浙江大学侯杰/林道辉团队ES&T：基于机器学习的铁基微纳材料污染修复性能与安全性综合评估框架

该研究针对铁基微纳材料在污染修复中性能与生态安全难以协同量化的问题，构建了基于机器学习（AutoGluon）的综合评估框架。背景方面，铁基微纳材料虽具高修复活性，但其尺寸减小、改性等设计可能引发生态风险，传统实验难以系统比较材料性质、污染物结构及生物差异对综合表现的影响。研究目的为整合716篇文献的1007组数据，建立QSAR二元分类模型，同时预测污染去除性能与复合毒性趋势，并通过动态加权函数实现双目标量化评估。结论表明：污染去除性能模型总体准确率达95.5%，复合毒性模型为92.8%，能有效识别高效低毒材料组合；模型可解释性揭示材料表面极性、污染物芳香性及生物类型是关键驱动因素；基于0.8性能与安全性阈值的动态加权综合评分及在线评估平台，为材料早期筛选和安全设计提供了数据驱动工具，但强调需结合实验验证。