机器学习预测药物污染物电化学氧化降解动力学：GNN与传统模型协同框架

东南大学团队开源预测框架，结合传统机器学习与图神经网络（GNN），用于预测药物污染物电化学氧化降解动力学，包含355组实验数据与SHAP可解释性分析，助力环境风险评估、工艺优化及方法学参考。

现代医药工业导致药物活性化合物持续进入水体，传统污水处理工艺难以有效降解复杂分子结构的污染物；电化学氧化技术高效环保，但因药物分子结构差异大、反应条件（电压、pH、电解质浓度）影响复杂，降解动力学预测存在难题。

项目采用多模型协同框架，整合传统ML与GNN：

1. 传统ML基线：建立SVM、随机森林等模型，基于分子数值特征提供基准；
2. XGBoost优化模型：经超参数优化，处理表格特征捕捉非线性交互；
3. GNN模型：将分子建模为图（原子为节点、化学键为边），学习拓扑结构对降解的影响； 同时提供完整数据处理流程（清洗、特征工程、标准化）。

数据集含355组实验观测数据，覆盖31种药物；通过SHAP分析量化分子特征贡献，识别关键影响因素（如特定官能团、芳香环结构、杂原子位置），验证模型合理性并指导环境风险评估。

框架价值体现在：

• 环境风险评估：快速预测新药物分子降解特性；
• 工艺优化：指导电化学氧化反应条件选择；
• 方法学参考：传统ML与GNN协同策略可迁移至其他环境化学问题。

项目开源（GitHub链接：https://github.com/Chenwx-seu/EO-Pharmaceutical-Pollutants-ML），需引用关联论文；代码结构清晰（含模型定义、训练、评估、可视化工具），适合作为教学案例与研究起点；建议研究者结合领域知识使用该框架解决实际环境问题。