KI hilft dabei, bessere Biokohle-Katalysatoren zur Beseitigung von Antibiotikabelastungen zu entwickeln

Die Verschmutzung durch Antibiotika ist ein zunehmendes Problem für die Umwelt und die öffentliche Gesundheit. Diese Verbindungen können in Flüsse, das Grundwasser, Abwassersysteme und landwirtschaftliche Umgebungen gelangen, wo sie dort verbleiben, Wasserorganismen schädigen und zur Ausbreitung von Antibiotikaresistenzen beitragen können. Biokohle, ein kohlenstoffreiches Material aus Biomasse, hat sich als vielversprechender nachhaltiger Katalysator für den Abbau von Antibiotika erwiesen. Dennoch ist es nach wie vor schwierig, die richtige Biokohle für das richtige Behandlungssystem zu entwickeln, da viele Faktoren gleichzeitig die Leistung beeinflussen.

Ein Forschungsteam hat nun ein interpretierbares Framework für künstliche Intelligenz entwickelt, das die Reaktionsgeschwindigkeit des Antibiotikaabbaus in Biokohle-katalysierten Systemen vorhersagen kann. Die in Biochar veröffentlichte Studie kombiniert Umweltchemie, Materialwissenschaften und Deep Learning, um zu ermitteln, welche Eigenschaften der Biokohle und welche Reaktionsbedingungen am wichtigsten sind.

„Biokohle-basierte Katalysatoren sind sehr vielversprechend, aber ihre Leistung wird durch komplexe Wechselwirkungen zwischen Porenstruktur, Oberflächenchemie, persistenten freien Radikalen, Oxidationsmittel-Dosierung und Schadstoffkonzentration bestimmt“, so die korrespondierenden Autoren. „Unser Ziel war es, ein praktisches KI-Tool zu entwickeln, das nicht nur die Abbaukinetik vorhersagt, sondern auch erklärt, warum bestimmte Systeme besser funktionieren als andere.“

Das Team stellte einen umfassenden Datensatz aus 75 begutachteten Studien zusammen, der mehrere Antibiotikaklassen abdeckt, darunter Tetracycline, Fluorchinolone und Sulfonamide. Es bewertete 16 Eingabemerkmale in drei Hauptkategorien: Eigenschaften des Biokohle-Katalysators, Elementzusammensetzung und Reaktionsbedingungen. Sechs Modelle des maschinellen Lernens wurden getestet, darunter Random Forest, XGBoost, LightGBM, Support-Vektor-Regression, Multilayer Perceptron und TabPFN, ein auf Transformatoren basierendes Deep-Learning-Modell, das für tabellarische Daten entwickelt wurde.

TabPFN lieferte die stärkste Vorhersageleistung und erreichte einen Test-R²-Wert von 0,91 sowie einen quadratischen Mittelwertfehler von 0,021. Diese Leistung übertraf die von baumbasierten, kernelfreien und herkömmlichen neuronalen Netzmodellen und zeigte die Fähigkeit des Transformer-basierten Lernens, kleine, aber komplexe Umweltdatensätze zu verarbeiten.

Über die Vorhersage hinaus lieferte das Modell wichtige mechanistische Erkenntnisse. Die Eigenschaften des Katalysators trugen zu 59,3 % zur Vorhersagekraft des Modells bei, gefolgt von den Reaktionsbedingungen mit 25,9 % und der Elementzusammensetzung mit 14,8 %. Zu den einflussreichsten Faktoren zählten persistente freie Radikale, das Gesamtporenvolumen, die Oxidationsmittelkonzentration, die Schadstoffkonzentration, die graphitische Struktur, die durchschnittliche Porengröße, die Biokohledosierung und das Raman-ID/IG-Verhältnis.

Die Analyse legt nahe, dass Biochars, die reich an persistenten freien Radikalen sind und bei etwa 450 bis 550 °C gebildet wurden, die Bildung reaktiver Sauerstoffspezies fördern und so den Abbau von Antibiotika beschleunigen können. Ein Gesamtporenvolumen von über 0,23 cm³ g⁻¹ stand ebenfalls mit einer stärkeren katalytischen Leistung in Zusammenhang, wahrscheinlich weil eine verbesserte Porosität die Schadstoffadsorption, den Oxidationsmitteltransport und den Zugang zu aktiven Stellen verbessert.

Die Studie identifizierte zudem praktische Betriebsfenster. Moderate Oxidationsmittelkonzentrationen von etwa 0,5 bis 5,5 mg L⁻¹ verbesserten den Abbau, während ein Überschuss an Oxidationsmittel die Effizienz durch Radikalfängerwirkung verringern kann. Niedrigere Schadstoffkonzentrationen, insbesondere unter 22 mg L⁻¹, waren mit einem schnelleren Abbau verbunden, da aktive Stellen besser verfügbar blieben.

Um den Einsatz in der Praxis zu unterstützen, haben die Forscher das Modell in eine benutzerfreundliche, webbasierte grafische Oberfläche eingebettet. Nutzer können Katalysatoreigenschaften, Elementzusammensetzung und Reaktionsbedingungen eingeben, um die Abbauraten von Antibiotika abzuschätzen. In einer externen Validierung sagte das Tool die Leistung neuer Biokohle-Katalysatoren mit einer Fehlerquote von unter 20 % voraus.

„Dieses Framework kann Forschern helfen, Biokohle-Katalysatoren zu screenen, bevor sie umfangreiche Experimente durchführen“, so die Autoren. „Es bietet einen schnelleren, besser nachvollziehbaren und kostengünstigeren Weg zur Optimierung von Aufbereitungssystemen für mit Antibiotika kontaminiertes Wasser.“ 

Die Ergebnisse zeigen, wie interpretierbare KI die Umweltsanierung von Versuchen nach dem Prinzip „Versuch und Irrtum“ hin zu einem datengestützten Katalysatordesign führen kann. Durch die Verknüpfung von Vorhersagen mit mechanistischem Verständnis bietet die Studie eine allgemeine Strategie zur Verbesserung von Technologien auf Biokohlebasis und anderen komplexen katalytischen Systemen, die in der Schadstoffbekämpfung eingesetzt werden.