基于机器学习预测PHB/PHBV基材料热性能:采用集成聚合物数据库的定量结构–性质关系(QSPR)方法

《Polymers》:Machine Learning Prediction of Thermal Properties of PHB/PHBV-Based Materials: A Quantitative Structure–Property Relationship Approach Using an Integrated Polymer Database

【字体: 大 中 小 】 时间:2026年06月25日 来源:Polymers 5.8

编辑推荐:

  摘要:生物基可生物降解聚合物如短链长(short-chain-length, scl)聚(3-羟基丁酸酯)(poly(3-hydroxybutyrate), PHB)和聚(3-羟基丁酸酯-co-3-羟基戊酸酯)(poly(3-hydroxybutyrate-c

  
摘要:生物基可生物降解聚合物如短链长(short-chain-length, scl)聚(3-羟基丁酸酯)(poly(3-hydroxybutyrate), PHB)和聚(3-羟基丁酸酯-co-3-羟基戊酸酯)(poly(3-hydroxybutyrate-co-3-hydroxyvalerate), PHBV)广泛应用于医疗、制造及包装等领域。然而,较高的生产成本及其热性能(如玻璃化转变温度(glass transition temperature, Tg)、熔融温度(melting temperature, Tm)和结晶温度(crystallization temperature, Tc))调控的复杂性限制了其进一步应用。本研究报道了从文献(558例)和室内实验(14例)共收集572个实例构建的PHB和PHBV材料原始数据集,涵盖组成理化参数、分子特征及相应热特性。经数据质量评估和完整性筛选后建立用于机器学习(machine learning, ML)分析的精选数据集。研究人员采用随机森林(Random Forest, RF)和极端梯度提升(eXtreme Gradient Boosting, XGBoost)两种ML模型,结合整合化学描述符与聚合物特异性及实验变量的特征工程方法预测Tg、Tc和Tm值。通过系统考察不同输入特征组合探究最具判别力的描述符集。Tg和Tm最佳模型基于118个数据点,Tc基于201个数据点,三者的决定系数(R2)分别达0.77、0.82和0.76。尽管scl-PHA热性能预测结果可靠,本研究的主要局限在于部分目标属性样本量较小及文献中实验条件报告不完整可能引入数据变异。研究结果表明,精选聚合物数据集与可解释的ML模型可支持理性设计具有特定应用所需定制性能的可持续聚合物。
论文解读:基于机器学习预测PHB/PHBV基材料热性能——采用集成聚合物数据库的定量结构–性质关系(QSPR)方法
该论文发表于《Polymers》。
一、研究背景与意义
传统石油基塑料因其难降解性造成严重的环境污染,发展生物基可生物降解塑料(bio-based and biodegradable plastic products, BBpPs)如聚羟基脂肪酸酯(polyhydroxyalkanoates, PHAs)是重要替代路径。其中短链长(short-chain-length, scl)PHA中的聚(3-羟基丁酸酯)(poly(3-hydroxybutyrate), PHB)及其共聚物聚(3-羟基丁酸酯-co-3-羟基戊酸酯)(poly(3-hydroxybutyrate-co-3-hydroxyvalerate), PHBV)因较高结晶度和熔点被广泛研究,但其高生产成本、脆性、热加工窗口窄(熔融温度Tm接近降解温度Tdeg),且热性能(玻璃化转变温度Tg、结晶温度Tc、Tm)对单体组成和添加剂敏感,传统试错法效率低。现有通用聚合物数据库(如Polymer Genome、PoLyInfo)中PHA条目少、热性能数据不全、未区分scl-与mcl-PHA且忽略配方效应(共混、添加剂)。因此,研究人员构建了专针对scl-PHB/PHBV含配方信息的精选数据集,并采用机器学习(machine learning, ML)建立定量结构–性质关系(Quantitative Structure–Property Relationship, QSPR)模型预测其Tg、Tc、Tm,以支持可持续聚合物的理性设计。
二、主要关键技术方法
