《Surfaces and Interfaces》：An Innovative Machine Learning Approach to Predict Electronic Properties and Multifunctional Performance of Ag–Sepiolite Nanocomposites
编辑推荐：
Ag–sepiolite纳米复合材料通过薄荷叶提取物绿色合成，表现出高效甲基蓝降解能力（4分钟内降解98%），具有高重复使用率（88%以上）和广谱抗菌活性（对革兰氏正/阴性菌及真菌有效），同时机器学习预测揭示了其电子特性与催化性能的关联。
本乌阿里·穆罕默德·埃拉明（Benouali Mohamed Elamine）、穆罕默德·贝尔吉拉利（Mohammed Beldjilali）、索米娅·米苏姆·本齐安（Somia Missoum Benziane）、姆哈迈德·盖祖尔（M'hamed Guezzoul）、S·埃尔-加马尔（S. El-Gamal）、伊萨姆·伊斯梅尔（Issam Ismail）、沙希坎特·P·帕托莱（Shashikant P. Patole）、斯迈因·布萨莱姆（Smain Bousalem）、亚历杭德罗·希门尼斯（Alejandro Jiménez）、米格尔·A·维森特（Miguel A. Vicente）、拉奎尔·特鲁希利亚诺（Raquel Trujillano）
阿尔及利亚艾因泰穆昌特大学（University of Ain Temouchent）应用化学实验室（Laboratory of Applied Chemistry, LAC）
摘要
本研究报道了一种利用Mentha aquatica叶提取物制备Ag–海泡石纳米复合材料的简便且环保的方法，该提取物同时起到了还原剂和稳定剂的作用。通过XRD、FT–IR、SEM、EDX、TEM和XPS等手段对原始海泡石及所得纳米复合材料进行了全面表征，证实银纳米粒子（AgNPs）成功负载在纤维状海泡石基质上，并表现出均匀分布，同时证实了金属与载体之间的相互作用。评估了Ag–海泡石在NaBH?存在下催化还原亚甲蓝（MB）的性能，发现其具有快速伪一级动力学特性，表观反应速率为0.60 min?1，在优化条件下4分钟内可降解超过98%的亚甲蓝。该催化剂具有优异的重复使用性，经过五次循环后仍保持88%以上的催化效率。此外，Ag–海泡石纳米复合材料对革兰氏阳性菌（金黄色葡萄球菌、枯草芽孢杆菌）和革兰氏阴性菌（大肠杆菌、伤寒沙门氏菌）表现出显著的抗菌活性，同时对白色念珠菌也具有很强的抗真菌活性。通过2,2-二苯基-1-吡啶基肼（DPPH）和铁还原抗氧化能力（FRAP）测试验证了其抗氧化潜力，结果显示其自由基清除能力和铁还原能力均优于纯海泡石或植物提取物。此外，利用基于X射线衍射数据的结构描述符，通过机器学习方法预测了该复合材料的电子特性（如原子能量和光学带隙），从而揭示了其增强的反应性和催化效率。本工作突显了AgNPs与海泡石之间的协同效应，为环境修复和催化应用提供了一种可持续的方法。
引言
有机染料在纺织、皮革、化妆品、塑料、纸张和涂料等多个行业中被广泛用作着色剂[1]。大量未使用的染料被排放到水系统中，对水生生物构成严重威胁[2]。许多有机染料（包括亚甲蓝）具有较高的化学稳定性和毒性，其中一些甚至可能致癌[3]，从而威胁人类健康并加剧环境污染[4]。亚甲蓝是最常用的水溶性染料之一，广泛应用于皮革加工、棉织物染色、鞣制和纺织品印刷等领域。目前已开发出多种方法来处理含染料的废水，包括吸附和催化降解[5]。然而，仅靠吸附往往无法完全去除废水中的有机染料，且从吸附剂中回收染料也颇具挑战性[6]。因此，将这些有害染料转化为环境友好型产物至关重要。传统的物理化学和生物方法通常难以有效去除水中的这些染料。为克服这些限制，催化系统的应用受到广泛关注，被视为废水处理的有前景策略[7]。
海泡石是一种天然存在的矿物，属于2:1粘土矿物组，具有独特的晶体结构和明确的化学组成。从化学角度来看，海泡石是一种水合镁硅酸盐，在自然界中分布广泛。其独特的形态特征——由延长的纤维状结构和晶体内的平行通道组成——使其区别于传统的层状粘土和其他层状硅酸盐[8]。这种结构使其可以通过多种物理和化学方法进行改性，例如浸渍活性物质，从而适用于光催化等应用。
近年来，金属纳米粒子因其在催化、生物传感、医学、生物技术和农业领域的广泛应用而受到广泛关注。其中，银纳米粒子（AgNPs）因尺寸和形态依赖性的光化学及电子特性而在许多应用中表现出巨大潜力[9]。因此，大量研究致力于AgNPs的大规模制备。生产胶体AgNPs的最简单和最有效方法之一是利用生物方法还原Ag?离子[10]。这种方法具有快速、简便的优点，并能调控纳米粒子的尺寸，从而调节其物理化学性质[11]。传统上，胶体AgNPs是通过外部还原剂和稳定剂制备的。然而，使用植物提取物、生物聚合物、微生物和生物质衍生物等环境友好型替代品已成为更可持续的选择[12]，相比传统的还原/稳定剂（如NaBH?、乙二醇C?H?O?和N?H?），这些方法具有显著的生态和经济效益。
