一、 【科学背景】
开发能够有效去除有机微污染物（OMPs）的高分子膜对于水资源管理至关重要。然而，OMPs 结构多样且理化性质差异巨大，给膜材料的研发带来挑战。本研究提出一种“数据-机理融合”的方法，以辅助膜的设计。该方法在机器学习框架内整合分子指纹与物理模型，定量解析 OMPs 中的官能团如何影响其被高分子膜去除的效率，并阐明去除机理。研究发现膜去除 OMPs 过程中的异常多官能团耦合效应，表明去除效率取决于分子结构中官能团耦合的影响。这一发现挑战了传统膜筛选与设计仅关注孤立官能团性质的思路。结合对 OMP 类别和膜性质的系统评估，揭示了用于定制 OMP 去除膜的全面相互作用框架。总体而言，这种“数据-机理协同”范式有望推动先进水处理膜的开发，最终促进可持续水资源管理和安全水环境的维护。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。开发了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。相关研究成果以“A smart framework to design membranes for organic micropollutants removal”为题目发表在国际顶级期刊Nature Sustainability上。
二、【科学贡献】
图1 DMF-MRL 的构建。© 2025 Nature
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。© 2025 Nature
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。© 2025 Nature
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。© 2025 Nature
图5 改性膜的设计与实验验证，证明理论框架的可行性。© 2025 Nature
三、【 创新点】
1．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”。 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。
2. 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。
3. 进一步探索了苯基与其他基团结合后的表现，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
四、【 科学启迪】
构建了一个融合机理的混合预测框架，兼具高预测精度与可解释性，专门用于膜法去除有机微污染物（OMP）。该框架在官能团层面确立了设计 OMP 去除膜的普适原则，弥合了传统机理模型与纯粹数据驱动机器学习模型之间的关键方法学鸿沟——前者往往缺乏物理可解释性，后者则难以跨分子类别泛化。通过将分子指纹、物理模型与多层次特征描述符相结合，揭示了仅依赖孤立官能团性质的传统筛选与设计路径的不足，并发现在苯环上连接次级基团时存在独特的耦合效应。分子动力学模拟进一步表明，该耦合效应通过显著改变 OMP–膜相互作用能，进而影响 OMP 去除效率。此外，构建了全面的知识框架，系统映射了苯基 OMP 性质与膜结构对去除效率的影响规律。基于该框架，提出了协同调控策略，通过程序化设计表面电荷、孔道构型与亲水性，成功为不同 OMP 量身定制了去除膜。本研究突显了“数据–机理”协同机器学习在理性膜设计中的可行性，为攻克可持续水环境背景下分子分离的广泛挑战提供了有前景的新范式。这项研究为水处理膜设计开辟了全新路径：从“经验驱动”迈向“数据+机理共驱动”，揭示了 OMP 去除中的多官能团耦合效应，构建了可操作的知识框架，并实现了从模型预测到实验验证的完整闭环。未来，该方法有望与高通量虚拟筛选、智能优化算法及生成式 AI 深度融合，实现“输入目标污染物→AI 自动设计并推荐最优膜方案”的愿景，从而显著提升饮水安全，推动全球可持续水环境治理。
原文详情：https://www.nature.com/articles/s41893-025-01617-6
