7月25日，中国科学院南京土壤研究所刘云研究员课题组在Environmental Science & Technology发表了题为“Predicting the Sorption Capacity of Perfluoroalkyl and Polyfluoroalkyl Substances in Soils: Meta-Analysis and Machine Learning Modeling”的研究论文，基于Meta分析和机器学习开发了预测PFAS土壤吸附能力的模型。
全氟及多氟烷基物质（PFAS）是一类至少含有一个全氟碳原子的有机化合物，包括全氟羧酸（PFCA）、全氟磺酸（PFSA）及其衍生物。由于其碳-氟（C-F）键的高稳定性，PFAS在航空航天、国防、纺织、建筑、消防及医疗用品等领域的广泛应用导致了广泛的环境污染。土壤作为PFAS的重要储存介质，已在全球范围内被检测到其存在。PFAS在生态系统中的高迁移性带来了显著的生态风险，并对农产品安全及人类健康构成潜在威胁，因此理解PFAS与土壤的相互作用至关重要。然而传统实验方法效率较低，亟需开发计算模型。
本研究整合了来自35篇文献的数据集，涵盖44种PFAS和405种土壤，通过荟萃分析构建了稳健的机器学习模型。基于LightGBM算法并结合RDKit或PaDEL描述符的模型在交叉验证、内部测试集和外部测试集上分别取得了0.89、0.88和0.72的R²，以及0.28、0.28和0.36的均方根误差（RMSE）和0.18、0.19及0.28的平均绝对误差（MAE）。SHAP（SHapley Additive exPlanation）分析表明，PFAS的理化性质是影响吸附的主要因素，其次是环境条件和土壤特性。研究发现，低有机碳含量（SOC <0.56%）对PFAS吸附的影响较小；pH=6是静电作用主导阴离子PFAS吸附或排斥的临界点，而更高pH可能通过阳离子桥增强PFAS的土壤吸附。尽管范德华力和极性相互作用可促进碳链长度≥8的PFAS吸附，但若PFAS分子中引入含氧、氮或硫的极性结构，则会降低其疏水性及吸附亲和力。本研究提供的精准预测模型可为环境决策提供科学支持。
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！
