【翼享学术】基于密度泛函理论的机器学习框架（DFT-ML）绘制抗生素光催化转化效率与环境风险全景图

背景：抗生素在水体中的残留和转化产物累积导致环境风险，光催化技术虽能去除抗生素，但面临反应路径复杂、产物不确定性以及风险评估缺失等挑战。研究目的：南京大学团队提出“机制锚定-风险导向”的自动化工作流，结合实验、密度泛函理论（DFT）和机器学习（ML），系统描绘四环素光催化转化全景图，建立兼顾反应可行性与环境安全性的路径优选框架。结论：该研究通过实验锚定反应网络，利用DFT-ML模型快速筛选热力学和动力学可行路径，并构建包含生态毒性和耐药风险的多维评分体系（DEBF），成功筛选出高效且安全的降解路径，为抗生素光催化技术的精准优化提供了新范式。