Mentha aquatica是唇形科（Lamiaceae）的一种多年生草本植物，在阿尔及利亚民间医学中传统上用于缓解呼吸道疾病和普通感冒。最新研究表明，其水提取物具有抗氧化、抗炎和抗菌等多种生物活性[13]。
在之前的催化研究中，Murugan等人合成了石墨化C?N?负载的AgNPs，在NaBH?存在下表现出优异的MB降解催化性能[14]。Paramesh等人利用西玛鲁巴油籽粕中的皂苷制备了AgNPs固定的TiO?纳米管，并将其用作还原硝基酚、亚甲蓝、甲基橙和刚果红的催化剂[15]。Alula等人制备了负载银纳米粒子的Fe?O?，并以4-硝基酚作为还原剂、邻苯二胺作为过氧化物酶底物进行了性能评估[16]。
近年来，机器学习（ML）已成为模拟和预测先进材料物理化学性质的重要工具，在吸附、催化还原[17]、[18]、[19]、光降解和能量存储[20]等领域取得了成功应用。大量文献致力于利用元素描述符预测材料性质。例如，Mistewicz等人[21]使用21个原子描述符（从摩尔质量和原子半径到电离能和熔点/沸点）通过线性回归预测了能隙Eg值。然而，这些模型往往忽略了材料的晶体结构和纯度的影响。本研究通过将实验结构数据直接纳入预测框架，与现有文献有所不同。我们的方法不仅依赖表格化的原子性质，还结合了X射线衍射（XRD）数据以及原子能量和带隙测量结果作为主要描述符，这一创新使得ML模型能够考虑影响电子性质的结构变化和相特性——这些因素在纯元素基础研究中常被忽略。此外，对比了九种不同的ML架构以确保模型的稳健性和可靠性，提供了超出单一算法研究范围的评估结果。
本研究报道了一种利用Mentha aquatica叶提取物制备的Ag–海泡石纳米复合材料，用于去除亚甲蓝。该植物提取物同时作为还原剂促进纳米复合材料的形成，并作为封端剂防止粒子聚集。通过XRD进行结构鉴定，SEM观察表面形态，FTIR分析活性化学基团，TEM实现高分辨率成像，XPS分析表面化学组成。随后评估了纳米复合材料在NaBH?作为还原剂条件下对亚甲蓝的催化性能，并进行了详细的动力学分析。还评估了其对代表性菌株的抗菌活性：革兰氏阳性菌Staphylococcus aureus ATCC 6538和Bacillus subtilis ATCC 6633、革兰氏阴性菌Escherichia coli ATCC 25922和Salmonella typhi ATCC 6539以及真菌Candida albicans ATCC 10231的抗菌效果。通过DPPH和FRAP测试验证了其抗氧化潜力，结果显示其具有显著的自由基清除和铁还原能力。
材料
Mentha aquatica的叶子于2025年3月25日至4月3日期间从阿尔及利亚西部的特莱姆森省（Tlemcen province）森林地区新鲜采集，采集过程中采取了严格的措施以保持其完整性。分析级化学品（包括硝酸银AgNO?、硼氢化钠NaBH?、海泡石和亚甲蓝）均购自Sigma-Aldrich公司，使用前未经处理。所有实验过程中均使用蒸馏水。
通过XRD进行的结构和晶体学分析
图2展示了原始海泡石和Ag–海泡石纳米复合材料的XRD图谱。纯海泡石在2θ ≈ 7.3–7.5°处显示特征性的宽反射峰，这对应于其基面（110）结构[25]。峰形的宽化反映了海泡石的微晶（半结晶）性质，这是由于其内在的结构无序和较小的相干域尺寸所致。
结论
本研究采用绿色化学方法，利用Mentha aquatica叶提取物成功制备了Ag–海泡石纳米复合材料。通过XRD、FTIR、SEM–EDX、TEM和XPS对制备的纳米复合材料进行了全面表征，证实了银纳米粒子的形成及其在海泡石基质中的有效嵌入，同时证明了银纳米粒子与海泡石框架之间的强相互作用。
评估了Ag–海泡石的多功能性能。
作者声明
本乌阿里·穆罕默德·埃拉明（Benouali Mohamed Elamine）：数据分析、方法论设计、概念构建、实验研究、初稿撰写。穆罕默德·贝尔吉拉利（Mohammed Beldjilali）：概念构建、验证、方法论设计、可视化、初稿撰写、审稿与编辑、软件应用、数据分析、项目管理。索米娅·米苏姆·本齐安（Somia Missoum Benziane）：方法论设计、软件应用、数据分析。姆哈迈德·盖祖尔（M'hamed Guezzoul）：审稿与编辑、软件应用、方法论设计。S·埃尔-加马尔（S. El-Gamal）：
资金支持
本研究未获得任何外部资金支持。
CRediT作者贡献声明
本乌阿里·穆罕默德·埃拉明（Benouali Mohamed Elamine）：可视化处理、软件应用、实验研究、数据分析。穆罕默德·贝尔吉拉利（Mohammed Beldjilali）：初稿撰写、可视化处理、实验指导、方法论设计、数据管理。索米娅·米苏姆·本齐安（Somia Missoum Benziane）：方法论设计、数据分析。姆哈迈德·盖祖尔（M'hamed Guezzoul）：审稿与编辑、软件应用、方法论设计。S·埃尔-加马尔（S. El-Gamal）：审稿与编辑、验证工作、软件应用。伊萨姆·伊斯梅尔（Issam Ismail）：软件应用、资金筹集。
利益冲突声明
“作者不存在需要披露的相关财务或非财务利益。”
致谢
本研究得到了阿尔及利亚“科学研究与技术发展总局”（DGRSDT）的资助。
