《Chinese Journal of Chemical Engineering》：Avoiding Regrettable Substitution: Prospective Eco-Design of Plastic Additives with Multidimensional Sustainability
编辑推荐：
摘要
塑料添加剂可以提升材料性能，但其可持续性风险往往是在事后评估的，而不是在分子设计阶段就加以考虑的。仅关注单一的可持续性维度（如毒性）可能会导致不必要的替代选择。为了支持前瞻性的生态设计，本研究开发了一个基于约束的进化优化框架，用于多目标逆向分子设计，以开
摘要
塑料添加剂可以提升材料性能，但其可持续性风险往往是在事后评估的，而不是在分子设计阶段就加以考虑的。仅关注单一的可持续性维度（如毒性）可能会导致不必要的替代选择。为了支持前瞻性的生态设计，本研究开发了一个基于约束的进化优化框架，用于多目标逆向分子设计，以开发可持续的塑料添加剂。该框架结合了基于片段的分子生成、遗传算法驱动的优化、机器学习筛选以及结构复杂性约束，从而生成具有较低全球变暖潜力（GWP）和毒性的候选物质，同时保持其化学相关性。优化后的候选物质与原始化学结构较为接近，并展现出更好的可持续性表现。在76个塑料添加剂子类别中，95%的候选物质的GWP预测值有所降低，平均降低了21.8%；64个类别的毒性预测值也出现了下降或不变。进一步的重构分析表明这些候选物质具有初步的合成可行性。这些结果证明了将预测的GWP、毒性风险和结构实用性整合到前瞻性分子设计中的可行性，为避免在塑料添加剂中做出遗憾的替代选择提供了方法论支持，并为开发更环保的工业化学品提供了方向。
引言
塑料污染已成为一个全球性的环境治理问题[1]。关于国际塑料条约的谈判强调了生命周期治理的必要性。典型的塑料产品通常包含主要聚合物、塑料添加剂、聚合过程中产生的残留化学物质以及非有意添加的物质[2][3][4][5][6][7]。塑料添加剂被广泛用于提升塑料性能，并涉及生产、加工、使用、回收和处置等多个生命周期阶段。现有研究通过物料流分析、生命周期评估和情景分析等方法评估了塑料添加剂的生命周期环境影响，并提出了包括来源替代、市场结构调整和回收管理在内的解决方案[8][9][10][11][12][13][14]。然而，这些方法主要描述了现有的环境影响并提出了管理方案，但在生成化学上相关的低影响替代品方面支持有限。
塑料添加剂的治理不应仅依赖于末端控制，还应该向前延伸到分子设计和产品开发阶段[15][16]。在前瞻性的塑料添加剂生态设计中，人工智能（AI）辅助的分子设计已被应用于有机磷阻燃剂（一类主要的塑料添加剂）[17]，通过综合评估功能、吸收性、降解性和毒性来改进候选物质的选择。针对全氟烷基和多氟烷基物质的相关案例研究也探索了分子设计的权衡，但这些研究主要关注多种毒性指标[18]。然而，塑料添加剂的可持续性不仅取决于毒性[19]，还取决于物质流动、生命周期环境影响、危险特性和回收兼容性。因此，现有研究仍主要集中在特定的添加剂类别上，优化目标主要集中在功能性和毒性上[20][21][22][23]，这不足以作为可持续添加剂设计的充分基础。目前，对可持续塑料添加剂的多维度前瞻性分子设计研究仍不充分。尚不清楚是否可以系统地重新设计塑料添加剂，同时降低生命周期环境影响和毒性风险，同时保持其化学相关性、结构实用性和初步的合成可行性[24]。
章节摘录
整体工作流程
本研究的设计目标是通过受限的逆向分子设计开发低碳和低毒性的塑料添加剂[23]。该设计任务被构建为一个离散分子空间中的黑箱优化问题，旨在生成具有较低全球变暖潜力和毒性风险的候选添加剂分子，同时保持化学有效性、合理的结构复杂性和潜在的合成可行性。如图1所示，
候选塑料添加剂分子的化学空间分布及双目标优化结果
双目标优化降低了热稳定剂的GWP预测值并选出了毒性风险较低的候选物质，同时保持了与原始化学结构的关联性。如图2a所示，不同类别的塑料添加剂在二维化学空间中表现出不同的聚类模式。
图2b展示了不同优化目标下的分子迁移路径。仅考虑GWP、仅考虑毒性以及同时考虑GWP和毒性的优化路径存在差异，
讨论
本研究表明，塑料添加剂? 绿色替代措施可以提前应用到分子设计阶段。通过结合基于片段的基础分子生成、遗传算法优化、GWP预测、毒性预测和重构分析，所提出的框架为设计具有更好环境和毒性特性的塑料添加剂候选物质提供了早期筛选策略[35][36][37]。
结果还强调了...
结论
本研究通过结合基于片段的分子生成、遗传算法优化、基于机器学习的GWP和毒性预测以及重构可行性分析，开发了一个前瞻性的生态设计框架。该框架允许在分子设计阶段就对候选分子进行筛选，而不仅仅是生产和使用之后。
在76个塑料添加剂子类别中，优化后的候选物质显示出更优的...
CRediT作者贡献声明
胡珊颖： 监督。 赵凯： 写作 – 审稿与编辑、撰写初稿、可视化、验证、方法论研究、概念构建。 陶然： 写作 – 审稿与编辑、撰写初稿、可视化、验证、方法论研究、概念构建。 王晓楠： 资源协调。 彭希婷： 数据调查。 王驰： 写作 – 审稿与编辑、撰写初稿。
作者声明没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。
利益声明
?作者声明没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。
致谢
本研究得到了国家自然科学基金（编号：U24B6016）的支持。
Ran Tao | Kai Zhao | Chi Wang | Xiting Peng | Xiaonan Wang | Shanying Hu
