5月28日，南京大学潘丙才教授团队张炜铭教授课题组在Environmental Science & Technology发表了题为“Machine Learning Reveals Key Adsorption Mechanisms for Oxyanions Based on Combination of Experimental and Published Literature Data”的研究论文，构建了一种数据驱动方法预测氧阴离子在聚合物上的吸附容量，并解析不同吸附机制的贡献。
含氧阴离子作为现代工业过程中的污染物，因其毒性对生态系统和饮用水安全构成严重威胁，被《清洁水法》列为优先控制污染物，其浓度常超出安全限值，亟需针对性水处理技术。吸附法因成本低、灵敏度高、操作简单且选择性好，被认为是最优处理方案之一。近年来，活性炭、石墨烯、黏土矿物和金属氧化物等多种吸附材料被广泛研究，但其吸附容量不足限制了实际应用。部分离子型金属有机框架（MOFs）在含氧阴离子去除方面有所突破，但水解稳定性差仍是主要瓶颈。聚合物材料因高孔隙率、易功能化及稳定性强，展现出巨大潜力，但其化学成分、尺寸和结构的复杂性导致筛选高效吸附剂困难重重。近二十年来，随着聚合物研究的快速发展，数千种聚合物被合成，但如何从中筛选出适用于含氧阴离子去除的材料仍极具挑战。
水处理吸附剂的开发涉及复杂的吸附机制，各机制贡献尚不明确，限制了吸附驱动力的解析与材料的精准设计。机器学习（ML）通过特征工程可揭示机制影响，但数据质量制约了研究进展。本研究提出一种通用ML策略，整合实验与文献数据，精准预测聚合物对含氧阴离子的吸附容量并识别吸附驱动力。通过结合RDkit描述符的分类与SHAP重要性分析，发现静电相互作用是氧阴离子吸附的核心驱动力，并通过理论计算、吸附实验及靶向吸附剂设计进一步验证。相比之下，仅依赖单一文献数据源的分析会导致模型性能下降、结论偏差及靶向设计失效。本研究提出了数据集优化与主导机制识别策略，为废水含氧阴离子高效处理提供了新思路。
声明：本公众号仅用于分享前沿学术成果，无商业用途。如涉及侵权，请联系公众号后台删除！
