面向可降解聚酯的机器学习：从降解预测到闭环循环设计

《Materials Today Sustainability》：Machine learning for degradable polyesters from prediction to circular design

　　

可降解聚酯在生物医学材料、可持续包装、酶促塑料回收和循环聚合物设计中处于核心地位，但其降解仍难以预测，因为酯键断裂受到断链拓扑、自催化、结晶度、形态、传质、酶可及性和回收路径的共同过滤。此外，水解速率、分子量衰减、质量损失、生物降解程度、矿化、单体回收以及酶–聚合物相容性等常用终点并不可互换。机器学习（ML）为组织这种复杂性提供了途径，但当前进展分散于碎片化数据集、异质标签和仅部分可迁移的聚合物信息学工具中。本综述围绕ML能力而非聚酯家族或降解机理来组织文献。研究人员首先总结聚酯水解、酶促降解和定向解聚的机理基础；随后考察与聚酯降解相关的数据集、聚合物和蛋白质表示及可解释性方法，继而介绍用于预测和表征水解动力学、分子量衰减、生物降解、热降解、光谱特征、散射图谱和核磁共振（NMR）衍生降解状态的ML模型。最后，研究人员讨论面向设计的ML，包括聚对苯二甲酸乙二醇酯（PET）降解酶的工程改造与发现、聚羟基脂肪酸酯（PHA）和含氧聚酯化学的虚拟筛选与逆向设计，以及面向合成、解聚和过程设计的新兴贝叶斯优化（Bayesian optimization）和闭环研究。研究人员指出该领域下一阶段的四个优先方向：标准化降解数据集；将定义的降解终点和闭环回收性能作为直接ML目标；聚合物–酶/级联协同设计；以及将分子ML与过程经济性和生命周期评价（LCA）整合。

该综述由Nazmul Shuzan、Xianyou Liu、Lijin Wang、Jialun Wei、Yung Chang和Jie Zheng完成。全球塑料年产量已超过4亿t，但机械回收不足10%，大量塑料废物进入土壤、淡水和海洋环境。聚酯兼具性能可调性与可化学处理的酯键，可经水解、酶解、溶剂解和定向解聚转化为单体或可回收产物，因而处于线性塑料经济向循环经济转型的中心。然而，聚酯降解不是单一事件或单一指标：酯键断裂受断链拓扑、自催化、结晶度、形态、传质、酶可及性和回收路径共同控制；水解速率、分子量衰减、质量损失、生物降解度、矿化、单体回收及酶–聚合物相容性等终点不可互换。现有机器学习（machine learning, ML）研究又受限于数据集碎片化、标签异质、聚合物信息学工具迁移性不足，且设计型研究多优化热学、力学、渗透性或合成质量等间接目标，较少直接优化降解与闭环回收性能。为此，研究人员以“机理—模型—设计”框架，按ML能力组织文献，评估可比较的降解标签、可用数据集、可编码酯化学与材料状态及降解语境的表示、可预测/表征降解的模型，以及面向可降解或可回收聚酯发现的设计研究；其意义在于把聚酯降解从经验筛选推进到可预测、可设计、可闭环验证的降解感知ML框架。

技术方法概括：作者采用叙述性综述与比较分析，以ML任务组织文献；汇总比较PoLyInfo、Khazana、PI1M、OpenPoly、Open Macromolecular Genome及水生生物降解数据集等，评述PSMILES、BigSMILES、层次描述符、图神经网络、polyBERT、TransPolymer及蛋白质语言模型等表示，并梳理SHAP、LIME、Grad-CAM、RFE和决策树提取等可解释性方法；归纳水解、分子量衰减、生物降解、热降解、光谱/散射和NMR模型，并比较验证策略、独立实验单元、外推与适用域。样本队列来自文献聚合数据、公开数据库/序列库及部分作者团队补充实验（如OECD 301B/D水生降解、海水暴露、商业膜和体外PLGA数据），不涉及试剂、培养和质粒构建操作。

