基于不同分子指纹的可解释机器学习预测金属有机框架对PPCP吸附性能研究

《Separations》：Interpretable Machine-Learning Prediction of PPCP Adsorption by Metal–Organic Frameworks Using Different Molecular Fingerprints

　　

摘要专业翻译 药品和个人护理产品（PPCPs）持续进入水生环境，引发了对其长期暴露潜在健康风险的关注。金属有机框架（MOFs）因其丰富的吸附位点和可调的孔结构，在PPCP去除方面展现出巨大潜力。然而，跨多种吸附剂和污染物进行实验筛选耗时费力。本研究开发了一种机器学习框架，用于预测PPCPs在接触时间下被MOFs吸附的容量，并识别影响模型预测的关键因素。研究共收集7324条吸附记录；其中7075条记录涵盖100种MOFs和39种PPCPs，用于模型开发和内部评估，另保留249条记录用于独立外部验证。研究人员采用MACCS键、二元Morgan指纹（BMF）和计数型Morgan指纹（CMF）对PPCP结构进行编码，并系统比较了八种机器学习模型。在所有模型-指纹组合中，BMF–CatBoost取得了最佳预测性能，测试集R2为0.9723，被选为最优模型。SHAP和累积局部效应（ALE）分析识别了与增强吸附容量相关的关键因素和有利响应范围。总体而言，本研究提供了一种数据驱动的方法论，用于MOF基PPCP吸附中的快速吸附容量预测、关键因素识别和实验条件优化。

论文解读

一、研究背景与问题提出

药品和个人护理产品（PPCPs）作为新兴微量有机污染物，在污水处理厂进出水、天然水体和饮用水源中被频繁检出。其持续性和扩散性释放导致水生态系统中的假持久性和慢性暴露，并可能通过饮用水和食物链进入人体，带来潜在的内分泌、生殖和发育风险。其中，抗生素类PPCPs还可能促进抗生素耐药菌和抗性基因的增殖与传播，进一步加剧水生生态风险。

在现有高级处理技术中，吸附法因能耗低、操作简单、处理效率较高且吸附剂可再生的优势，被公认为去除水中微量有机污染物的有效途径。金属有机框架（MOFs）由无机节点和化学可调的有机连接体组成，相比传统活性炭和离子交换树脂，具有超高比表面积、可调孔径和可设计的官能结构，在PPCP去除方面展现出显著潜力。然而，PPCP在MOF上的吸附受MOF结构性质、PPCP分子特征和实验条件的耦合效应共同支配，使得从单一研究建立普适的结构-性能关系十分困难。MOF设计空间极大，传统的"合成-表征-优化"试错研究路线在面临众多候选吸附剂和结构多样的污染物分子时效率低下且成本高昂。

尽管已有研究将机器学习应用于MOF吸附预测，但针对PPCP这类结构多样、官能团复杂的新兴微量有机污染物的吸附预测仍处于早期阶段。现有研究通常局限于少量吸附质或MOFs，在同一建模工作流程下对不同分子指纹的系统比较仍然匮乏。此外，吸附剂性质、污染物分子结构和实验条件各自对吸附容量的贡献，很少在统一的可解释框架内被审视。基于此，本研究开发了一个可解释的机器学习框架，用于预测文献报道的PPCP在MOF上的吸附容量。

二、研究内容与总体结论

研究人员从Web of Science数据库系统收集数据，将数据收集限定为水热合成法制备的MOFs以减少合成路径引入的异质性。共收集7324条吸附记录，其中7075条记录涵盖100种MOFs和39种PPCPs用于模型开发和内部评估，249条来自额外出版物的记录用于独立外部验证。研究人员采用三种分子指纹——MACCS键、二元Morgan指纹（BMF）和计数型Morgan指纹（CMF）——对PPCP结构进行编码，并系统比较了八种机器学习模型（随机森林RF、XGBoost、LightGBM、CatBoost、支持向量回归SVR、反向传播神经网络BP、K近邻KNN和线性回归LR）。经过五折交叉验证和Optuna超参数优化，BMF–CatBoost组合（指纹半径1，长度512位）取得最佳测试集性能，R²达0.9723。外部验证中，模型对249条独立记录取得R²为0.9096、RMSE为63.74、MAE为50.65的成绩，支持模型对已知MOFs内未见PPCPs吸附容量的预测能力。SHAP分析识别出初始浓度为影响模型预测的主要因素，ALE分析揭示了关键吸附参数和MOF特征的非线性响应关系及有利参数范围。该框架为MOF基PPCP吸附的快速预测、关键因素识别和实验条件优化提供了数据驱动的方法论。

三、关键技术方法

本研究采用的关键技术方法包括：其一，基于RDKit工具包从PubChem获取的SMILES字符串计算三种分子指纹（MACCS键、BMF和CMF），其中BMF和CMF测试了半径1和2以及长度128、256、512和1024的不同组合；其二，数据预处理采用Z-score标准化处理定量变量尺度差异，对分类变量（金属节点M、有机配体OL和水热合成温度WT）采用独热编码，缺失值采用合理近似填补（pH缺失按7.0赋值，温度缺失按25°C赋值，搅拌速率缺失按均值填补）；其三，模型开发采用八种机器学习算法与三种指纹的组合比较，以8:2比例随机划分训练集和测试集，结合五折交叉验证和Optuna超参数优化；其四，模型解释采用SHAP（Shapley加性解释）分析特征贡献和累积局部效应（ALE）分析识别有利参数范围。

