引言
来自化学工业的大量含有重金属离子的废水排入水环境,引发了一系列环境污染问题,这一问题已引起广泛关注(Barakat, 2011; Qi et al., 2026; Rani et al., 2020)。重金属离子的极高毒性对水生生态系统和人类健康构成严重威胁(He et al., 2021; Jiang et al., 2022; Kobielska et al., 2018)。目前,有多种方法可用于去除水环境中的重金属离子,包括离子交换、化学还原、沉淀、生物处理和吸附(Owlad et al., 2009)。其中,吸附法因其高效、设计简单且环保等优点而被广泛应用(Khare et al., 2016; Maleki et al., 2015)。作为吸附技术的关键,高效吸附剂的研发尤为重要(Wang et al., 2019)。
金属有机框架是由金属配体和有机配体构成的周期性网络结构(Chui et al., 1999)。这类材料具有高表面积、高孔隙率、可控的功能性以及可调节的结构,因此被视为在多种环境和先进技术应用中极具潜力的功能材料(Geng et al., 2026; Mohan, 2025a; Saha and Deng, 2010; Song et al., 2024)。最新研究指出,配位环境以及结构与性能之间的关系对于决定功能性多孔材料的吸附行为和环境性能起着关键作用(Mohan, 2025b; Mohan et al., 2026)。过去十年间,实验室已合成了数以万计的金属有机框架,其数量呈指数级增长。这些材料不仅在气体吸附与分离领域得到了广泛研究,也在水中重金属离子的吸附方面有所应用(Ghanbari et al., 2020; Rani et al., 2020; Zhang et al., 2021)。然而,仅依靠大量的实验工作来探索高性能金属有机框架效率低下,还会造成资源浪费和能源消耗,这与清洁生产的原则相悖。因此,能够快速预测金属有机框架在水中吸附重金属离子性能的机器学习技术应运而生,为高效选择吸附剂和优化吸附系统提供了新方法(Popescu et al., 2024; Wang et al., 2022; Zhong et al., 2021)。
机器学习能够分析海量数据,识别复杂模式并得出结论,在大数据挖掘领域取得了显著进展(Kang et al., 2025; Taoufik et al., 2022)。环境研究本身就十分复杂,通常涉及大量可挖掘的数据(Sun et al., 2025; Zhao et al., 2025)。这种现象源于许多环境科学问题所具有的复杂性、不确定性和非线性特征(Ren et al., 2024; Zhu et al., 2024)。最新研究表明,机器学习技术有望为环境科学领域带来重大贡献(Dai et al., 2025; Gustavsson et al., 2024; Li et al., 2024; Zhai et al., 2025)。在水质污染吸附领域,实验条件的细微变化都可能导致吸附效率出现显著差异,而且实验条件与金属有机框架的特性之间也可能存在影响吸附性能的相互作用(Huang et al., 2020; Lu et al., 2022; Zhang et al., 2021)。那些专为下一个词预测而设计的通用大型语言模型往往难以捕捉吸附条件、吸附剂结构与性能之间的定量关系,这进一步凸显了传统机器学习在这些任务中的优势(Ahmed et al., 2026; Han et al., 2026; Zhao et al., 2026)。可解释人工智能强调将可解释性融入机器学习领域(Barredo Arrieta et al., 2020; Wang, H. et al., 2023)。可解释机器学习能够揭示特征交互的重要性,解释预测路径,并提取相关规则(Zhong et al., 2025)。SHapley加性解释法是一种量化特征对模型预测贡献度的博弈论方法,由Lundberg和Lee提出,在环境研究中也展现出良好应用前景(Hou et al., 2022; Lundberg and Lee, 2017; Pang et al., 2025; Wang, S. et al., 2023; Yang et al., 2026)。
总之,现有研究大多侧重于预测建模(Zhao et al., 2025),而将复杂的吸附数据转化为易于理解的知识和决策支持工具的系统性框架仍然较为缺乏。金属有机框架的组成、操作条件与吸附性能之间的复杂交互关系往往被视为黑箱关系,这限制了其在吸附剂设计和工艺优化中的应用价值。因此,亟需具备可解释性的数据驱动框架,以便解析这些交互关系,并从大规模的吸附数据中提取有用的信息。
如图1所示,本研究构建了一个包含金属有机框架的结构特征和组成特点、从水中吸附铬(VI)、铅(II)、镉(II)和砷(V)的实验条件,以及吸附容量和去除率等信息的庞大数据集。研究人员分别使用极端梯度提升算法训练了两个回归模型,以吸附容量和去除率为输出指标。同时运用模型解释工具SHAP来挖掘其中的规律和知识。该方法用于确定各特征的相对重要性,分析模型框架内的潜在交互模式,进而找出最优的吸附条件以及关键的金属有机框架特性。这项工作建立了一个可解释的机器学习框架,可作为决策支持工具,帮助筛选出具有潜力的金属有机框架吸附剂,并确定优先的实验条件,从而为环境材料的开发提供一种可持续且能减少浪费的思路。