第一作者：Yun Sun
通讯作者：Zhimin Ao
DOI：https://doi-org.remotexs.ntu.edu.sg/10.1039/D3TA02371K
图片摘要
为了更好地理解、解释并预测微藻对关键环境变化的动态响应，研究人员开发了不同的数学模型。代谢模型能够揭示微藻生产目标化合物的代谢网络，但其得到的代谢碳通量受限于特定条件下的稳态假设。为了预测光暗循环或氮充足与缺乏转换期间的动态碳通量，需要多个准稳态时间间隔，这使得模型复杂且计算成本高昂。动力学模型允许整合多种环境因素来动态调节藻类生长和生物燃料生产。但是，仅基于经验关系的动力学模型通常是对藻类系统的黑箱表示，无法揭示环境因素如何调控不同生物过程。
在这项研究中，作者建立了一个新的动力学模型，改进了受光和氮因素调控的光合固碳和碳分配过程的动态建模。该模型能表征并预测广泛光照和氮条件下中性脂质、碳水化合物和功能性生物质的生产。通过可识别性、不确定性和敏感性分析验证了模型的可靠性。所提出的建模框架有助于合理研究微藻细胞过程对环境变化的响应，并为实现最优生物质生长和生物燃料生产提供有用的见解。
DFT
数据生成：为了构建用于催化剂预测的ML模型，有效的描述符必须既能代表催化剂的电子结构，又能反映其在催化过程中的特性。通过DFT计算确定了27种M–N–C催化剂的Ebar，并将其设置为目标数据。根据金属原子的固有属性选择了五个描述符，包括电负性(E)、d电子数(θd)、族数(g)和半径(rM)，作为构建ML模型的特征。与金属结合的氮原子数(NN)也被考虑在内。27个催化剂的输入数据(E、θd、g、rM、NN)和目标数据(Ebar)构成了ML模型构建的数据集（表S5）。
模型训练与测试：将数据集分为两个子集：一个训练数据集包含22个输入-目标对，一个测试数据集包含5个输入-目标对，分别对应V@N2C2、Y@N2C2、Ru@N3C1、Mn@N4和Zn@N4。经过900次训练迭代后，选出了均方误差最小的最佳模型。
M@NxCy的稳定性和电子性质
图1作为候选的(a)M@N2C2、(b)M@N3C1、(c)M@N4和(d)28个过渡金属原子的构型的说明
Nb、Mo、Tc、Ta、W和Re无法在所有三个配置中被稳定固定。此外，Zr@N3C1,Zr@N4,Ag@N4,Hf@N4,和Au@N4也被发现不稳定。通过排除上述23种配置，共识别出61种热力学稳定的催化剂供进一步研究。对初步筛选得到的61种催化剂的d轨道PDOS及εd进行了深入计算，M@N2C2、M@N3C1和M@N4分别如图S1、S2和图3所示。
在27种选定的M@NxCy催化剂上产生ROS的可能反应途径如图6a-c所示。通过DFT计算，活化能垒（Ebar）和反应能（ΔE）为27种M–N–C催化剂的催化性能提供了定量指导（表S4）。
ML模型
为了有效评估所有催化剂的催化性能，作者采用了基于少样本学习算法的ML模型来预测PMS活化性能并识别关键影响因素。图7a演示了ML流程的工作流程。根据上述训练好的ML模型，预测了剩余34种M@NxCy催化剂的能垒。按Ebar排序的前五名催化剂为Y@N4、Sc@N4、Mn@N2C2、Y@N3C1和Mn@N3C1。然而，Y和Sc元素具有放射性，因此Mn@N2C2和Mn@N3C1为在实际应用中有效激活PMS提供了有希望的方向。根据互信息（MI）结果，作者按与目标数据的相关性列出了五个最重要的特征（图7b）。
点击“原文链接”，查看论文
声明：本公众号分享的前沿学术成果来源于各学术网站，不依法享有其所有权。若原作者发现本次分享中的文字及图片涉及侵权，请立刻联系公众号后台或发送邮件，我们将及时修改或删除！
邮箱：environmodel@sina.com
若您认为有用，欢迎
将Environmodel设为星标，或
点击“在看”或“分享”给他人