研究结果：
2.1 酯键水解：中性、酸催化和碱催化水解均经四面体中间体，常规水相以酰–氧键断裂为主，pH与介质决定表观速率，故跨数据集pH条件不可直接比较。
2.2 断链拓扑与链级降解：随机断链使M_n先降而质量损失滞后；优先链端水解直接释放可扩散片段；回咬/分子内酯交换生成环状单体或寡聚物；羧酸端基自催化使表观M_n(t)/M_w(t)包含产物滞留反馈。
2.3 内在不稳定与可及性：观察降解由酯键内在反应性与水摄取、结晶度、T_g、形态、孔隙、几何和传质共同控制，结晶区限制水与链段迁移，故仅用重复单元描述符会产生域偏移。
2.4 聚合物界面酶解：丝氨酸水解酶Ser–His–Asp/Glu催化三联体经酰–酶中间体完成酰–氧断裂；致密半结晶聚酯主要受表面吸附、链段抽取、活性位点结合、产物抑制和可及性限制，endo/exo裂解模式影响产物分布。
2.5 定向解聚与循环溶剂解：环状单体聚酯依据单体–聚合物平衡与T_c经ROP/RCDP回收单体；缩合聚酯PET等主要经水解、甲醇解、糖酵解、氨解或环化解聚得到TPA、DMT、BHET或环状寡酯；文章强调转化率、产物收率/选择性、回收纯度、催化剂/溶剂回收和再聚合质量属不同层级证据。
3.1 聚合物数据集：PoLyInfo、Khazana、PI1M、共聚物数据集、Open Macromolecular Genome、OpenPoly和水生生物降解数据集提供上游性质、结构预训练、可合成骨架或多性质基准，但均非为聚酯降解/闭环循环专门构建；水生生物降解数据集含74种聚合物1779个点及OECD 301B/D实验，是最接近降解训练资源者。
3.2 聚合物表示：PSMILES适合重复单元化学；BigSMILES可表示随机/嵌段/支化等集合；层次描述符可解释；图神经网络（如polyGNN、POLYMERGNN）适合共聚与结构感知；polyBERT、TransPolymer提供可迁移嵌入；但结构表示通常不编码M_w、分散度、结晶度、形态、加工史、试样几何与实验环境，需与材料状态和语境变量结合。
3.3 可解释性：SHAP、LIME、Grad-CAM、RFE和决策树提取被用于检验模型是否关注酯密度、烷基链长、芳环、醚键、侧链、加工温度、NIR波段、WAXD/SAXS峰和NMR/力学/热学特征；但归因是数据集内统计关联，不是因果证明，不同方法可能给出不同图像区域或特征重要性。
4.1 水解与分子量衰减：受控PLA加速老化用小型ANN由温度、湿度、时间等预测拉伸强度；文献聚合PLGA（484点/30研究）和PET水解（942点/44特征）用梯度提升/神经网络分别达R²=0.90和R²=0.93，SHAP显示时间、M_w、乳酸:乙醇酸比及操作条件/催化剂重要；PLA挤出过程用RFE-RF融合NIR与传感器预测屈服应力和M_w，识别挤出机出口熔温与C–H伸缩/弯曲区。
4.2 生物降解：642种聚酯/聚碳酸酯高通量清区实验用RDKit描述符随机森林达82%验证准确率，补充M_w或结晶度未提升；74种聚合物/1779点水生好氧生物降解数据用XGBoost/RF达R²_test=0.66，SHAP显示时间、T_d、M_w及酯/碳酸酯基元负贡献；三套异质数据用RankSVM转成相对可降解性排序并映射4577种PoLyInfo聚合物；PHBV专用数据集93实例/1364点达R²_test≈0.95、R²_unseen≈0.97，时间、温度、HV比、表面侵蚀机制和添加剂重要；跨环境迁移仍困难。
4.3 热降解与光谱表征：FTIR+ANN/多类分类器对3D打印PLA热老化分级，光谱预处理、仪器和分类器显著影响结果；TGA/FTIR+ANN/DNN对PLA/木质素共热解、PLA/棕榈叶、PCL/PVC共混等质量损失轨迹高精度拟合并辅助动力学；WAXD/SAXS图像CNN可区分PBS/PBSA/PLLA及结晶温度，双通道融合优于单模态；时变NMR+RF/CNN追踪七种可降解聚酯海洋降解，随机森林R²=0.81，特征重要性随时间从力学转向NMR/热学。
5.1 聚酯降解酶工程：3D-CNN microenvironment scoring在IsPETase/ThermoPETase/DuraPETase预测稳定突变，FAST-PETase在50 °C 96 h释放33.8 mM单体、较ThermoPETase提高38倍；该策略迁移至TfCut2，8/10替换保持或提高活性，重组变体活性提高2.9–5.3倍、热失活中点提高5.7 °C；GVP-GNN+meta-learning在FAST-PETase/DepoPETase/BsEst中优选多温度活性变体，FAST-Y61Q与DepoPETase-S181Y在70/60 °C活性提高4.9倍，BsEst-Y109R提高TPA产量5.5倍；HMM+SVM+AlphaFold、三轮ML+HTP、Foldseek+ProstT5等挖掘新支架，KbPETase在50 °C活性较IsPETase高97倍、T_m=80.1 °C；IsMHETase设计提高溶解度但部分ProteinMPNN替换损害催化活性，显示通用蛋白设计工具在专用酶亚类中的局限。
5.2 新可降解聚酯化学设计：多任务DNN在约2.3万PoLyInfo数据上预测PHA–常规共聚物约140万候选的13种性质，筛出14种PHA基候选替代七种大宗塑料，但验证为信息学而非实验；PHA子空间用RF+T_g/T_m模型和进化算法在固定T_m下提高T_g；741个ROP实验构成二部知识图谱，node2vec+RF推荐单体–催化剂组合，40个二值实验中35个匹配；PolyReco用图链接预测设计143种含氧ABA三嵌段及331种均聚物冷启动，三种实验合成三嵌段分别达到HIPS、PDMS和苯乙烯类弹性体σ–ε窗口。总体这些研究多优化服务性能/合成质量，未直接以降解或闭环回收为ML目标。
5.3 闭环ML合成与化学回收过程优化：BO在576种salen/salan-Al配体空间中7轮达到P_m>0.8或P_r>0.8，随机搜索12轮未收敛；AI-Chemist+GPT-4o嵌入+机器人高通量在60酸×186碱的11160对中优化PET糖酵解，锌特戊酸/N,N′-二乙基乙二胺在20 min获95% BHET收率，五次复用后约70%，但未展示BHET再聚合为PET及完整闭环；Aspen Plus+BO优化3000 kg·h^?1 PET制对二甲苯/甲苯流程，总年化成本降4.2–4.4%，但最低售价仍高于2022市场价，原料价格主导成本；低场NMR+CNN自编码器提取GAP潜特征用于BO，30 min NMR可替代约30天生物降解测定作为代理。

