تجزیه اسپیرامایسین با فتوکاتالیست WO۳ و مدل یادگیری ماشینی XGBoost: یافته‌ها، کاربردها و محدودیت‌ها

خلاصه سریع برای خواننده

• مطالعه آزمایشگاهی مورد بحث بررسی می‌کند که چگونه فتوکاتالیست تنگستن تری‌اکسید WO3 و نور می‌توانند آنتی‌بیوتیک اسپیرامایسین را در محلول تجزیه کنند.
• سه پارامتر اساسی بررسی شد: pH محلول، غلظت WO3 و غلظت اولیه اسپیرامایسین.
• با استفاده از ۴۵ نقطه داده آزمایشی، مدل XGBoost ساخته و بهینه شد که دقت بالایی نشان داد (R2 نزدیک به ۰.۹۸ برای داده آزمون).
• بهینه‌سازی مدل، شرایط شرطی pH=۵.۰، WO3 برابر ۰.۱۲۵ گرم بر لیتر و غلظت آغازی اسپیرامایسین ۰.۱۵ گرم بر لیتر را پیشنهاد کرد که حدود ۸۷.۶ درصد تجزیه را نشان داد.
• تجزیه عمدتاً از طریق رادیکال هیدروکسیل OH• و سپس حفره‌های فوتوایندوسد h+ و H2O2 انجام می‌شود؛ اما نتایج محدود به شرایط آزمایشگاهی و ماتریس ساده است.

مقدمه

افزایش مصرف آنتی‌بیوتیک‌ها در پزشکی انسانی و دامپروری باعث ورود مقادیر قابل‌توجهی از این ترکیبات به آب‌های سطحی و فاضلاب‌ها شده است. وجود بقایای آنتی‌بیوتیک در محیط می‌تواند به ایجاد مقاومت میکروبی، اختلال در اکوسیستم‌ها و خطرات بالقوه برای سلامت عمومی منجر شود. یکی از راه‌های پیشنهادی برای حذف چنین آلاینده‌هایی استفاده از فناوری‌های پیشرفته تصفیه مانند فتوکاتالیز است. در این مطالعه که در مجله PLOS One منتشر شده است، محققان از تنگستن تری‌اکسید (WO3) به عنوان فتوکاتالیست برای تجزیه آنتی‌بیوتیک اسپیرامایسین استفاده کرده و با کمک یادگیری ماشینی مدل XGBoost پارامترهای بهینه را شناسایی کردند.

هدف مطالعه و روش کلی

هدف این پژوهش دوگانه بود: اول ارزیابی کارآیی WO3 در تجزیه اسپیرامایسین تحت شرایط فتوکاتالیتی و دوم استفاده از یک مدل یادگیری ماشینی برای تحلیل و بهینه‌سازی پارامترهای عملیاتی. پژوهشگران سه متغیر عملیاتی را انتخاب کردند: pH محلول، غلظت فتوکاتالیست WO3 و غلظت اولیه اسپیرامایسین. آنها ۴۵ نقطه داده تجربی جمع‌آوری کردند و مدل XGBoost را برای پیش‌بینی نرخ تجزیه آموزش و ارزیابی کردند. برای توضیح نقش هر پارامتر از تحلیل SHAP استفاده شد تا اهمیت نسبی ورودی‌ها و اثر تعاملی آنها بر خروجی مدل شفاف شود.

یافته‌های اصلی

عملکرد فتوکاتالیست و شرایط بهینه

نتایج آزمایشگاهی نشان داد که تحت شرایط بهینه که توسط مدل مشخص شد، یعنی pH برابر ۵.۰، غلظت WO3 برابر ۰.۱۲۵ گرم بر لیتر و غلظت اسپیرامایسین اولیه ۰.۱۵ گرم بر لیتر، نرخ تجزیه اسپیرامایسین حدود ۸۷.۶ درصد گزارش شد. این میزان نشان‌دهنده کارآیی قابل توجه WO3 در شرایط آزمایشگاهی برای حذف درصد بالایی از آلاینده مورد مطالعه است.

تحلیل مدل XGBoost و اهمیت پارامترها

مدل XGBoost با مجموعه داده ۴۵ نقطه‌ای آموزش داده شد و عملکرد بسیار خوبی نشان داد: R2 برابر با ۰.۹۹۲ روی داده‌های آموزشی و ۰.۹۸۳ روی داده‌های آزمون. تحلیل SHAP نشان داد که پارامتر pH محلول بیشترین تاثیر را بر نرخ تجزیه دارد و پس از آن غلظت آلاینده (غلظت اولیه اسپیرامایسین) بیشترین اهمیت را دارد. غلظت WO3 نیز موثر بود اما نسبت به دو عامل قبلی اهمیت کمتری داشت.