研究人员按PRISMA 2020流程从Scopus等数据库检索PHB/PHBV含添加剂体系文献,初检327篇,最终纳入109篇原始研究;整合14例室内实验DSC(Differential Scanning Calorimetry,差示扫描量热法)测得数据,共572例实例。原始数据经去重、单位标准化、缺失分子量按Mw=Mn×PDI重构、添加剂类别归为增塑剂(plasticizer)/填料(filler)/聚合物改性剂(polymer_modifier)/稳定剂(stabilizer)四类并One-hot编码、剔除>70%缺失列等预处理形成精选数据集。分别以Tg、Tc、Tm为因变量,基础特征集含HB_ratio_formulation、HV_ratio_formulation、重均分子量(weight-average molecular weight, Mw)、两种添加剂百分含量及类型,部分模型增入其余热性能作输入;按完整案例法筛选后数据集规模为Tg/Tm各118例、Tc201例。采用随机森林(Random Forest, RF)与极端梯度提升(eXtreme Gradient Boosting, XGBoost)回归,5折交叉验证网格搜索调参,通过SHAP(SHapley Additive exPlanations)值进行特征重要性分析,并用化学意义外部验证及适用性域(Domain of Applicability, DoA)评估。
三、研究结果
3.1. Data Curation(数据整理)
研究人员从109篇文献及14例室内实验构建含组成、分子量、添加剂及热性能的结构化scl-PHA数据库(公开于Zenodo),变量含25个数值与12个分类特征,遵循FAIR原则。
3.2.1. Sensitivity Analysis and Optimal Model Selection(敏感性分析及最优模型选择)
经对特征空间组成及离群值剔除的敏感性分析筛选,Tm最优模型为RF用基础特征+Tg+Tc并剔除训练集离群值;Tc最优为XGBoost仅用基础特征不剔除离群值;Tg最优为RF用基础特征+Tm+Tc并剔除训练集离群值。
3.2.2. Tm Prediction Model Performance(Tm预测模型性能)
RF模型(n=118,训练/测试 94/24)交叉验证R2=0.817,训练R2=0.935。SHAP分析表明HV比例升高降低Tm(破坏链规整性降低结晶),Mw降低亦降Tm,Tc与Tg与预测Tm正相关,添加剂种类及含量亦重要。
3.2.3. Tc Prediction Model Performance(Tc预测模型性能)
XGBoost模型(n=201,训练/测试 160/41)交叉验证R2=0.762±0.054,训练R2=0.972。SHAP显示Mw影响最大,高Mw因链缠结降低链迁移率使Tc降低趋势;高HV比因破坏结晶规整性使Tc降低;高HB比促进更稳定晶体使Tc升高。
3.2.4. Tg Prediction Model Performance(Tg预测模型性能)
RF模型(n=118)交叉验证R2=0.765,训练R2=0.960,交叉验证RMSE=4.05 ℃,MAE=2.68 ℃。SHAP显示Tm、Tc、Mw升高关联更高预测Tg(强分子间作用限制非晶区链运动),HV比升高则Tg降低(增加链柔顺性)。
3.3. Comparison of Predictive Performance Across Thermal Properties(不同热性能预测性能比较)
三目标最优模型泛化性能依次为Tm(CV R2=0.817)>Tg(0.765)>Tc(0.762),Tc模型交叉验证标准差最小。线性模型与SVR性能均不及树集成模型,表明scl-PHA结构–热性质关系具非线性。分子量重构可显著提升模型稳定性与精度。
3.4. Model Validation, Generalization and Applicability Domain Analysis(模型验证、泛化及适用性域分析)
严格逐研究留一法因数据稀缺致不稳定;采用化学意义外部验证(留出大样本研究中高温点)得Pearson相关系数0.71–0.91。Kennard–Stone分割确认随机分割未显著高估性能。DoA由训练集数值描述符取值范围界定。
四、讨论与结论
研究人员得出结论:通过文献与室内实验整合构建572例scl-PHB/PHBV专用精选数据集,经特征工程采用RF与XGBoost建立QSPR模型,最优模型交叉验证R2分别为Tm0.817(RF)、Tc0.762(XGBoost)、Tg0.765(RF)。SHAP分析揭示Mw、HB/HV单体比及其他热性能间热力学关联是影响预测的关键描述符,与已知聚合物物理相符。研究受限于文献DSC测试条件(升温速率、取点定义等)报告不一致引入噪声、部分目标样本偏少、仅比较两种集成算法。未来需扩大标准化数据集、纳入加工参数及更多ML架构以提升鲁棒性。该研究为scl-PHA信息学奠定数据基础,证明精选数据集结合可解释ML可支持生物可降解聚合物热性能的理性设计与优化,减少实验试错成本。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号