「国家杰青」联手!南京大学马晶/张淑娟Angew | DFT+机器学习预测抗生素光催化转化及耐药性风险!
- 2026-03-22 13:52:39
抗生素的光催化降解虽高效，却可能产生持续甚至放大生态风险的转化产物（TPs），包括诱导抗生素耐药基因（ARG）。
2026年1月20日，南京大学张淑娟，马晶在国际知名期刊Angewandte Chemie International Edition发表题为《Mapping Antibiotic Photocatalytic Transformation and Resistance Risks with a DFT-Informed Machine Learning Workflow》的研究论文，Chen-Chen Zhao为论文第一作者，张淑娟，马晶为论文共同通讯作者。
在本文中，作者构建了一个耦合光催化实验、高分辨质谱、密度泛函理论（DFT）计算与机器学习（ML）的预测框架，用于评估TPs的风险。以四环素为模型，构建了包含120步、9533条反应的反应网络，并训练ML模型以DFT精度快速预测吉布斯自由能变化；集成自动过渡态搜索评价网络内的动力学可行性。该方法的普适性在涉及545条反应的五种不同抗生素路径中得到验证。
进一步提出整合多样性、生态毒性、可生物降解性与可行性（DEBF）的多维评分系统，按反应性与可持续性对路径进行排序。鉴定出若干羟基化、氨基化及酰胺-酮类TPs为具有增强ARG结合潜力的高风险物种。通过将分子能量学与生态结果衔接，本工作提供了一种可推广、机制锚定且具备风险意识的光催化转化分析方法，为平衡效率与生态安全的污染物降解设计原理奠定基础。
来自制药、农业与工业的有机污染物持续排放，正不断冲击全球水环境的完整性。其中，抗生素尤为令人担忧：其结构复杂、环境持久，且其转化产物（TPs）可能促进抗生素耐药并产生未知毒理效应，对生态系统与公共健康构成重大威胁。高级氧化工艺，尤其是多相光催化，通过光照产生活性氧物种（ROS），可高效且可持续地降解难分解抗生素，因而被视为极具前景的治理策略。
然而，现有研究多聚焦于降解效率，对其降解机制及TPs环境归趋的理解仍十分有限。高分辨质谱与网络化方法的结合，使全面追踪转化路径成为可能；数据驱动算法也被用于推断中间体结构并预测其演化，以构建“转化轨迹图”。但仅凭质谱数据解析TPs结构仍面临挑战：单一质荷比可能对应众多异构体，导致候选结构组合爆炸，既增加结构识别的不确定性，也提升理论验证与路径构建的计算复杂度。
与此同时，单分子传感平台虽已在其他领域实现氨基酸及其翻译后修饰的单分子水平识别，但尚未广泛应用于水体污染物。此外，光催化氧化复杂结构的抗生素时，除经典断裂与矿化外，还可能发生自由基驱动的重排及分子间偶联，形成稳定、难降解且可能有毒的寡聚产物，从而复杂化降解过程解读，并挑战“降解越彻底越安全”的传统假设。因此，亟需发展能全面捕捉转化路径多样性并快速预测环境风险的新策略。
在本文中，作者开发了一种机制知情且风险感知的自动工作流，以可见光驱动的掺硫TiO2催化体系为模型，通过耦合光降解实验、LC-MS/HRMS分析、DFT计算与过渡态探索，率先确定主导ROS与关键TPs；随后构建包含逾九千条反应的四环素（TC）详细反应网络，并训练机器学习模型以DFT精度快速预测各步热力学可行性，实现网络级路径评估；进一步提出整合多样性、生态毒性、可生物降解性与可行性的多维DEBF评分系统，优先排序兼顾效率与可持续的最优转化路线；最终通过分子对接量化TPs诱导抗生素耐药的潜在风险，发现若干TPs与tetM蛋白关键活性位点强烈相互作用，提示其增强耐药基因（ARG）结合倾向的可能机制。
通过将分子结构、反应能量学、转化多样性与生态风险衔接，本研究不仅深化了光催化抗生素降解的机制理解，也建立了可推广的方法学，用于筛选更安全、更可持续的水处理工艺。
图1：风险-效率双目标工作流程。以S-TiO2为催化剂，耦合实验、HRMS、DFT与ML，构建DEBF多维度评分框架，实现对抗生素光催化转化路径的反应活性与生态风险同步评估。
图2：抗生素可见光催化降解性能与活性物种识别。S-TiO2在180 min内对TC、CIP、BCH去除率>94%，EPR与淬灭实验揭示·OH、O2·−、h+等ROS贡献度因抗生素结构差异而呈现明显选择性。
图3：TC降解路径与反应网络。LC-MS锁定45种中间体，构建含9533步反应的网络，DFT计算显示去羰基、脱氨、开环步骤热力学最利，绿色边标注≤1.95eV低势垒可行路线。
图4：关键转化步骤的完整能量剖面。TP32→TP72与TP53→TP67两条路径的逐步Gibbs自由能与过渡态结构被解析，速率控制步势垒0.43–1.95 eV，证实光催化条件下动力学可及。
图5：ML预测反应自由能。基于9533DFT数据训练XGBoost/GBR模型，测试R2>0.98，特征重要性指向H+、e−、EH-L等8个描述符，外推至545条文献反应仍保持高精度，实现网络级快速筛选。
图6：原子级降解热点图谱。结合Fukui函数与SISSO回归，量化z-TC+/−各原子对·OH、e−、1O2等五类ROS的响应，C9、C12、N36等位点呈红色高敏区，指导构建代表性低能降解通道。
图7：DEBF多准则路径评分。将多样性、毒性、生物降解性、可行性归一化得分映射至三维，绿色低危优选路径集中在TC→TP11→TP43→TP67与TC→TP22→TP32→TP72，为后续实验验证提供靶线。
图8：ARG风险诱导评估。分子对接显示优选路径产物对tetM蛋白平均结合能降低0.66kcal mol-1，欧氏距离投影将TPs清晰分为低-中-高风险三区，证实所选路线可同步削弱抗性基因传播潜力。
综上，作者构建实验-DFT-机器学习耦合框架，在9533步反应网络中快速预测抗生素光催化转化路径的能效与生态风险，提出DEBF多准则评分并识别低毒、易降解、耐药风险小的优先生成路线，为设计高效且环境安全的水处理工艺提供可推广范式。
Mapping Antibiotic Photocatalytic Transformation and Resistance Risks with a DFT-Informed Machine Learning Workflow. Angew. Chem. Int. Ed., 2026. https://doi.org/10.1002/anie.202520124.
