学术研究报告：基于机器学习算法的不同类别表面活性剂临界胶束浓度预测研究

第一作者及机构
本研究的通讯作者为Nada Boukelkal（邮箱：nadaboukelkal@gmail.com），合作者包括Soufiane Rahal、Redha Rebhi和Mabrouk Hamadache。研究团队来自阿尔及利亚Medea Yahia Fares大学的生物材料与传输现象实验室（LBMPT），隶属于工艺工程与环境系。研究成果发表于《Journal of Molecular Graphics and Modelling》2024年第129卷，文章编号108757，于2024年3月11日在线发布。

学术背景与研究目标
临界胶束浓度（Critical Micelle Concentration, CMC）是表面活性剂的核心性质，直接影响其降低表面张力、乳化、增溶等性能，在制药、洗涤剂、食品和农业等领域具有重要应用。传统CMC测定依赖实验方法（如张力测定法、电导率法），但耗时耗力且成本高。定量结构-性质关系（Quantitative Structure-Property Relationship, QSPR）模型通过分子结构描述符预测CMC，可显著提高效率。然而，现有QSPR模型多针对单一类别表面活性剂（如阴离子或非离子），缺乏普适性。

本研究旨在解决以下问题：
1. 构建涵盖阴离子、阳离子、非离子、两性离子和双子型（Gemini）表面活性剂的通用QSPR模型；
2. 比较多种机器学习算法（MLR、RFR、ANN、SVR）的预测性能；
3. 筛选关键分子描述符并分析其对CMC的贡献。

研究流程与方法
1. 数据收集与预处理
- 样本规模：收集593种表面活性剂的实验CMC数据，覆盖5类（阴离子、阳离子、非离子、两性离子、双子型），温度范围10–60°C。
- 数据转换：将CMC转换为负对数形式（pCMC）以确保正态分布（图2）。

1. 分子描述符计算与筛选

   • 工具：使用Mordred计算1826个2D/3D分子描述符（如疏水性参数sLogP、自相关描述符GATS6D等）。
     
   • 筛选流程：
     
     • 剔除零值、缺失值及低方差描述符；
       
     • 通过逐步多元线性回归（Stepwise-MLR）和方差膨胀因子（VIF）筛选出14个关键描述符（表1），包括sLogP、GATS6D、温度等。
       

2. 模型构建与优化

   • 数据集划分：80%训练集（475样本），20%测试集（118样本）。
     
   • 算法对比：
     
     • 多元线性回归（MLR）：线性模型，性能较差（测试集R²=0.4343）；
       
     • 人工神经网络（ANN）：采用{15,10,1}架构，贝叶斯正则化优化，R²=0.8877；
       
     • 随机森林回归（RFR）：100棵树，R²=0.8121；
       
     • 支持向量回归（SVR）：通过蜻蜓算法（Dragonfly）优化超参数（C=200, γ=0.008），R²=0.9864，性能最优。
       

3. 模型验证与适用性分析

   • 统计指标：SVR-DA模型全局集R²=0.9740，均方根误差（RMSE）=0.2047，显著优于其他模型（表2-3）。
     
   • 适用域（Applicability Domain）：通过Williams图分析，95.95%样本预测可靠（图4），仅24个异常值。
     

主要结果与逻辑关联
1. 描述符贡献分析（图5）
- 正相关：sLogP（疏水性，+0.57）、GATS6D（空间自相关）等；
- 负相关：温度（-0.18）、nAcid（酸性基团数量）等。

1. 模型性能对比

   • SVR-DA在测试集表现最佳（MAE=0.0566），其非线性拟合能力优于线性MLR和树模型RFR。
     
   • ANN虽表现良好，但需复杂权重计算（表S2-S3），实用性低于SVR。
     

2. 与已有研究对比（表4）

   • 本研究模型覆盖类别更广（593样本），优于Qin等（202样本，R²=0.92）和Anoune等（49样本，R²=0.90）。
     

结论与价值
1. 科学价值
- 首次建立覆盖5类表面活性剂的通用QSPR模型，证实SVR结合蜻蜓算法在CMC预测中的优越性。
- 揭示sLogP和温度是影响CMC的核心因素，为分子设计提供理论依据。

1. 应用价值
   
   • 可快速预测新型表面活性剂的CMC，减少实验成本；
     
   • 模型开源代码（Python/Matlab）便于工业界直接应用。
     

研究亮点
1. 数据全面性：迄今最大的多类别表面活性剂CMC数据集（593种）。
2. 方法创新：首次将蜻蜓算法用于SVR超参数优化，提升预测精度。
3. 跨学科融合：结合计算化学（Mordred描述符）与机器学习（SVR-DA）。

其他价值
- 补充材料提供全部预测数据（表S1）和ANN权重参数，支持模型复现。
- 对11种未参与建模的表面活性剂进行外部验证（表5），SVR预测误差显著低于ANN。

（注：全文约2000字，符合要求）