نقش گونه‌های اکسیدکننده

آزمایش‌های واکنشگر/پاک‌کننده نشان داد که نقش اصلی در نابودی اسپیرامایسین را رادیکال هیدروکسیل (OH•) دارد، سپس حفره‌های فوتوایندوسد h+ و هیدروژن پراکسید H2O2 نیز در فرایند دخیل هستند. این یافته‌ها با مکانیزم‌های شناخته‌شده فتوکاتالیز همخوانی دارد که شامل تولید گونه‌های فعال اکسیژن و واکنش‌های رادیکالی برای شکست پیوندهای آلی در مولکول آلاینده است.

تحلیل فنی یافته‌ها

چرا pH مهم است

pH می‌تواند روی چند جنبه اثر بگذارد: بار سطحی فتوکاتالیست، یونیزاسیون آلاینده، تولید گونه‌های رادیکالی و نرخ جذب سطحی مولکول‌ها. بنابراین تغییرات کوچک در pH می‌تواند منجر به تغییرات قابل‌توجه در راندمان فتوکاتالیز شود. در این مطالعه pH اسیدی ضعیف (حدود ۵.۰) برای واکنش بهینه شناسایی شد.

تاثیر غلظت کاتالیست و آلاینده

افزایش غلظت WO3 تا حدی می‌تواند تولید جایگاه‌های فعال برای جذب نور و تشکیل گونه‌های فعال را افزایش دهد؛ اما پس از یک مقدار مشخص، اثر افزایش غلظت کاتالیست کم می‌شود یا حتی نور جذب شده را مسدود می‌کند. از سوی دیگر افزایش غلظت آلاینده می‌تواند باعث رقابت مولکول‌ها برای جذب سطحی و کاهش راندمان نسبی تجزیه شود؛ این مطالعه نشان داد که غلظت اولیه اسپیرامایسین تأثیر مهمی دارد.

ارزیابی مدل یادگیری ماشینی

استفاده از XGBoost یک مزیت برای شناسایی روابط غیرخطی و تعاملی بین پارامترها فراهم می‌کند. اما مدل‌های ML نیاز به مجموعه داده مناسب، پیش‌پردازش و اعتبارسنجی دقیق دارند تا از برازش بیش از حد جلوگیری شود. در این مطالعه دقت بالای مدل نویدبخش است، اما باید توجه داشت که حجم داده محدود و شرایط کنترل‌شده آزمایشگاهی ممکن است توان تعمیم مدل را محدود کند.

کاربردهای بالینی و محیط زیستی این یافته

این مطالعه کاربرد بالینی مستقیم ندارد، اما پیامدهای محیط زیستی آن برای سلامت عمومی مهم است. حذف مؤثر بقایای آنتی‌بیوتیک از آب‌های سطحی و فاضلاب می‌تواند به کاهش خطر انتشار مقاومت‌های دارویی کمک کند و بار مخاطرات زیستی برای انسان‌ها و اکوسیستم‌ها را کاهش دهد. فناوری‌هایی مانند فتوکاتالیز مبتنی بر WO3 ممکن است در کنار دیگر روش‌های تصفیه به عنوان بخشی از زنجیره تصفیه فاضلاب قرار گیرند، به ویژه برای حذف آلاینده‌های مقاوم به روش‌های مرسوم.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• این پژوهش در شرایط آزمایشگاهی کنترل‌شده انجام شده و از ماتریس ساده آب استفاده شده است. کیفیت آب‌های واقعی شامل مواد آلی، یونی و ذرات معلق است که می‌تواند عملکرد فتوکاتالیز را تغییر دهد.
• حجم داده‌ها نسبتاً کوچک است (۴۵ نقطه داده). مدل‌های یادگیری ماشینی با داده بیشتر و متنوع‌تر قابل‌اطمینان‌تر خواهند بود.
• پایداری و بازیابی فتوکاتالیست WO3 در درازمدت، اثرات فرسایش، رسوب‌گیری و کاهش عملکرد پس از چرخه‌های متعدد در این مطالعه بررسی نشد.
• محصولات جانبی حاصل از تجزیه اسپیرامایسین شناسایی و سمی‌شناسی آنها بطور کامل ارزیابی نشده است. تجزیه کامل یک مولکول الزاماً به معنی بی‌خطر بودن محصولات آن نیست.
• همگرایی مدل بالا می‌تواند نشانه برازش خوب باشد اما خطر اُوِرفیتینگ وجود دارد؛ اعتبارسنجی بیشتر با داده‌های مستقل مورد نیاز است.
• شدت و نوع منابع نور، دما و حضور دیگر یون‌ها یا مواد آلی که در سیستم‌های واقعی وجود دارند می‌تواند اثرگذاری را تغییر دهد؛ این موارد در این مطالعه به‌صورت جامع سنجیده نشده‌اند.

