使用高通量生物降解数据对聚生物降解性的可解释随机森林预测
Philippa L Jacob1, Madeleine I Parker1, Daniel J Keddie1
1School of Chemistry, University of Nottingham Nottingham NG7 2RD UK jonathan.hirst@nottingham.ac.uk.
Chemical science
|November 27, 2025
概括
开发可持续的聚合物需要更快的生物降解性测试. 这项研究引入了一种高通量测试和机器学习模型,以预测聚的生物降解性,加速发现环保材料.
科学领域:
- 聚合物科学 聚合物科学
- 生物技术是生物技术.
- 计算化学计算化学
背景情况:
- 对可持续聚合物的日益增长的需求需要有效的生物降解性评估.
- 传统的生物降解性测试耗时且昂贵,阻碍了材料的快速开发.
- 高通量选 (HTS) 为材料生物降解性评估提供了一个更快的替代方案.
研究的目的:
- 开发一种高通量聚合物的酶生物降解试验.
- 创建一个机器学习模型来预测聚的生物降解性.
- 确定影响聚生物降解性的关键结构特征.
主要方法:
- 开发一种高通量酶性生物降解试验.
- 测试48个不同的聚样品的生物降解性.
- 训练和验证一个可解释的随机森林模型,使用测试数据.
- 研究转移学习和模型链接,以提高预测准确度.
- 使用SHAP分析来解释模型预测并识别有影响力的结构特征.
主要成果:
- 高通量试验成功评估了48种聚烯的生物降解性.
- 一个预测模型在预测聚的生物降解性方面达到71%的准确性.
- 转移学习和模型链接显示了提高预测性能的潜力.
- SHAP分析揭示了增强聚生物降解性的特定结构特征.
结论:
- 开发的高吞吐量测试和机器学习模型显著加快了生物降解性测试.
- 预测模型为设计新型可生物降解聚烯提供了有价值的工具.
- 了解结构-生物降解性关系有助于合理设计可持续的聚合物.
更多相关视频
05:05Quantification of Polybutylene Adipate Terephthalate-based Micro- and Nano-plastics from Soil Using Proton Nuclear Magnetic Resonance Spectroscopy
Published on: June 6, 2025
690
08:21Isolation and Screening from Soil Biodiversity for Fungi Involved in the Degradation of Recalcitrant Materials
Published on: May 16, 2022
5.7K