讨论与结论翻译：第6节指出，面向可降解聚酯的ML已从孤立概念验证发展为新兴设计生态，但核心限制是数据碎片化、目标间接，以及把聚合物化学、酶特异性、降解环境和过程经济分开处理；下一阶段更依赖数据、目标、实验与部署约束围绕降解本身对齐。优先项包括：建立降解专用数据集与基准，保留M_n、分散度、结晶度、形态、酶/催化剂、pH、温度和终点等元数据，并按聚合物、研究、条件或环境分组划分并进行外部验证；把水解动力学、酶敏性、矿化速率、产物身份及化学回收多目标（转化率、收率/选择性、回收纯度、催化剂/溶剂回收、能耗、混合料耐受、再聚合质量和循环稳定性）作为直接ML目标；开展聚合物–酶/级联协同设计，超越PET并考虑PLA、PCL、PBS、PBAT、PHA等；部署感知ML需纳入过程经济、LCA和工业约束；量化不确定性和适用域，区分预测不确定性与实验变异，采用集成、高斯过程、保形预测和距离/密度度量，并在前瞻设计中用不确定性指导实验；推荐报告独立实验单元、基线比较、负结果、机器可读数据与代码，并尽可能进行独立前瞻验证。结论可译为：该领域不仅需要更大数据集、更好描述符或更准模型，还需要“降解感知ML”，将聚酯降解视为键化学、链结构、形态、传质、酶/催化剂相互作用、环境暴露和回收目标耦合的结果；整合化学感知表示、机理分辨降解标签、不确定性引导实验、逆向设计和闭环验证，可推动可降解聚酯从经验材料选择走向可编程寿命终点设计，使聚合物在使用期有用、降解期可预测、使用后可回收或可同化。