背景介绍

塑料污染对环境与人体健康的挑战已受到全球关注。据预测，2016年至2040年间将有约13亿吨塑料废弃物泄漏进入环境。塑料添加剂包括增塑剂、抗氧化剂、阻燃剂和相容剂等最高可占塑料质量的60%。这些添加剂改善了塑料聚合物的性能，在塑料制品的日常使用中其迁移量是符合安全要求的。但是当塑料垃圾泄漏到环境中并老化破碎，有害添加剂会释放到水体和土壤等多种环境介质，对全球生态系统和人类健康构成严重威胁。例如，邻苯二甲酸酯增塑剂会产生内分泌干扰效应，致生殖发育缺陷；有机磷酸酯和溴代阻燃剂能诱发神经行为异常，增加甲状腺癌风险；全氟和多氟烷基化合物与高胆固醇和肾癌等有关。然而，塑料化学品的种类是十分庞大的，目前对其毒性的科学认知严重不足，至少约4100种化学品缺乏毒性信息。由于传统毒性评估手段耗时耗力，所谓的“新型安全替代品”往往在广泛进入市场后才被发现同样有害。因此寻找高性能、环境友好、低成本的塑料添加剂替代品成为当务之急。

文章亮点

1.    本研究首次提出利用深度学习技术构建一个整合化学生成、性能评估和毒性筛选的全新框架，以加速绿色可商用塑料添加剂的发现。首先基于神经网络批量生成大规模的新型有机化合物，可通过改造现有添加剂结构（生物基或石油基）或预测化学组成实现。建立深度学习增强的结构—性能预测模型，关联化学结构与增塑、阻燃、抗氧化、相容性等性能，并开发包含不同聚合物类型和添加剂的相互作用模型，通过添加剂性能需求快速筛选表现优良的塑料化学品。

2.    构建覆盖细胞、器官和个体水平的多层级毒性预测模型，涉及化学品与环境介质的相互作用以及代谢中间体，进而高通量筛选低毒或无毒塑料化学品。利用机器学习预测候选化学品的合成可行性与合成途径，评估合成成本。最后，通过实验验证目标化学品的实际性能与毒性，持续收集新型聚合物与添加剂的相互作用数据，不断优化化学生成与评估模型。

图文解读

图1 发现最佳绿色塑料添加剂的设计框架。现有塑料化学品的安全替代品开发过程十分缓慢且具有挑战性，基于深度学习增强的方法旨在通过多目标优化（塑料类型依赖的添加剂性能评估与多水平毒性评价）取得帕累托最优，实现性能优异、安全、成本可控的绿色塑料添加剂的快速设计与筛选，从而在源头上排除有害塑料添加剂。

总结与展望

基于深度学习的计算化学策略将化学生成、性能预测、毒性评估和合成可行性评价整合到一个框架中，为绿色塑料添加剂开发提供了解决路径。建议政府推动毒性评估在化学品设计阶段的早期整合，出台支持政策加快有毒塑料化学品的替代品研发。此外，尽管在预测聚合物的性质和毒性方面存在很多挑战，绿色塑料的研究也可以从这些计算化学策略中受益。塑料行业与研究人员之间的合作对于开发有效的化学品生成-性能-毒性预测模型至关重要，这将促进绿色化学品的设计和制造，并最终助力保护生态环境和人类健康。

原文链接：https://mp.weixin.qq.com/s/AXwJ1gr0wBsSj-iK36qSSQ