L'IA aide les scientifiques à concevoir de meilleurs catalyseurs à base de biochar pour éliminer la pollution par les antibiotiques

La pollution par les antibiotiques est un problème environnemental et de santé publique de plus en plus préoccupant. Ces composés peuvent se retrouver dans les rivières, les eaux souterraines, les réseaux d'assainissement et les milieux agricoles, où ils peuvent persister, affecter les organismes aquatiques et contribuer à la propagation de la résistance aux antibiotiques. Le biochar, un matériau riche en carbone issu de la biomasse, s'est révélé prometteur en tant que catalyseur durable pour la dégradation des antibiotiques. Cependant, la conception du biochar adapté à un système de traitement donné reste difficile, car de nombreux facteurs influencent simultanément ses performances.

Une équipe de recherche a désormais développé un cadre d'intelligence artificielle interprétable capable de prédire la vitesse de réaction de la dégradation des antibiotiques dans les systèmes catalysés par le biochar. L'étude, publiée dans Biochar, combine la chimie environnementale, la science des matériaux et l'apprentissage profond pour identifier les caractéristiques du biochar et les conditions de réaction les plus importantes.

« Les catalyseurs à base de biochar sont très prometteurs, mais leurs performances sont régies par des interactions complexes entre la structure poreuse, la chimie de surface, les radicaux libres persistants, le dosage d’oxydant et la concentration en polluants », ont déclaré les auteurs correspondants. « Notre objectif était de créer un outil d'IA pratique qui non seulement prédise la cinétique de dégradation, mais explique également pourquoi certains systèmes fonctionnent mieux que d'autres. »

L'équipe a compilé un ensemble de données complet à partir de 75 études évaluées par des pairs, couvrant plusieurs classes d'antibiotiques, notamment les tétracyclines, les fluoroquinolones et les sulfamides. Elle a évalué 16 caractéristiques d'entrée réparties en trois grandes catégories : les propriétés du catalyseur à base de biochar, la composition élémentaire et les conditions de réaction. Six modèles d'apprentissage automatique ont été testés, notamment Random Forest, XGBoost, LightGBM, Support Vector Regression, Multilayer Perceptron et TabPFN, un modèle d'apprentissage profond basé sur un transformateur et conçu pour les données tabulaires.

TabPFN a affiché les meilleures performances prédictives, avec un R² de test de 0,91 et une erreur quadratique moyenne de 0,021. Ces performances ont surpassé celles des modèles basés sur des arbres, sur des noyaux et sur des réseaux neuronaux classiques, démontrant la capacité de l'apprentissage basé sur les transformateurs à traiter des ensembles de données environnementales de petite taille mais complexes.

Au-delà de la prédiction, le modèle a révélé des informations mécanistiques clés. Les propriétés du catalyseur ont contribué à hauteur de 59,3 % à la puissance prédictive du modèle, suivies par les conditions de réaction (25,9 %) et la composition élémentaire (14,8 %). Les facteurs les plus influents comprenaient les radicaux libres persistants, le volume total des pores, la concentration en oxydant, la concentration en polluants, la structure graphitique, la taille moyenne des pores, le dosage de biochar et le rapport Raman ID/IG.

L'analyse suggère que les biochars riches en radicaux libres persistants formés à une température comprise entre environ 450 et 550 °C peuvent favoriser la génération d'espèces réactives de l'oxygène, accélérant ainsi la dégradation des antibiotiques. Un volume total de pores supérieur à 0,23 cm³ g⁻¹ a également été associé à une meilleure performance catalytique, probablement parce qu'une porosité améliorée favorise l'adsorption des polluants, le transport des oxydants et l'accès aux sites actifs.

L'étude a également identifié des plages de fonctionnement pratiques. Des concentrations modérées d'oxydant, d'environ 0,5 à 5,5 mg L⁻¹, ont amélioré la dégradation, tandis qu'un excès d'oxydant peut réduire l'efficacité en piégeant les radicaux. Des concentrations plus faibles de polluants, en particulier inférieures à 22 mg L⁻¹, ont été associées à une dégradation plus rapide, car les sites actifs restaient plus disponibles.

Afin de faciliter l'utilisation en conditions réelles, les chercheurs ont intégré le modèle dans une interface graphique web conviviale. Les utilisateurs peuvent saisir les propriétés du catalyseur, la composition élémentaire et les conditions de réaction pour estimer les taux de dégradation des antibiotiques. Lors d'une validation externe, l'outil a prédit les performances d'un nouveau catalyseur à base de biochar avec des erreurs inférieures à 20 %.

« Ce cadre peut aider les chercheurs à sélectionner des catalyseurs à base de biochar avant de mener des expériences approfondies », ont déclaré les auteurs. « Il offre une voie plus rapide, plus explicable et plus rentable pour optimiser les systèmes de traitement de l'eau contaminée par des antibiotiques. » 

Ces résultats démontrent comment une IA interprétable peut faire évoluer la remédiation environnementale, passant de tests par essais et erreurs à une conception de catalyseurs guidée par les données. En associant la prédiction à une compréhension mécanistique, cette étude propose une stratégie générale pour améliorer les technologies à base de biochar et d’autres systèmes catalytiques complexes utilisés dans la lutte contre la pollution.