MOFs
对
As(V)
的物理吸附是重要的吸附过程之一。通过
XGB-Morgan
模型的
SHAP
解释和部分依赖图（
PDP
）分析，在考虑了结构尺寸对污染物扩散的影响后，我们确定了
PLD
在
5.0–10.0 Å
，
LCD
在
10–30
Å
，
VSA
在
1000–2500 m²/cm³
，
AV
和
ρ
分别在
1.0–2.0 cm³/g
和
1.75 g/cm³
左右范围内的
MOFs
对
As(V)
可达到最佳吸附效果。然而过大的结构可能不利于
As(V)
在
MOFs
内部的扩散。为了精确定义结构参数的适宜范围并简化
MOFs
的定向设计流程，我们通过
2D-PDP
分析筛选出相关性小于等于
0.5
的特征，进一步细化了
PLD
、
LCD
、
VSA
和
AV
的最优范围，分别为
7.5–10
Å
、
10–16 Å
、
2000–2400 m²/cm³
和
0.8–1.6 cm³/g
（图
4
）
。
图
4
：
MOFs
物理结构参数的全局
SHAP
结果（
a
），以及
MOFs
的
VSA
（
b
）、
AV
（
c
）、
PLD
（
d
）、
LCD
（
e
）、
ρ
（
f
）的
PDP
。
PLD
与
VSA
（
g
），
LCD
与
VSA
（
h
），
AV
与
VSA
（
i
）的
2D-PDP
。
增强
MOF
化学吸附的模块化设计
化学吸附是
MOFs
吸附
As(V)
的最主要机理。通过
XGB-Morgan
模型的
SHAP
分析，我们识别了对
MOFs
化学吸附性能至关重要的设计要素，包括有机连接体中的特定分子片段和
SBUs
的多样性，以及拓扑结构的合理选择。我们发现，含有脂肪链的羧酸、带有取代基的芳香环羧酸和吡唑片段等有机连接体分子，以及具有开放金属位点（
OMS
）的
SBUs
，如钴（
Co
）和镧（
La
），对增强
As(V)
的化学吸附起到了积极作用。此外，选择如
pcu
、
spn
和
rna
这样的
3D
拓扑结构，有助于优化
MOFs
的物理结构参数，从而为
As(V)
提供有效的扩散路径和吸附位点。基于这些发现，我们建议在
MOFs
设计中考虑这些关键特征，以实现对
As(V)
的高效化学吸附（图
5
）
。
图
5
：
MOFs
有机配体的分子指纹（
a
）、
SBUs
（
b
）、拓扑网络（
c
）
全局
SHAP
结果，以及
MOFs
的
SBUs
（
d
）、拓扑网络（
e
）的
PDP
。
总之，为了提升
MOFs
对
As(V)
的吸附性能，上游的
MOFs
设计中的理想有机配体应具备如脂肪链上的羧酸、含取代基的芳香环羧酸以及吡唑片段等特定片段。这些精心设计的机配体不仅促进了以
OMS
，例如
Co
、
Ce
和
La
为基础的稳定
3D
拓扑网络的形成，而且还能通过氢键与
As(V)
发生相互作用。此外，
MOFs
中的金属
-
羟基与
As(V)
形成的络合物进一步增强了其化学吸附能力。选择如
pcu
、
spn
或
rna
这类
3D
拓扑结构，能够为
MOFs
提供适宜的物理空间，包括
7.5
至
10
Å
的
PLD
、
10
至
16 Å
的
LCD
、
2000
至
2400 m²/cm³
的
VSA
以及
0.8
至
1.6 cm³/g
的
AV
。这些物理结构参数的优化，旨在扩大用于物理吸附的有效比表面积，并确保
As(V)
分子能够顺利扩散至
SBUs
内的活性位点，实现高效的化学吸附。同时，在下游应用中，还需综合考量诸如静电吸引、浓度效应、吸附抑制作用以及吸热吸附等环境因素，以实现
MOFs
对
As(V)
吸附的最大化（图
6
）
。
图
6
：
MOFs
的模块设计策略，从提升
As(V)
的物理吸附到化学吸附。
本研究提出了一种结合可解释机器学习（
ML
）的建模和材料设计方法，专门针对
MOFs
在吸附
As(V)
方面的应用。我们的建模方法深入分析了
MOFs
的化学组成、物理结构和吸附环境，并通过融合多种
ML
算法与分子指纹技术，开发了一组高精准度的预测模型。这些模型显著提高了对
As(V)
吸附性能的预测准确度，并通过模型的解释能力，识别出影响吸附性能的关键结构参数。依托模型解释，我们为
MOFs
的模块化设计提出了策略性建议，推荐选用具有开放金属位点的二级构建单元和含有特定分子片段的有机配体，同时选择适宜的
3D
拓扑网络结构。这些设计参数的精心优化，目的在于充分发挥
MOFs
在物理和化学吸附方面的潜力，从而显著提高对
As(V)
的吸附效率。我们的研究成果不仅强化了
MOFs
在水环境中的应用，拟提升其去除
As(V)
的能力，还为机器学习在材料科学的其他应用领域提供了创新的建模思路，尤其是在去除有害污染物和水质净化方面
。
本工作受到国家重点研发计划（
2023YFC3207000
）和中南大学研究生自主创新项目（
2023ZZTS0728
）的资助。
通讯作者：
李海普，中南大学化学化工学院教授，博士生导师。担任水环境与农产品安全湖南省重点实验室主任，中南大学环境与水资源研究中心主任。主要研究方向包括环境科学、饮用水及食品安全、功能材料的研发及界面物理化学。近年来负责的科研项目有：国家重点研发计划项目、国家公益性行业（农业）科研专项课题、国家环境保护公益性行业科研专项课题、国家重大科技专项“水专项”课题、省级科技计划及国际交流合作项目等。近
3
年在
Appl. Catal.
B:Environ.
, Chem. Eng. J., Sci. Total. Environ.,
Sep. Purif. Technol.
等国际知名刊物发表论文近
50
余篇
。
实验室链接：
https://ccce.csu.edu.cn/weaps.htm
第一作者：蔺祖弘，博士研究生，现就读于中南大学化学化工学院，主要研究方向为机器学习、大语言模型和环境工程的交叉方向。博士期间以第一作者在
Chemical Engineering Journal
，
Separation and
Purification Technology
等期刊发表
SCI
论文三篇。
文献信息
Zuhong Lin, Hui Cai, Hongjia Peng, Ying Fang, Pengxu Pan,
Haipu Li, Ying Yang, Jingjing Yao, Enhancing arsenate removal through
interpretable machine learning guiding the modular design of metal–organic
frameworks, Chemical Engineering Journal, 497, 2024, 155058.
https://doi.org/10.1016/j.cej.2024.155058
投稿
：
中南大学化学化工学院，环境与水资源研究中心李海普教授团队
。
投
稿、合作
、转载、进群，请添加小编微信Environmentor2020！环境人Environmentor是环境领
域
最大的学术公号
，拥有
20W+活跃读者
。由于微
信修改了推送规则，请大家将环境人Environmentor加为
星标
，或每次看完后点击页面下端的
“在看”
，这样可以第一时间收到我们每日的推文！
环境人Environmentor现有综合群、
期刊投稿群、基金申请群、留学申请群、各研究领域群等共20余个，欢迎大家加小编微信Environmentor2020，我们会尽快拉您进入对应的群
。
