大连理工大学陈景文教授团队在Environmental Science & Technology上发表论文“Multimodal Machine Learning Models on Aqueous Direct Photodisappearance Rate Constants of Chemicals Exhibit Previously Unattainable Performance”。该研究构建了目前规模最大的化学品水环境直接光消失速率常数(k_d)多模态数据集，开发了融合分子结构特征与环境条件特征的多模态机器学习模型，并提出了基于特征-响应形貌的应用域表征方法(AD_FRL)。研究结果表明，多模态模型相较于仅基于分子结构特征的单模态模型实现了显著性能提升，可为化学品环境光化学持久性评估和健全管理提供高效、可靠的技术支持。

图片摘要

一、引言

现代社会大量使用的人工合成化学品在提升生活质量和推动社会发展方面发挥着重要作用，然而，具有环境持久性、生物蓄积性的有毒化学品释放进入环境成为污染物后，可能对人体健康和生态系统造成潜在风险。其中，化学品在环境中的持久性由多种转化行为共同决定。对于许多近几十年来生产和使用的化学品而言，由于环境微生物尚未形成有效的降解机制，其生物降解往往较为困难，光消失过程成为影响其在大气和表层水体中持久性的重要过程。

地表水体是污染物重要的汇，因此揭示地表水环境中化学品的光消失动力学，对评估化学品持久性尤为重要。进入地表水体的污染物通常可发生直接光消失和间接光消失过程。在直接光消失过程中，化学品分子吸收光子后由基态跃迁至激发态，并可能进一步发生键断裂、异构化、重排等初级光化学过程。该过程通常被认为遵循(准)一级动力学，可由直接光消失速率常数(k_d)表征。k_d通常受光子辐照度、摩尔吸收系数和量子产率等因素共同控制，而这些因素又与化学品分子结构、光源条件、pH、溶解氧水平、温度和化学品初始浓度等密切相关。目前全球市场中使用的化学品及其混合物数量庞大，仅依赖耗时、昂贵的实验方法难以满足化学品持久性评估与健全管理需求。因此，发展高通量、低成本的k_d预测模型，对化学品光化学持久性评估和健全管理具有重要意义。

前人构建的k_d预测模型主要依赖分子结构特征，忽略了环境条件对直接光消失动力学的显著影响。由于缺乏能够纳入环境条件的建模框架，已有模型通常只能在相对有限、环境条件较一致的数据集上训练，导致其应用域较窄，难以广泛用于不同化学品和不同环境条件下k_d的预测。基于此，本研究引入多模态学习思想，同时整合分子结构信息和环境条件信息，构建用于预测化学品水环境k_d的多模态机器学习模型，并进一步提出适用于多模态模型的应用域表征方法。

  二、建模框架

本研究系统收集整理了1977~2025年间文献报道的化学品k_d数据。最终数据集包含304种有机污染物的1281条k_d记录，覆盖药物及个人护理品、农药、工业化学品等多种化学品类型。

在特征构建方面，本研究同时考虑分子结构特征和环境条件特征。分子结构特征包括SMILES字符串、分子图、分子指纹和量子化学描述符等。环境条件特征包括光源类型、滤光条件、pH、温度、溶解氧水平和化学品初始浓度。

本研究采用早期融合策略构建多模态机器学习模型，即先分别提取分子结构特征和环境条件特征，再将不同模态特征拼接至统一特征空间中进行建模(图1)。此外，研究进一步提出了基于特征-响应关系形貌的应用域表征方法(AD_FRL)。该方法同时计算分子结构相似性和环境条件相似性，通过加权特征相似性密度和响应不一致性判断待预测样本是否落入模型可靠预测区域。

图1. 多模态k_d模型的建模流程

三、结果与讨论

本研究构建的数据集中，k_d值跨度约6个数量级，表明不同化学品及不同实验条件下的直接光消失动力学存在显著差异(图2)。该数据集与以往研究相比，规模扩大了十倍以上，并覆盖更广泛的化学品类型和环境条件。数据统计结果表明，环境条件对k_d具有显著影响，其中光源类型导致的k_d分布差异最为明显。上述结果说明，在k_d预测模型中显式纳入环境条件特征，是提升模型准确性和应用范围的必要前提。

图2. 数据集中logk_d分布(a)及不同光源条件下logk_d分布(b)