四、研究结果

4.1 分子编码策略和机器学习模型对吸附容量预测的影响

研究比较了三种分子指纹在八种机器学习算法下的预测性能。总体而言，BMF在大多数模型中表现出相对更好的测试集性能，在八种算法中的六种（包括CatBoost、XGBoost、SVR、BP、KNN和LR）中取得最高R²和最低RMSE。五折交叉验证显示三种指纹在树模型中的表现相近。BMF记录的局部原子环境存在信息可能帮助模型区分与MOFs氢键、π-π相互作用和静电作用相关的PPCP官能团。因此BMF被选为后续模型评估和分析的分子指纹编码方法。

4.2 学习曲线分析与模型选择

学习曲线分析显示，集成学习模型（CatBoost、XGBoost和LightGBM）比核方法、神经网络和线性模型表现出更高且更稳定的交叉验证性能。CatBoost的训练集R²在各训练规模下保持接近0.9900，交叉验证R²随训练样本增加从约0.8400升至0.9600并逐渐稳定，训练与交叉验证曲线差距逐步缩小。SVR、BP神经网络和KNN表现较低且波动较大，线性回归在各样本规模下交叉验证R²为负值，表明简单线性关系不足以描述数据模式。综合拟合能力、交叉验证性能和学习曲线稳定性，CatBoost被选为最优模型，使用半径1、长度512位的BMF编码。独立外部验证中，BMF–CatBoost模型对249条记录取得R²为0.9096、RMSE为63.74、MAE为50.65。

4.3 关键特征识别与分析

基于平均绝对SHAP值，贡献最大的20个特征包括七个实验参数、八个MOF相关特征和五个PPCP相关分子指纹位。初始浓度（IC）具有最高的平均绝对SHAP值，SHAP值分布呈高度一致的单调正趋势，表明吸附容量随初始浓度增加而显著提高，这与液-固浓度梯度增大促进传质和吸附位点占据有关。特征消融分析显示，移除IC使测试集R²从0.9723降至0.7632，而仅用IC的模型R²仅为0.1730，表明IC是重要预测因子但不足以单独解释完整模型性能。较高的MOF投加量与负SHAP值相关，可能因为过量吸附剂使活性位点未饱和且增加了吸附容量计算中的吸附剂质量。较长吸附时间主要与正SHAP值相关，可能因为延长接触时间使孔内扩散和吸附位点占据更完全。金属节点与有机配体的摩尔比与吸附容量正相关，较高比例可能意味着金属中心相对丰度更大，增加配位、Lewis酸碱或静电相互作用可能性。较大孔径改善污染物分子可及性和孔填充效率，较高孔体积提供更大容纳空间。指纹位fp_491（常含二芳胺相关子结构）通过Lewis酸碱配位、氢键和π-π相互作用增强亲和力；fp_189的正贡献可能与数据集中的钠盐PPCPs（如双氯芬酸钠和吲哚美辛钠）相关，解离后的PPCP阴离子与MOF表面带正电位点发生静电吸引；fp_203相关阴离子氧可通过静电吸引和电荷辅助氢键促进吸附；fp_183（醚键相关）总体呈负贡献，可能因为中性醚氧与MOF活性位点作用较弱且增强污染物分子水合作用，增加其从水相转移至MOF孔内的能量代价。

4.4 MOF特征和实验参数对吸附容量的累积局部效应

ALE分析确定了改善吸附性能的有利参数范围。初始浓度在76 mg/L时ALE贡献转为正值，并显著增加至466 mg/L拐点，此后增速减缓，因此76–466 mg/L被确定为有利范围。MOF投加量在较低水平（约1–8 mg）表现出较强正效应。吸附温度在15–26°C范围内响应较好，搅拌速率在188–225 rpm范围内呈相对稳定的正响应。吸附时间在105–2880 min内逐渐进入稳定的高响应区域。pH约2.5–8.0时ALE值保持正贡献，高于8后急剧下降转为负值，可能与PPCP电离状态和MOF表面电荷变化导致的静电吸引减弱或排斥以及OH^?竞争有关。溶液体积在37–600 mL内呈稳定正贡献。MOF相关特征方面，金属节点与有机配体摩尔比在4–65范围内响应较高。合成温度有利范围约为42.5–67°C和168–220°C，合成时间有利范围约为2–18 h和32–70 h。比表面积、孔体积和孔径的有利范围分别为830–3398 m²/g、0.3–2.3 cm³/g和3–29 nm。ALE识别的特征响应趋势与SHAP结果总体一致，两种解释方法表现出良好一致性。

五、讨论与结论总结

研究讨论部分指出，分子指纹位点的机理解释基于机器学习模型识别的统计关联，应视为模型假设而非特定吸附机制的直接证据，需进一步实验验证。ALE确定的有利参数范围受训练数据分布和覆盖范围的约束，不应视为普遍最优条件，其在实际废水处理中的适用性需在真实水条件下进一步验证。当前框架的局限性包括：独热编码无法充分捕捉有机配体的几何和电子性质；数据集主要反映实验室规模吸附条件，未充分考虑实际废水中天然有机物质和竞争污染物的影响。

研究结论为：本研究开发了可解释的机器学习框架，使用包含7075条吸附记录、100种MOFs和39种PPCPs的模型开发数据集预测PPCP在MOF上的吸附容量。八种机器学习算法和三种分子指纹表征被评估，BMF–CatBoost（指纹半径1、长度512位）取得最佳内部测试集性能。使用249条来自两个独特MOF–PPCP对的额外吸附记录进行外部验证，取得R²为0.9096、RMSE为63.74、MAE为50.65，支持模型对已知MOFs内未见PPCPs吸附容量的预测能力。SHAP分析识别初始浓度为影响模型预测的主要因素，ALE分析揭示了关键吸附参数和MOF特征的非线性关系和有利响应范围。该框架为预测MOF–PPCP吸附容量和识别影响因素提供了有用方法，为吸附剂筛选和实验设计提供初步指导。