機器學習驅(qū)動的分子嵌入助力預測臭氧氧化去除新興污染物

在飲用水處理過程中，臭氧在去除新出現(xiàn)的污染物（ECs）方面具有很高的功效。然而，傳統(tǒng)的定量結(jié)構(gòu)激活關系（QSAR）模型往往不能有效地規(guī)范化和表征不同的分子結(jié)構(gòu)，從而限制了其對各種ec去除的預測準確性。本研究使用由圖神經(jīng)網(wǎng)絡（GNN）生成的嵌入式分子結(jié)構(gòu)向量，結(jié)合功能群提示，作為前饋神經(jīng)網(wǎng)絡的輸入。建立了28個ec和542個數(shù)據(jù)點的數(shù)據(jù)集，代表了不同的分子結(jié)構(gòu)和物理化學性質(zhì)，以預測ec （REC）在臭氧氧化中的殘留率。與傳統(tǒng)的QSAR模型相比，基于gnn的分子結(jié)構(gòu)嵌入方法顯著提高了預測精度。由此產(chǎn)生的KANO-EC模型REC的R2為0.97，證明了其捕獲復雜結(jié)構(gòu)特征的能力。此外，KANO-EC保持了出色的可解釋性，闡明了參與氧化機制的關鍵官能團（如羰基、羥基、芳香環(huán)和胺）。本研究提出了KANO-EC模型作為預測電流和電位ec的臭氧氧化去除效率的新方法。該模型還為制定有效的控制戰(zhàn)略以確保飲用水供應的長期安全和可持續(xù)性提供了寶貴的見解。

主要研究發(fā)現(xiàn)

本研究引入GNN生成的分子結(jié)構(gòu)嵌入向量，并結(jié)合功能團提示，作為前饋神經(jīng)網(wǎng)絡的輸入?；?8種ECs和542組實驗數(shù)據(jù)，構(gòu)建了涵蓋多種分子結(jié)構(gòu)與理化性質(zhì)的數(shù)據(jù)集，用于預測臭氧氧化后的REC。與傳統(tǒng)QSAR模型相比，GNN嵌入方法顯著提升了預測準確性。所構(gòu)建的KANO–EC模型在REC預測中實現(xiàn)了R2值高達0.97，展現(xiàn)出對復雜結(jié)構(gòu)特征的精準捕捉能力。同時，該模型保持了良好的可解釋性，成功識別出羰基、羥基、芳環(huán)、胺等關鍵功能團在臭氧反應機制中的作用。本研究提出的KANO–EC模型為評估現(xiàn)有及潛在ECs的臭氧去除效率提供了新方法，并為保障飲用水系統(tǒng)的長期安全與可持續(xù)運行提供了理論支持。

本研究探索了四種分子結(jié)構(gòu)嵌入路徑對模型性能與泛化能力的影響（圖1）。首先采用ECFP提取基于環(huán)狀拓撲的結(jié)構(gòu)指紋，生成1024位分子指紋表征分子活性特征（圖1a）。其次，采用SMILES對編碼（SMILES Pair Encoding，SPE）方法構(gòu)建SMILES子串詞匯表并編碼為向量，適用于QSAR建模但可解釋性較弱（圖1b）。D-MPNN利用定向邊傳播機制更新原子與鍵的特征信息，生成嵌入向量以捕捉局部結(jié)構(gòu)環(huán)境（圖1c）。KANO模型則基于知識圖譜識別功能團語義，通過注意機制生成功能提示并融合至原子表示中，提升結(jié)構(gòu)表達與預測性能（圖1d）。

圖1 利用(a) ECFP (b) SPE-MLP (c)D-MPNN和(d) KANO對分子結(jié)構(gòu)嵌入途徑進行比較可視化

本研究對ECs濃度特征（圖2a）、水體理化性質(zhì)（圖2b）及臭氧處理條件（圖2c）進行了統(tǒng)計分析。原水中ECs濃度變化范圍大，處理后普遍降低。REC值分布均勻，部分超過1，可能源于臭氧反應遲緩或檢測誤差。為模擬真實飲用水環(huán)境，實驗調(diào)控水質(zhì)與處理條件，使其貼近常規(guī)工況。通過t-SNE算法降維分析，高維特征得以保留本征結(jié)構(gòu)。圖2d顯示，喹諾酮、農(nóng)藥和PFAS聚類緊密，表現(xiàn)出類似特性與臭氧響應；而抗生素與藥品分布較散，差異顯著。進一步分析表明，PFAS與農(nóng)藥響應性差，REC偏高；喹諾酮類等則展現(xiàn)出良好反應性，驗證機器學習在復雜結(jié)構(gòu)預測中的有效性。