应用XGBoost算法构建的模型在交叉验证和验证集上均表现最佳，因此被用于后续模型构建与分析。结果表明，仅基于分子结构特征的单模态模型难以充分学习直接光消失动力学的复杂性，预测性能受到明显限制。相比之下，融合环境条件特征后，多模态模型在所有评价指标上均实现明显提升。最优模型XGB-MACCS-E将MACCS指纹与环境条件特征相结合，其交叉验证集R²达到0.753，验证集R²达到0.756，表现出良好的泛化能力和拟合能力。

研究针对不同环境条件特征开展了消融实验。结果显示，从仅含MACCS指纹的单模态模型，依次加入溶解氧水平、pH、温度、初始浓度、滤光条件和光源类型后，模型预测性能呈现持续提升趋势(图3)。任一环境条件特征的加入均可使模型性能提升，说明各环境条件均包含独特且不可完全替代的信息。

图3. 逐步加入环境条件特征对模型性能的影响(a)，以及单模态(b)/多模态(c)模型预测性能 (MACCS：MACCS 指纹；DO：溶解氧水平；pH：pH值；T：温度；IC：化学品初始浓度；LF：滤光片；LT：光源类型；SMX：磺胺甲恶唑；AMO：阿莫西林；HEX：六氯苯)

如何将实验室条件下测得的光化学数据外推至真实自然环境，是环境研究中的重要挑战。对于本研究，大量k_d数据来自氙灯、汞灯等实验室光源条件，而真实水环境中化学品主要暴露于自然太阳光下。由于不同光源的发射光谱、辐照强度和滤光条件存在显著差异，传统建模方法难以有效利用这些来源广泛、实验条件差异显著的数据。

本研究提出的多模态建模框架为这一问题提供了新的数据驱动外推思路。该框架将光源类型、滤光条件等实验条件显式编码为环境特征，与分子结构特征共同输入模型。通过这种方式，模型能够同时学习化学品分子结构与光反应性之间的内在关系，以及不同环境条件对直接光消失动力学的影响，从而实现从实验室光源条件向自然太阳光条件的外推。

研究将仅使用自然太阳光条件下测得的k_d数据训练的模型与融合多种光源条件下测得数据训练的模型进行比较。结果显示，在预测自然太阳光条件下k_d值时，后者性能优于前者，说明将实验室光源数据纳入多模态框架后，有助于提升对自然环境条件下k_d的预测能力(图4)。因此，本研究提出了一种将长期积累的实验室光化学数据转化为自然环境预测能力的数据驱动外推方法，为评估化学品在真实环境下的光化学持久性提供了新的技术路径。

图4. 太阳光源模型(Sunlight-only model)和多光源模型(Multi-light-source model)在预测化学品自然阳光下k_d任务上的性能对比

应用域分析结果表明，仅基于分子结构相似性或仅基于环境条件相似性均难以准确表征多模态模型应用域。只有同时整合两类相似性，才能有效识别模型可靠预测区域。应用AD_FRL后，在较严格的应用域条件下，模型预测性能进一步提升。

四、小结

本研究构建了目前最全面的化学品水环境k_d多模态数据集，并将多模态学习引入环境光化学建模，突破了传统模型仅依赖分子结构，难以表征环境条件影响的局限。通过融合分子结构特征和光源、滤光条件、pH、温度、溶解氧水平、初始浓度等环境条件特征，所构建模型实现了对k_d的高效、可靠预测。

此外，本研究提出了一种新的数据驱动外推框架，通过将实验室光源和自然太阳光条件统一表征为可学习的环境特征，模型能够充分利用长期积累的实验室光化学数据，学习化学品结构-光反应活性规律，并进一步校准至自然太阳光条件下的k_d预测。该方法为解决实验室数据如何外推至真实环境这一难题提供了新思路。进一步结合AD_FRL应用域表征方法，本研究为化学品水环境光化学持久性评估和健全管理提供了新的数据驱动工具，也为其他环境参数的多模态建模和跨环境外推提供了可借鉴思路。

文章信息

第一作者：何家乐 博士研究生

通讯作者：陈景文 教授

文章链接: https://doi.org/10.1021/acs.est.6c05993

课题组主页：http://faculty.dlut.edu.cn/jwchen/zh_CN/index.htm