近日，我院赵敏教授团队刘仁兰副教授在环境工程领域国际著名期刊《Water Research》（影响因子12.8，中科院一区TOP）发表题为“Prediction and verification of emerging contaminants catalytic degradation based on machine learning and molecular fingerprint”的研究论文。该研究将机器学习与污染物分子指纹相结合，构建了新污染物催化降解性能预测模型，揭示了污染物分子结构、生物炭特征及反应条件对催化降解性能的影响规律，为催化剂的理性设计和新污染物高效治理提供了新的研究思路。

新污染物种类繁多、分子结构复杂，其催化降解效果受到污染物自身结构、催化剂性质及反应条件等多重因素影响。传统催化剂研发主要依赖试错实验，难以高效识别影响降解性能的关键因素，制约了催化体系的优化与应用。针对这一问题，研究团队将污染物分子指纹描述符与生物炭理化性质、催化剂制备条件及反应运行参数相结合，基于XGBoost算法构建机器学习预测模型，系统分析了多维因素与污染物降解性能之间的关联，为催化体系的性能预测和关键因素识别提供了数据驱动的方法。

研究发现，在模型输入的多维特征中，生物炭结构特征对降解性能指标（ln Kobs）预测的贡献率达到57.9%，表明催化剂自身性质是影响模型预测结果的重要因素。分子指纹分析进一步识别出与降解性能相关的关键分子结构位点：芳香族碳骨架（Bit_875/698）和含硫官能团（Bit_246）与降解性能提升呈正相关，而卤素取代位点（Bit_816/935）和羰基结构（Bit_175）则表现出负向关联。研究还发现，催化剂投加量与过一硫酸盐（PMS）浓度之间存在协同促进关系，体系在弱酸性条件（pH≈5.5）下表现出较优的降解性能。为检验模型的预测能力，研究团队开展了25组独立设计的外部验证实验，模型预测值与实测值的平均绝对误差（MAE）为0.24，表明该模型具有较好的预测表现。

该研究将分子结构信息与催化剂及反应条件等多维数据融合，实现了从降解性能预测到关键影响因素识别的有机衔接，为催化剂的筛选、优化及新污染物催化降解体系的设计提供了量化参考，也为机器学习在水污染控制中的应用奠定基础。温州大学为该论文第一完成单位，刘仁兰副教授为第一作者，温州大学赵敏教授和香港中文大学（深圳）董应超教授为共同通讯作者。研究工作得到城镇水污染生态治理技术国家地方联合工程研究中心等平台支持。

原文链接：https://doi.org/10.1016/j.watres.2026.127086

文稿撰写：刘仁兰

一审：郑梦雅

二审：王  洋

三审：黄先锋