通过机器学习评估农药的降解效率,包括硫酸盐,芬顿和臭氧化氧化过程
Jingrui Wang1, Xiaoliu Huangfu1, Ruixing Huang2
1Key Laboratory of Eco-Environments in Three Gorges Reservoir Region, Ministry of Education, College of Environment, and Ecology, Chongqing University, Chongqing, 400044, China.
这项研究使用分子指纹量化农药结构,以预测机器学习 (ML) 的降解率. 基于计数的摩根指纹-XGBoost模型实现了高精度,为评估有机污染物降解提供了一个新的框架.
科学领域:
- 环境化学环境化学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 准确预测农药降解对于环境风险评估至关重要.
- 机器学习模型需要精确量化有机特性以提高性能.
- 了解结构退化关系有助于制定有效的补救策略.
研究的目的:
- 开发和验证用于预测农药降解率的机器学习模型.
- 使用二进制摩根指纹 (B-MF) 和基于计数的摩根指纹 (C-MF) 来量化农药结构.
- 确定影响不同氧化过程中的降解率的关键分子结构特征.
主要方法:
- 使用二进制摩根指纹 (B-MF) 和基于计数的摩根指纹 (C-MF) 来量化农药结构.
- 开发了一个机器学习模型 (XGBoost) 来预测退化率.
- 采用SHAP值来分析分子结构对降解率的影响.
- 确定了最佳的pH值范围,并确定了具有影响力的功能组.
主要成果:
- 基于计数的摩根指纹-XGBoost模型实现了高预测准确度 (PS,FT和OZ氧化分别为0.914,0.934和0.971的R2值).
- 分子结构变化占整个过程降解率差异的12.4%,15.2%和21.6%.
- 确定了PS (3.5-5.5) 和FT (2.5-4.0) 的最佳pH范围,以及与OZ的pH的正相关性.
- 突出了电子收益/损失组和原子结构在PS氧化中的重要作用.
结论:
- 开发的ML模型为预测农药降解提供了一个强大的框架.
- 使用C-MF量化有机结构显著提高了预测模型的性能.
- 这种方法为评估有机污染物的降解和为环境管理提供信息提供了一种新方法.
更多相关视频
09:49Use of a Battery of Chemical and Ecotoxicological Methods for the Assessment of the Efficacy of Wastewater Treatment Processes to Remove Estrogenic Potency
Published on: September 11, 2016
08:21Isolation and Screening from Soil Biodiversity for Fungi Involved in the Degradation of Recalcitrant Materials
Published on: May 16, 2022
相关概念视频
Oxidative Cleavage of Alkenes: Ozonolysis
Ozone is a symmetrical bent molecule stabilized by a resonance structure.
Microbial Bioremediation of Pesticides
Biodeterioration
Methods of Medium Optimization