圖2 新興污染物數(shù)據(jù)特征分布與t-SNE聚類揭示模型代表性

對比分析顯示，四種模型在驗證集上均具備較高預測能力，DMPNN–EC表現(xiàn)最佳（R2=0.9717），KANO–EC次之，SPE–MLP–EC亦優(yōu)于ECFP–EC（圖3a–d）。在結(jié)構(gòu)平衡劃分測試集上，模型性能普遍下降（圖3e），尤以SPE–MLP–EC退化最顯著，因SMILES分詞器難以處理新結(jié)構(gòu)中的未知符號。ECFP–EC因指紋固定，難泛化新結(jié)構(gòu)。相比之下，DMPNN–EC與KANO–EC依托圖結(jié)構(gòu)建模，可有效捕捉復雜結(jié)構(gòu)特征，展現(xiàn)出較強的泛化能力，適用于多樣性更高的環(huán)境污染物預測任務。

圖 3 四種分子嵌入模型在隨機與結(jié)構(gòu)平衡數(shù)據(jù)集上的REC預測性能對比

為評估特征對模型預測能力的影響，研究對四種前饋神經(jīng)網(wǎng)絡（FNN）模型逐一剔除各類輸入變量并比較R2變化（圖4a）。結(jié)果顯示，去除SMILES變量導致R2下降最顯著，表明分子結(jié)構(gòu)信息對REC預測至關重要。臭氧反應時間、UV254、臭氧濃度與溫度的缺失也顯著降低模型性能，說明這些環(huán)境因子在臭氧氧化中同樣關鍵。相比之下，初始濃度（Cinitial）與pH對預測影響不顯著，因?qū)嶋H水體pH波動較小。進一步計算模型平均R2差異，明確各變量的重要性排序為：SMILES > 時間 > UV254 > 臭氧 > 溫度 > Cinitial > pH（圖4b）。

圖 4 特征剔除下模型性能變化揭示多因素對REC預測的重要性排序

為識別對REC預測貢獻最大的關鍵結(jié)構(gòu)，圖5展示了五類ECs代表分子的功能團注意力權(quán)重可視化。喹諾酮類的恩諾沙星中，羰基權(quán)重最高，其次為羥基、苯環(huán)和氟原子，符合Fukui函數(shù)分析所揭示的主要臭氧攻擊位點（圖5a）。除喹諾酮外，農(nóng)藥阿特拉津的三嗪環(huán)較穩(wěn)定，甲基雖非活性位點，卻表現(xiàn)出負向反饋（圖5b）?？股鼗前范奏奏わ@示苯環(huán)、伯胺和磺胺基為關鍵結(jié)構(gòu)，匹配其藥理骨架（圖5c）。PFAS代表物PFNA因C–F鍵極強，幾乎不被臭氧氧化降解（圖5d）。藥物卡馬西平中，C=C雙鍵為最主要反應位點，輔以苯環(huán)與羰基（圖5e）。KANO–EC模型準確捕捉了功能團的結(jié)構(gòu)–活性關聯(lián)，為反應機制解析提供結(jié)構(gòu)依據(jù)。

圖 5  不同類別污染物中關鍵功能團的注意力權(quán)重可視化分析

 圖6聚焦于大環(huán)內(nèi)酯類抗生素的結(jié)構(gòu)-反應特征，涵蓋克拉霉素（CLR）、紅霉素（ETM）與替樂菌素（TLS）。結(jié)果顯示，TLS具有更高的表觀反應速率常數(shù)（圖6a），主要因其C=C雙鍵與醛基獲得更高注意力權(quán)重（圖6b）。三者均含羰基、酯、醚、叔胺和羥基等共通功能團。密度泛函理論計算表明，CLR中第5位氧原子與第7位碳原子具有顯著的自由基Fukui函數(shù)，均屬于羰基結(jié)構(gòu)（圖6c,d）。結(jié)合模型注意力權(quán)重，羰基被識別為主要反應位點。當缺乏顯著親電基團（如C=C或醛基）時，羥基自由基成為進攻羰基的主要反應機制。

圖 6  大環(huán)內(nèi)酯類抗生素臭氧反應速率與關鍵結(jié)構(gòu)位點的建模識別

主要結(jié)論本研究構(gòu)建的融合分子結(jié)構(gòu)嵌入的機器學習框架在預測新興污染物殘留率方面取得了顯著成果，為大數(shù)據(jù)條件下的水處理智能控制及環(huán)境風險評估提供了新路徑。該模型核心算法具備良好遷移性，可拓展應用于混凝、沉淀、活性炭吸附、消毒等多種水處理單元過程。通過將各處理環(huán)節(jié)模塊化并集成為統(tǒng)一體系，可實現(xiàn)全過程優(yōu)化控制，提升ECs在多階段處理過程中的協(xié)同去除效率，為構(gòu)建智能化、高效能的水處理系統(tǒng)奠定技術(shù)基礎。

摘自：Machine Learning-Assisted Molecular Structure Embedding for Accurate Prediction of Emerging Contaminant Removal by Ozonation Oxidation

第一作者：Jiapeng Yue通訊作者：胡承志通訊單位：中國科學院生態(tài)環(huán)境研究中心、中國科學院大學原文鏈接：https://pubs.acs.org/doi/10.1021/acs.est.4c14193