La IA ayuda a los científicos a diseñar mejores catalizadores de biocarbón para eliminar la contaminación por antibióticos
El biocarbón producido a temperaturas de entre 450 y 550 °C genera niveles especialmente elevados de especies reactivas de oxígeno
Anuncios
Un nuevo estudio demuestra que el aprendizaje profundo puede predecir la rapidez con la que los materiales de biocarbón descomponen los contaminantes antibióticos, lo que ofrece una vía más rápida hacia un agua más limpia y una remediación ambiental más inteligente.
La contaminación por antibióticos es una preocupación creciente para el medio ambiente y la salud pública. Estos compuestos pueden llegar a ríos, aguas subterráneas, sistemas de aguas residuales y entornos agrícolas, donde pueden persistir, afectar a los organismos acuáticos y contribuir a la propagación de la resistencia a los antibióticos. El biocarbón, un material rico en carbono elaborado a partir de biomasa, se ha mostrado prometedor como catalizador sostenible para la degradación de los antibióticos. Sin embargo, diseñar el biocarbón adecuado para el sistema de tratamiento adecuado sigue siendo difícil, ya que son muchos los factores que influyen en el rendimiento al mismo tiempo.
Un equipo de investigación ha desarrollado ahora un marco de inteligencia artificial interpretable capaz de predecir la velocidad de reacción de la degradación de antibióticos en sistemas catalizados por biocarbón. El estudio, publicado en Biochar, combina la química ambiental, la ciencia de los materiales y el aprendizaje profundo para identificar qué características del biocarbón y qué condiciones de reacción son las más importantes.
«Los catalizadores basados en biocarbón son muy prometedores, pero su rendimiento está controlado por interacciones complejas entre la estructura de los poros, la química de la superficie, los radicales libres persistentes, la dosis de oxidante y la concentración de contaminantes», afirmaron los autores correspondientes. «Nuestro objetivo era crear una herramienta práctica de IA que no solo predijera la cinética de degradación, sino que también explicara por qué ciertos sistemas funcionan mejor que otros».
El equipo recopiló un conjunto de datos exhaustivo a partir de 75 estudios revisados por pares, que abarcaban múltiples clases de antibióticos, entre ellos las tetraciclinas, las fluoroquinolonas y las sulfonamidas. Evaluaron 16 características de entrada en tres categorías principales: propiedades del catalizador de biocarbón, composición elemental y condiciones de reacción. Se probaron seis modelos de aprendizaje automático, entre ellos Random Forest, XGBoost, LightGBM, regresión de vectores de soporte, perceptrón multicapa y TabPFN, un modelo de aprendizaje profundo basado en transformadores diseñado para datos tabulares.
TabPFN ofreció el mejor rendimiento predictivo, alcanzando un R² de prueba de 0,91 y un error cuadrático medio de 0,021. Este rendimiento superó al de los modelos basados en árboles, en kernels y en redes neuronales convencionales, lo que demuestra la capacidad del aprendizaje basado en transformadores para manejar conjuntos de datos ambientales pequeños pero complejos.
Más allá de la predicción, el modelo reveló información mecánica clave. Las propiedades del catalizador contribuyeron en un 59,3 % a la capacidad predictiva del modelo, seguidas de las condiciones de reacción, con un 25,9 %, y la composición elemental, con un 14,8 %. Entre los factores más influyentes se encontraban los radicales libres persistentes, el volumen total de poros, la concentración de oxidante, la concentración de contaminantes, la estructura grafítica, el tamaño medio de los poros, la dosis de biocarbón y la relación ID/IG de Raman.
El análisis sugiere que los biocarbones ricos en radicales libres persistentes formados a aproximadamente 450-550 °C pueden promover la generación de especies reactivas de oxígeno, acelerando la degradación de los antibióticos. Un volumen total de poros superior a 0,23 cm³ g⁻¹ también se relacionó con un mayor rendimiento catalítico, probablemente porque una mayor porosidad mejora la adsorción de contaminantes, el transporte de oxidantes y el acceso a los sitios activos.
El estudio también identificó ventanas operativas prácticas. Las concentraciones moderadas de oxidante, de entre 0,5 y 5,5 mg L⁻¹, mejoraron la degradación, mientras que un exceso de oxidante puede reducir la eficiencia al eliminar los radicales. Las concentraciones más bajas de contaminantes, especialmente por debajo de 22 mg L⁻¹, se asociaron con una degradación más rápida, ya que los sitios activos permanecían más disponibles.
Para facilitar su uso en la práctica, los investigadores integraron el modelo en una interfaz gráfica web de fácil manejo. Los usuarios pueden introducir las propiedades del catalizador, la composición elemental y las condiciones de reacción para estimar las tasas de degradación de los antibióticos. En la validación externa, la herramienta predijo el rendimiento del nuevo catalizador de biocarbón con errores inferiores al 20 %.
«Este marco puede ayudar a los investigadores a seleccionar catalizadores de biocarbón antes de llevar a cabo experimentos exhaustivos», afirmaron los autores. «Ofrece una vía más rápida, más explicable y más rentable para optimizar los sistemas de tratamiento del agua contaminada con antibióticos».
Los resultados demuestran cómo la IA interpretable puede hacer que la remediación ambiental pase de las pruebas de ensayo y error al diseño de catalizadores guiado por datos. Al vincular la predicción con la comprensión mecánica, el estudio ofrece una estrategia general para mejorar las tecnologías basadas en biocarbón y otros sistemas catalíticos complejos utilizados en el control de la contaminación.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
