尿素与草甘膦的共同暴露会增加蚯蚓对草甘膦的毒性：来自具有不同敏感性的物种的证据

《Environmental Science & Technology》：Urea Co-exposure Increases Glyphosate Toxicity in Earthworms: Evidence from Species with Distinct Sensitivities

　　全氟化合物（PFASs）降解面临传统方法无效的挑战，本研究构建DFT-ML联合框架加速催化剂设计。通过分析18种中间体在12种过渡金属表面的形成能，揭示热力学趋势与线性关系，实现复杂降解网络简化。开发的机器学习模型基于电子相互作用、官能团效应等特征，分类准确率达0.90。该框架可扩展至其他持久性污染物处理。

　　

全氟和多氟烷基物质（PFASs），尤其是三氟乙酸（TFA），由于其极强的持久性，已成为全球性的环境污染物。传统的处理方法效果有限，这凸显了开发先进催化剂设计策略的必要性。在这项研究中，我们构建了一个理论框架，将密度泛函理论（DFT）和机器学习（ML）相结合，以加速PFAS降解催化剂的发现。通过系统评估12种过渡金属表面上18种关键降解中间体的形成能，我们发现了一致的热力学趋势，并揭示了控制脱氟和碳链断裂的线性关系。这些关联有助于简化复杂的降解过程，从而可以利用代表性中间体重建降解路径。此外，我们还引入了一种基于知识驱动的特征的机器学习模型，该模型能够捕捉金属-吸附物之间的电子相互作用、官能团效应以及分子性质差异，在分类吸附相关模式时取得了0.90的F1分数。尽管当前框架仅适用于这一领域，但可以通过扩展数据集进行重新训练，以覆盖更广泛的PFAS家族或其它类型的催化剂。总体而言，我们的DFT-ML框架为PFAS降解催化剂的筛选提供了机制洞察和基于描述符的指导策略，其方法也可能适用于其他持久性有机污染物的处理。