AI赋能科研:AI辅助复现DBPs水解预测模型及拓展研究

多客科技

作者：微信文章



个人简介：姓名：杨皓程专业/年级：环境科学与工程/2024级博研究方向：水质净化与安全保障技术AI辅助复现DBPs水解预测模型及拓展研究
饮用水消毒副产物(DBPs)的环境风险评估是当前环境领域的重要课题，预测其水解速率是其中的关键一环。然而，复现相关文献中的复杂模型（如QSAR）对缺乏编程和计算背景的新手来说是巨大挑战。本次实践展示了如何借助AI，不仅在短短三天内高效完成一篇CEJ论文的核心模型复现，更拓展原文，进行了深入的方法学验证和模型可靠性评估。
第一部分：精准复现论文核心模型与方法
在 AI的“手把手”指导下，我们克服了环境搭建、数据处理等初期障碍，聚焦于论文的核心方法学：

（1）多元线性回归(MLR)模型复现：我们精确重现了论文中基于7个关键分子描述符构建的MLR Model 6。结果显示，模型的各项性能指标（R², Adj.R², Q²_LOO, 测试集R²≈0.783等）与原文报道高度吻合，验证了我们流程的准确性和该MLR模型的可靠性。

（2）关键描述符来源验证：我们不仅使用了论文数据，更进一步实践了描述符的获取过程。通过RDKit计算了分子量、原子计数等结构描述符，并成功运用Gaussian量子化学计算复现了偶极矩(μ)，真正理解了模型输入的“来龙去脉”。

（3）方法学细节确认：我们模拟了论文中的特征筛选流程，并通过R²矩阵热图（图1）直观分析了我们选出的描述符间的相关性，验证了论文中相关性分析方法的有效性。



图1  R²矩阵热图
第二部分：拓展原文的ANN模型深度探索与批判性评估
论文声称人工神经网络(ANN)性能优异，但缺乏细节且可能仅为单次最佳结果。对此，我们进行了原文的拓展研究：

（1）系统性超参数调优：我们没有止步于初步尝试，而是与AI协作设计并执行了多轮、系统的超参数搜索，探索了不同网络结构、学习率、正则化策略（如Dropout）等对模型性能的影响。

（2）首次引入严格的稳定性评估：针对ANN对随机初始化的高度敏感性（这是原文未提及的关键问题），我们创新性地对每个有潜力的配置进行了多达30次的独立重复运行。

（3）揭示ANN真实性能与局限：图2集中展示了我们这项拓展研究的核心发现。结果表明：ANN确实具有潜力，其最佳配置在某些单次运行中R²可超过0.9，显著优于MLR。然而，其平均性能（图中条形高度，最佳约0.79）仅能略微超过MLR水平（红色虚线）。更重要的是，巨大的标准差（图中误差棒长度）证明了ANN在此小数据集上表现极不稳定，揭示了原文报告的单次高精度结果缺乏可靠性和普适性。

（4）基于代表性模型的深入比较：为了进行客观评估，我们选取了性能最接近多次运行平均水平的代表性ANN模型，与MLR进行了最终对比。图3清晰展示：整体预测性能方面（图3a），代表性ANN(空心)与MLR(实心)均围绕1:1线分布，但ANN未显现绝对优势。分类别性能方面（图3b）：代表性ANN在处理含N/O官能团的DBP类别（如卤代乙酸、卤代酰胺）时表现更优（RMSE更低），而MLR在结构相对简单的类别（如卤代甲烷、卤代酮）上更稳健。这提供了比原文更细致、更可靠的模型选择依据。

本次AI助力实践，不仅高效完成了高难度复现，更通过严谨探索对模型能力边界获得了更加深刻可靠的认识，展现了人机协同在批判性科研分析中的巨大潜力。



图2  ANN调优对比条形图



图3  MLR和ANN模型性能对比图
感悟

AI在科研学习中扮演了潜力巨大的“加速器”和“导航仪”。它能快速提供信息、生成代码、解释概念、调试错误，极大地降低了学习门槛，提高了研究效率，尤其对于缺乏经验的新手。但AI并非万能，它缺乏真正的批判性思维和领域深耕经验，有时会出错或给出不完善的建议。研究的主导权仍在人手中，我们需要设定目标、提出问题、甄别信息、做出判断，并通过与AI的高效互动，将其“驯化”为解决具体科研问题的得力工具，最终实现知识的内化和能力的提升。



END

图文来源 | 环境学院