化学污染物的生成AI授权选策略:对Per和Polyfluoroalkyl物质的案例
Yuwei Liu1, Haobo Wang1, Huaijun Xie1
1Key Laboratory of Industrial Ecology and Environmental Engineering (Ministry of Education), Dalian Key Laboratory on Chemicals Risk Control and Pollution Prevention Technology, School of Environmental Science and Technology, Dalian University of Technology, Dalian 116024, China.
使用化学语言模型的生成人工智能识别了数百万种新的per-和多基基物质 (PFAS),显著扩大了已知的化学空间. 这种方法提高了环境样本中的污染物检测.
科学领域:
- 环境化学环境化学
- 计算化学的计算化学
- 人工智能的人工智能
背景情况:
- 识别未知的化学污染物对于环境风险管理至关重要.
- 现有的分析方法受到数据库的限制,缺少许多潜在污染物.
- 和多醇基物质 (PFAS) 代表了一个庞大而不完全的环境污染物群.
研究的目的:
- 开发和应用一种生成型人工智能 (AI) 战略,用于识别未知的化学污染物.
- 扩大已知化学空间的每和多基基物质 (PFAS).
- 改进环境污染物的高通量注释.
主要方法:
- 利用化学语言模型 (CLM) 来生成新的PFAS结构.
- 创建了一个超过140万个PFAS结构的可疑名单.
- 将CLM辅助选策略应用于环境样本 (废水流入和废水).
- 整合生成的嫌疑人名单与现有的污染物分析计算工具.
主要成果:
- 产生了超过140万个新的PFAS结构,使已知的PFAS化学空间增加了21.6%.
- 在增值样本上达到87%的Top-1注释准确度.
- 在化废水影响样本中确定了88个以前被忽视的PFAS特征.
- 通过将生成的可疑名单与现有工具集成,在废水样本中注释了100个新的PFAS特征.
结论:
- 生成型人工智能,特别是CLM,为探索广的化学空间和识别未知的污染物提供了强大的方法.
- 拟议的CLM辅助选策略显著提高了环境矩阵中以前未被检测到的PFAS的发现.
- 这种方法为高通量污染物注释提供了新的途径,推进了环境监测和风险评估.
更多相关视频
14:20High Throughput SiRNA Screening for Chloropicrin and Hydrogen Fluoride-Induced Cornea Epithelial Cell Injury
Published on: June 16, 2018
09:04Identifying Per- and Polyfluorinated Chemical Species with a Combined Targeted and Non-Targeted-Screening High-Resolution Mass Spectrometry Workflow
Published on: April 18, 2019
相关概念视频
Polymer Classification: Stereospecificity
Bioplastics
Microbial Bioremediation of Plastics
