预测生物炭吸附系统中药物的穿透仍具挑战性，因为吸附行为强烈依赖于生物炭特性和药物性质。在本研究中，研究人员使用分析模型（改进和未改进）以及机器学习（Machine Learning, ML）方法评估了一个全面的药物穿透数据集。改进的剂量响应（Dose Resp
预测生物炭吸附系统中药物的穿透仍具挑战性，因为吸附行为强烈依赖于生物炭特性和药物性质。在本研究中，研究人员使用分析模型（改进和未改进）以及机器学习（Machine Learning, ML）方法评估了一个全面的药物穿透数据集。改进的剂量响应（Dose Response）、Yoon–Nelson和Clark模型比其未改进形式更准确地描述大多数药物的穿透行为。然而，预测性能仍对穿透复杂性和数据质量敏感，这可能导致显著的高估或低估。ML模型，特别是随机森林（Random Forest）和CatBoost，能够重建化合物特异性穿透曲线。在逐点选择中，模型实现了高预测精度。更严格的评估将整个化合物从训练中剔除（留一化合物交叉验证，leave-one-compound-out, LOCO），测试模型外推到未见化合物的能力。药物理化性质与穿透数据相结合，使得模型能够捕获化合物特异性穿透行为。总体而言，ML为预测生物炭系统中药物穿透提供了强大工具，并与分析模型结合时，为先前未表征化合物的数据驱动预测提供了巨大潜力。这种方法可以增进对吸附过程的理解，并减少对生物炭柱进行广泛实验测试的需求。
生物炭因其易于制造、环境影响小和原料相对廉价，已成为去除有机微污染物（Organic MicroPollutants, OMPs）的常用吸附剂。然而，实际废水处理中的吸附过程复杂，传统解析模型难以准确描述，且实验周期长、成本高。现有模型如Yoon-Nelson和Clark虽然常用，但多假设固定入口浓度，在实际多变废水中难以满足。同时，许多机器学习研究仅预测单一吸附容量或穿透点，缺乏对非线性穿透过程的深入理解。因此，本研究旨在评估改进的解析模型，并开发能够预测不同药物在生物炭上吸附行为的机器学习模型。该论文发表在《Journal of Hazardous Materials》。
研究人员使用了由先前研究获得的综合穿透数据集，该数据集来自五种不同生物炭材料（种子废弃物SW、松木与云杉PS、污水污泥SS、森林生物质FB和云杉SP）填充的五个柱子及其重复柱，暴露于每月采集的线种非加标药物。分析模型包括Yoon-Nelson、Dose Response、Clark及其改进版本，通过拟合计算R2。机器学习采用随机森林（Random Forest, RF）、XGBoost和CatBoost，评估两种方案：点式选择（80/20训练测试，k=5交叉验证）和留一化合物交叉验证（LOCO）。训练分两阶段：仅用床体积和化合物one-hot编码，再加入药物理化性质。通过逐步提高R2阈值来评估数据质量对预测的影响。
3.1 解析模型评估：通过对比六种模型的拟合R2，发现改进模型（DRM、CMM、YNM）通常优于未改进模型，其中改进剂量响应模型（Dose Response Modified, DRM）整体表现最好。以Oxazepam在PS生物炭中的穿透曲线为例，未改进模型受“滚落效应”（roll-up effect）和“色谱效应”影响而拟合较差。不同生物炭材料的拟合质量差异显著，SW和PS数据较为充分，拟合质量也高度依赖药物种类。
3.2 解析模型预测：解析模型在预测穿透时仍受限于数据复杂性和质量，可能产生显著高估或低估，尤其对于高度波动的数据（如尼古丁）或存在异常值的数据（如维拉帕米），这降低了模型的适用性。
3.3 点式选择ML预测：在点式选择下，随机森林和CatBoost达到最高精度，XGBoost相对较弱。模型能够基于未知床体积重建特定化合物的穿透曲线，显示了高预测准确性。
3.4 LOCO评估：当整个化合物从训练中剔除后，预测精度下降，但模型仍能捕捉未见过化合物的整体穿透形状。基线模型（未加理化性质）显示预测主要由对平均曲线的相似性驱动。加入理化性质后，部分化合物（如Furosemide、Atenolol）预测改善，而Oxazepam反而变差。特征重要性分析显示床体积是最主要预测因子，药物解离常数（pKa）等特征有一定贡献，反映了电荷相互作用在生物炭吸附中的重要性。
3.5 环境意义：准确预测穿透对防止污染物过早泄漏至关重要。滚落效应可在实际废水中造成瞬时浓度峰值，导致生态风险。不同药物的穿透差异表明某些小分子、流动药物风险更高。混合ML-机理模型可降低预测不确定性，提升处理系统可靠性。
讨论部分指出，数据集规模有限（仅5种生物炭、37种药物）限制了泛化能力，现代ML方法需要N>
250的样本才能稳定。尽管存在这些限制，ML仍能结合解析模型提供可解释的预测，并改善对复杂废水处理中污染物去除的理解。
结论：本研究显示，改进的剂量响应、Clark和Yoon-Nelson模型能够以比未改进版本更高的精度描述药物穿透，突出了生物炭柱中药物的穿透复杂性。这些解析模型的精度高度依赖生物炭和药物种类，强调需要高质量的穿透数据来准确描述全部复杂性。机器学习模型能够预测完整的化合物特异性穿透曲线。在点式选择中，预测最准确，RF和CatBoost达到最高精度，而XGBoost表现相对较差。使用LOCO方法的更严格评估测试了模型外推到未知化合物的能力，预测精度较低，但模型仍能捕捉未见曲线的整体形状。特征重要性分析确定床体积为优势预测因子，而理化性质影响较小。然而，当同时使用床体积和理化性质训练时，ML模型能够预测化合物特异性穿透曲线。与解析模型结合，ML展现出对未知穿透曲线进行数据驱动预测的强大潜力，为未来改善生物炭特异性吸附预测和大规模应用奠定了基础。环境意义买球股份有限公司方面，若不能准确建模生物炭吸附处理，污染物穿透可能被系统性低估，使水生生态系统面临意外药物释放的风险，并威胁废水排放合规性。实际条件下的滚落效应可产生瞬时浓度峰值，即使平均去除率看似满意也会造成间歇性生态暴露。化合物特异性差异进一步表明，较小的、流动性强的药物具有不可跨化学类别一概而论的排放风险。混合ML-机理建模框架提供了一条减少预测不确定性的可行途径，可限制大量实验需求并降低失控污染物释放的可能性。