L'intelligenza artificiale aiuta gli scienziati a progettare catalizzatori a base di biochar più efficaci per eliminare l'inquinamento da antibiotici

L'inquinamento da antibiotici è una preoccupazione crescente per l'ambiente e la salute pubblica. Questi composti possono finire nei fiumi, nelle acque sotterranee, nei sistemi fognari e negli ambienti agricoli, dove possono persistere, influenzare gli organismi acquatici e contribuire alla diffusione della resistenza agli antibiotici. Il biochar, un materiale ricco di carbonio ottenuto dalla biomassa, si è dimostrato promettente come catalizzatore sostenibile per la degradazione degli antibiotici. Tuttavia, progettare il biochar giusto per il sistema di trattamento giusto rimane difficile perché molti fattori influenzano le prestazioni contemporaneamente.

Un team di ricerca ha ora sviluppato un framework di intelligenza artificiale interpretabile in grado di prevedere la velocità di reazione della degradazione degli antibiotici nei sistemi catalizzati dal biochar. Lo studio, pubblicato su Biochar, combina chimica ambientale, scienza dei materiali e deep learning per identificare quali caratteristiche del biochar e quali condizioni di reazione siano più rilevanti.

"I catalizzatori a base di biochar sono molto promettenti, ma le loro prestazioni sono determinate da complesse interazioni tra struttura porosa, chimica superficiale, radicali liberi persistenti, dosaggio di ossidanti e concentrazione di inquinanti", hanno affermato gli autori corrispondenti. "Il nostro obiettivo era quello di costruire uno strumento pratico di IA che non solo prevedesse la cinetica di degradazione, ma spiegasse anche perché alcuni sistemi funzionano meglio di altri".

Il team ha compilato un set di dati completo tratto da 75 studi sottoposti a revisione tra pari, che coprono diverse classi di antibiotici, tra cui tetracicline, fluorochinoloni e sulfonamidi. Sono state valutate 16 caratteristiche di input in tre categorie principali: proprietà del catalizzatore a base di biochar, composizione elementare e condizioni di reazione. Sono stati testati sei modelli di apprendimento automatico, tra cui Random Forest, XGBoost, LightGBM, Support Vector Regression, Multilayer Perceptron e TabPFN, un modello di deep learning basato su transformer progettato per i dati tabulari.

TabPFN ha fornito le prestazioni predittive più elevate, raggiungendo un R² di test pari a 0,91 e un errore quadratico medio di 0,021. Queste prestazioni hanno superato quelle dei modelli basati su alberi, su kernel e sulle reti neurali convenzionali, dimostrando la capacità dell'apprendimento basato su transformer di gestire set di dati ambientali piccoli ma complessi.

Oltre alla previsione, il modello ha rivelato importanti approfondimenti meccanicistici. Le proprietà del catalizzatore hanno contribuito per il 59,3% alla capacità predittiva del modello, seguite dalle condizioni di reazione con il 25,9% e dalla composizione elementare con il 14,8%. I fattori più influenti includevano i radicali liberi persistenti, il volume totale dei pori, la concentrazione di ossidanti, la concentrazione di inquinanti, la struttura grafitica, la dimensione media dei pori, il dosaggio di biochar e il rapporto Raman ID/IG.

L'analisi suggerisce che i biochar ricchi di radicali liberi persistenti formati a circa 450-550 °C possono favorire la generazione di specie reattive dell'ossigeno, accelerando la degradazione degli antibiotici. Un volume totale dei pori superiore a 0,23 cm³ g⁻¹ è stato inoltre associato a prestazioni catalitiche più elevate, probabilmente perché una maggiore porosità migliora l'adsorbimento degli inquinanti, il trasporto dell'ossidante e l'accesso ai siti attivi.

Lo studio ha inoltre identificato finestre operative pratiche. Concentrazioni moderate di ossidante, comprese tra circa 0,5 e 5,5 mg L⁻¹, hanno migliorato la degradazione, mentre un eccesso di ossidante può ridurre l’efficienza attraverso la cattura dei radicali. Concentrazioni più basse di inquinante, in particolare inferiori a 22 mg L⁻¹, sono state associate a una degradazione più rapida poiché i siti attivi rimanevano più disponibili.

Per supportarne l'uso nel mondo reale, i ricercatori hanno integrato il modello in un'interfaccia grafica web di facile utilizzo. Gli utenti possono inserire le proprietà del catalizzatore, la composizione elementare e le condizioni di reazione per stimare i tassi di degradazione degli antibiotici. Nella validazione esterna, lo strumento ha previsto le prestazioni del nuovo catalizzatore a base di biochar con errori inferiori al 20%.

"Questo framework può aiutare i ricercatori a selezionare i catalizzatori a base di biochar prima di condurre esperimenti su larga scala", hanno affermato gli autori. "Fornisce un percorso più veloce, più spiegabile e più conveniente per ottimizzare i sistemi di trattamento dell'acqua contaminata da antibiotici". 

I risultati dimostrano come l'IA interpretabile possa far passare la bonifica ambientale da test basati su tentativi ed errori a una progettazione di catalizzatori guidata dai dati. Collegando la previsione alla comprensione meccanicistica, lo studio offre una strategia generale per migliorare le tecnologie basate sul biochar e altri sistemi catalitici complessi utilizzati nel controllo dell'inquinamento.