数据生成优化模型性能，为水环境中废料基BCs的吸附行为预测提供了新范式。

　　

磺胺类抗生素(SAs)作为合成抗菌药物，其在水体中的持续累积已构成严峻生态威胁。这类物质不仅会干扰微生物代谢，更可能加速抗生素抗性基因(ARGs)的传播。尽管生物炭(BCs)因其多孔结构和成本优势被广泛用于SAs吸附，但传统实验方法耗时费力，且缺乏系统性预测模型。更棘手的是，常规机器学习(ML)在样本量不足时表现受限，而生成式人工智能(GenAI)在环境领域的应用尚属空白。

为此，中国国家自然科学基金支持的研究团队在《Bioresource Technology》发表论文，首次将Wasserstein生成对抗网络(WGAN)引入BCs吸附预测领域。研究人员从49篇文献中提取944组数据，涵盖7种典型SAs（如磺胺甲恶唑、磺胺嘧啶等），以比表面积(S_BET
)、孔容(V_Total
)等12项特征构建数据集。通过WGAN生成虚拟数据增强样本，采用极端梯度提升(XGBoost)建模，并利用SHAP值解析特征贡献。

数据分布
统计显示BCs的S_BET
均值达173.11 m²
/g，但部分超大值拉高整体水平。吸附量呈右偏分布，暗示存在极端吸附案例。

模型性能
XGB在原始数据集上R²
达0.91，经WGAN数据增强后预测误差降低22%。生成数据与真实数据的Wasserstein距离仅0.03，证实数据质量。

特征解析
SHAP分析揭示初始浓度和S_BET
是主导因素。有趣的是，当pH>7时，π-π相互作用取代静电作用成为主要吸附机制。

结论与意义
该研究突破性地将WGAN-GenAI引入环境吸附预测，解决了小样本建模的行业痛点。所建模型可精准预测不同BCs对SAs的吸附量（误差<5%），为废水处理工艺优化提供决策工具。方法论层面，证实WGAN较传统GAN能有效避免梯度消失，其数据增强框架可推广至其他新兴污染物研究。团队特别指出，该方法对废料再生BCs的吸附性能预测具有独特优势，为循环经济下的环境治理开辟新路径。

（注：全文数据与结论均源自原文，未添加外部信息）