一张膜！浙江大学/杭州电子科技大学合作，最新Nature大子刊

人工智能+物理模型：加速有机微污染物去除膜的理性设计

在日常生活中，我们喝的水，看似清澈干净，但其中往往潜藏着一种“看不见”的威胁——有机微污染物（OMPs）。它们来自农药、药物、个人护理品等，分子小、浓度低，却毒性顽固，难以降解。世界卫生组织早在2022年就发出警告：OMPs已经成为饮用水安全和生态环境的重大威胁。数据显示，全球每年约有400立方千米废水受到OMPs污染，到2050年预计将再增加50%。这不仅威胁生态，也影响全球三分之二人口的水资源安全。传统水处理技术往往对这些“隐形杀手”力不从心。虽然膜分离技术（特别是聚酰胺薄膜复合膜）因其纳米级孔径和电荷特性显示出潜力，但由于污染物结构复杂、性质多变，即便使用相同的膜材料，去除效果也常常大相径庭，甚至出现矛盾结果。这让膜设计和筛选长期停留在“经验主义”阶段。

今日，浙江大学张林教授联合杭州电子科技大学梁立军副研究员提出了一种全新的“数据-机理融合”设计框架。他们开发的DMF-MRL模型（Data-Mechanism-Fused Molecular Representation Learning），通过将机器学习与物理模型深度结合，揭示了污染物与膜之间的复杂作用规律。研究发现，影响去除效率的关键并非单个官能团，而是多个基团之间的“耦合效应”。基于此，团队不仅建立了一个系统性的“分子–膜互动知识框架”，还提出了可操作的膜改性策略，并在实验中成功验证。相关成果以“A smart framework to design membranes for organic micropollutants removal”为题发表在《Nature Sustainability》上，第一作者为Dan Lu, Zihang Zhao, Xinchen Xiang为共同一作。

AI如何“看穿”污染物？

研究的第一步，是构建一个能真正理解分子与膜相互作用的“智慧大脑”。DMF-MRL模型将277种污染物、52种膜材料、2102组实验数据输入其中，并引入了两大物理机制：尺寸筛分和电荷排斥效应。同时，它还能量化分子与膜之间的相互作用能量。简单来说，这个模型不像传统的“黑箱AI”，而是既能预测，也能解释。它不仅能算出某种膜能否有效去除某类污染物，还能告诉研究人员“为什么”。在性能测试中，该模型的预测精度R²达到0.881，远超传统模型（图1）。研究团队借此绘制出一张“互动知识图谱”，像是水处理领域的导航图，帮助我们少走弯路。

图1：DMF-MRL的构建

打破常识：谁才是真正的“关键基团”？

在传统认知中，甲基（–CH₃）常被认为是影响去除的关键基团。但模型揭示，真正的主角其实是苯基（–C₆H₆），而且它对去除效率起负面作用。原因在于：苯基会与芳香族聚酰胺膜产生不利的π–π堆积效应，使污染物更容易“溜过去”，降低拦截率（图2a、2b）。更令人意外的是，某些官能团的作用在新模型中“反转”了。例如，氨基（–NH₂）在旧模型中有助于去除，而在DMF-MRL中却可能削弱效果。这种差异源于模型能够同时考虑分子结构、相互作用能量等多重因素（图2c）。换句话说，污染物不再是孤立的分子，而是基团之间的“合纵连横”，决定了它最终能否被拦截。

图2：12种官能团的重要性分析，揭示苯基对去除率的负面作用。

多基团耦合效应：越多越糟，还是越好？

研究团队进一步探索了苯基与其他基团结合后的表现。他们发现，这些“组合拳”并不是简单的加法。例如，羧基（–COOH）和羟基（–OH）通常亲水，但一旦挂在苯基上，它们的亲水优势被削弱，反而加剧疏水作用，使污染物更难去除（图3a）。而当苯基数量增加时，情况更复杂：去除效率先下降后反而提升。这是因为多苯基一方面增强了与膜的堆积作用，降低拦截率；另一方面也增加了分子体积和空间位阻，从而提高了“筛分效应”（图3b–3d）。分子动力学模拟显示，这种“多基团效应”主要通过改变分子–膜之间的疏水相互作用能量来发挥作用（图3e）。这意味着，污染物不是单打独斗，而是基团间的合作与博弈，才决定它们能否被成功拦截。

图3：多基团耦合效应，包括苯基数量变化对去除效率、分子–膜作用能量和分子尺寸的影响。

不同污染物，不同应对策略

在理解了基团效应后，团队构建了一个互动知识框架（图4），将苯基类污染物分为三类：苯基–疏水型：在NF膜中主要依赖疏水作用，而在RO膜中则更受操作条件影响。苯基–亲水型：尺寸筛分是关键，缩小膜孔径能显著提升去除率。苯基–带电型：NF膜的电荷排斥（Donnan效应）发挥主导作用，RO膜则较弱。这一框架提供了“对症下药”的指导思想：针对不同污染物，选择合适的膜材料和调控策略。

图4：互动知识框架，展示不同类别污染物在NF与RO膜中的去除机制。

从理论到实验：智慧膜的诞生

为了验证框架的有效性，团队提出了“级联调控”策略：通过表面修饰协同调节膜的孔径、电荷和亲水性（图5a）。具体做法是，先在膜表面接枝聚乙烯亚胺（PEI），将表面电荷从负转正；再通过丙烯酸（AA）分子调控，实现电荷的中性甚至反转。实验结果令人振奋：改性后的PEI/PA膜，对正电荷污染物的去除率超过96%；带负电的AA300@PEI/PA膜，对阴离子污染物展现出卓越性能；中性的AA120@PEI/PA膜对中性污染物的去除率高达98.85%，远超商用原始膜（图5d）。这些结果印证了模型提出的“耦合效应”和“分类设计原则”。理论与实验的闭环，让“智慧膜”真正落地。

图5：改性膜的设计与实验验证，证明理论框架的可行性。

结论与展望

这项研究为水处理膜的设计提供了一条全新路径：从“经验驱动”走向“数据+机理共驱动”。它揭示了有机微污染物去除中的多基团耦合效应，并构建了可操作的知识框架。更重要的是，它实现了从模型预测到实验验证的完整闭环。未来，这一方法有望与高通量虚拟筛选、智能优化算法、生成式AI结合，快速发现新膜材料。设想一下，未来科研人员或许只需输入目标污染物，就能由AI自动设计并推荐最佳膜方案。这不仅意味着饮水安全的提升，更是全球可持续水环境治理的重要一步。

来源：高分子科学前沿

声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！