基于IWOA-Stacking方法的深度共晶溶剂在木质纤维素预处理性能预测中的应用

《Bioresource Technology》：Prediction of lignocellulosic pretreatment performance using deep eutectic solvents based on IWOA-Stacking

　　

• •
  开发了一种基于IWOA-Stacking的模型，用于预测木质纤维素（DES）的预处理效果。
• •
  IWOA-Stacking在R-Cellulose和d-Lignin上的测试集R²分别为0.951和0.953。
• •
  SHAP分析揭示了影响R-Cellulose和d-Lignin的关键变量。

引言

化石资源的逐渐枯竭，加上其开采和利用所带来的环境负担不断增加（Amesho等人，2023年；Chen等人，2020年），使得对环境友好和可持续的替代资源系统的需求日益迫切（Chourasia等人，2022年；Gao和Dai，2025年；Yi等人，2023年）。在这种背景下，木质纤维素生物质作为一种丰富的可再生资源受到了广泛关注（Wang等人，2025年）。它也被认为是一种有前途的原料，可以减少对化石资源的依赖（Long等人，2025年；Zhao等人，2026年）。木质纤维素生物质主要由三种主要成分组成：纤维素、半纤维素和木质素（Abolore等人，2024年；Lu等人，2025年；Saravanan等人，2022年）。然而，这些成分通过共价键和非共价相互作用相互连接（Ma等人，2022年；Mankar等人，2021年），形成了一个紧密且难以降解的结构网络，限制了木质纤维素的有效利用。因此，有效的预处理策略对于降低结构阻力、改善成分分离至关重要，从而实现木质纤维素生物质的增值利用。

酶辅助脱木质素（DES）是一类由氢键供体和受体组成的绿色溶剂系统（Xiao等人，2024年）。由于它们制备方便、成本效益高、物理化学性质可调且环境兼容性好，因此在水木质纤维素预处理中受到了广泛关注（Song等人，2023年；Tang等人，2015年）。最近的研究表明，新兴的二元和三元DES系统在提高木质纤维素生物质的分离和脱木质素效果方面表现出色。例如，由鲸蜡基三甲基氯化铵和乳酸组成的阳离子表面活性剂二元DES能够有效地预处理小麦秸秆，促进木质素的去除、木聚糖的分离以及酶的消化（Chen等人，2025年）。此外，由氯化胆碱、对甲苯磺酸和甘油组成的三元DES在温和条件下也能有效预处理小麦秸秆，实现显著的木聚糖去除、木质素去除和纤维素可利用率的提升（Zhang等人，2025年）。这些发现表明，溶剂成分的设计在DES基木质纤维素预处理中起着重要作用。然而，多变量分析进一步表明，预处理结果受到溶剂组成、物理化学性质、工艺参数和生物质特性共同的影响（Massayev和Lee，2022年；Xu等人，2020a；Xu等人，2020b）。这些发现为应用数据驱动的建模方法预测DES预处理性能提供了依据。

机器学习作为人工智能领域的一个关键技术，因其能够优化复杂溶剂系统的设计并预测预处理性能而得到广泛应用。最近的研究展示了可解释的机器学习方法在模拟DES基生物质预处理过程中木质素去除效果方面的有效性。例如，开发了一个结合分子描述符、指纹特征和工艺参数的可解释机器学习框架来预测木质素去除效率。XGBoost获得了卓越的预测性能，而SHAP分析有助于识别影响木质素溶解的关键因素（Zhong等人，2025年）。此外，结合人工神经网络与贝叶斯超参数调整和多目标算法的先进优化策略被用于提高工艺性能和模型可解释性（Quraishi和Mahanty，2026年）。然而，单个模型不足以完全捕捉高维变量之间的非线性耦合。这一限制在DES预处理系统中尤为明显，因为预处理性能受到溶剂性质、工艺条件和生物质特性的共同影响。堆叠集成学习非常适合这项任务，因为它通过整合多个基础学习器的互补预测来减少对单一学习机制的依赖。这种整合使模型能够从不同角度捕捉复杂关系，并提高模型的鲁棒性。此外，有效的超参数优化对于提升堆叠模型的预测性能和泛化能力是必要的。

在本研究中，开发了一个基于IWOA-Stacking的预测框架，用于评估DES预处理对木质纤维素生物质的效果。通过引入四种策略优化了WOA（Web of Science和ScienceDirect等文献数据库），包括改进的Tent混沌映射以增强初始种群多样性、动态自适应加权以平衡全局探索和局部利用、Lévy飞行以避免陷入局部最优解，以及高斯-柯西混合突变以加强围绕精英解的局部搜索。优化后的WOA被用来优化堆叠模型的关键超参数，从而提高了其预测性能和泛化能力。随后使用SHAP进一步解释了影响R-Cellulose和d-Lignin预测的主要因素。最后，开发了一个交互式预测系统，以支持快速准确地评估预处理性能。

章节摘录

数据收集与预处理

以“DES”、“预处理”和“木质纤维素”为关键词，在Web of Science和ScienceDirect等文献数据库中搜索了2020年至2025年间发表的关于木质纤维素DES预处理的研究。经过基于数据可用性和完整性的手动筛选后，保留了37项符合条件的实验研究，并列在补充材料中。相关数据主要来自文献中的表格。

数据分析

数据集中的关键变量（即Kamlet–Taft参数）的分布以及输入变量之间的相关性如图2所示。数据集中Kamlet-Taft参数的分布见图2a中的箱线图。α的平均值和中位数分别为1.49和1.48，未观察到异常值。β的平均值和中位数分别为0.80和0.59，也未观察到异常值。

结论

本研究开发了一种基于IWOA优化的堆叠集成模型，用于预测DES基木质纤维素预处理的效果。通过引入改进的Tent混沌映射、自适应加权、Lévy飞行和高斯-柯西突变，优化的WOA表现出更高的优化精度、收敛稳定性和全局搜索能力。该堆叠框架使用RF、SVR和XGBoost作为一级基础学习器，SVR作为二级元学习器。

CRediT作者贡献声明

Mengnan Jia：撰写 – 原稿撰写、方法论、形式分析、概念化。 Zhiwen Jia：数据管理、概念化。 Shiliang Zhu：软件开发、数据管理。 Zijun Jin：可视化、方法论。 Ruyue Zhou：软件开发、方法论。 Jinhua Qiao：验证、形式分析。 Lianmei Cha：调查、形式分析。 Xiwei Xu：监督、资源获取、资金申请。 Xudong Fan：撰写 – 审稿与编辑、资源获取、资金申请。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本工作得到了以下资助： 中国云南省基础研究项目（项目编号：202501AU070107）； 国家自然科学基金（项目编号：52376185）； 国家自然科学基金（项目编号：52076083）； 广东省自然科学基金（项目编号：2414050004203）； 广东省自然科学基金（项目编号：2024A1515010913）； 中国博士后科学基金（项目编号：GZC20251617）。

Mengnan Jia | Zhiwen Jia | Shiliang Zhu | Zijun Jin | Ruyue Zhou | Jinhua Qiao | Lianmei Cha | Xiwei Xu | Xudong Fan