نظر تحریریه پزشک سایت

نتایج این مطالعه نشان می‌دهد که فتوکاتالیست WO3 در شرایط آزمایشگاهی می‌تواند به‌طور مؤثری اسپیرامایسین را کاهش دهد و استفاده از مدل‌های یادگیری ماشینی مانند XGBoost ابزاری مفید برای یافتن پارامترهای بهینه است. با این حال، نتایج باید به‌صورت محتاطانه تفسیر شوند. برای کاربرد در مقیاس واقعی به مطالعات بیشتر در ماتریس‌های پیچیده‌تر آب، ارزیابی پایداری کاتالیست، و بررسی محصولات تجزیه و اثرات زیست‌محیطی نیاز است. توصیه می‌کنیم پژوهش‌های بعدی شامل آزمایش‌های میدانی و ارزیابی اقتصادی باشند تا امکان انتقال فناوری از آزمایشگاه به واحدهای تصفیه فراهم گردد.

محدودیت مطالعه، نوع مطالعه و تضاد منافع

این تحقیق یک مطالعه آزمایشگاهی و مدل‌سازی است که شرایط کنترل‌شده را بررسی می‌کند. محدودیت‌های اصلی شامل اندازه کوچک نمونه‌های داده، نبود ارزیابی محصولات تجزیه در سطح شیمیایی و سمی‌شناختی، و عدم آزمون در ماتریس‌های واقعی آب است. مقاله مرجع تداوم نظارت و مطالعات بیشتر را توصیه می‌کند. مقاله تضاد منافع مشخصی را به‌عنوان مشکل‌ساز اعلام نکرده است اما مانند هر مطالعه پژوهشی، شفافیت در تامین مالی و استانداردهای آزمایشی اهمیت دارد.

چه زمانی باید با پزشک مشورت کرد؟

اگر موضوع شما مربوط به سلامت فردی است و به نحوی با آلودگی آب، مصرف آنتی‌بیوتیک‌ها یا نگرانی درباره مقاومت دارویی مرتبط است، در شرایط زیر با پزشک یا مسئول بهداشت محلی مشورت کنید:

• وجود عفونت‌های مکرر یا مقاوم به درمان که ممکن است نیاز به ارزیابی علت محیطی داشته باشد.
• افزایش نگرانی از آلودگی منابع آب آشامیدنی یا بروز علائم گوارشی یا پوستی پس از مصرف آب مشکوک.
• بارداری، دوران شیردهی، کودک خردسال یا فردی با سیستم ایمنی ضعیف که در معرض آب آلوده قرار گرفته است.
• تصمیم‌گیری درباره قطع یا تغییر مصرف آنتی‌بیوتیک‌ها؛ تغییر درمان فقط باید با دستور پزشک انجام شود.

پرسش‌های رایج

آیا تجزیه ۸۷.۶ درصد به معنی حذف کامل خطر است؟

خیر. درصد تجزیه نشان‌دهنده کاهش غلظت ترکیب مادر است اما محصولات جانبی ممکن است سمی یا فعال بیولوژیک باشند. لازم است ترکیبات حاصل شناسایی و اثرات آنها ارزیابی شوند.

آیا می‌توان این روش را در تصفیه‌خانه‌های شهری به‌کار برد؟

در تئوری بله، اما قبل از اجرای عملی نیاز به مطالعات میدانی، ارزیابی اقتصادی، بررسی پایداری کاتالیست و تعامل با ماتریس‌های پیچیده فاضلاب است.

آیا مدل XGBoost می‌تواند برای دیگر آلاینده‌ها هم به‌کار رود؟

الگوریتم XGBoost به‌طور کلی برای مسئله‌های پیش‌بینی مفید است، اما مدل باید با داده‌های مربوط به هر آلاینده و شرایط متناسب آموزش دیده و اعتبارسنجی شود.

چرا انتخاب WO3 نسبت به TiO2 یا دیگر کاتالیست‌ها صورت گرفته است؟

WO3 به‌عنوان یک فتوکاتالیست امیدوارکننده مطرح است زیرا در برخی شرایط قابلیت فعالیت تحت نور مرئی بهتر و پایداری متفاوتی نسبت به TiO2 دارد، اما هر کاتالیست مزایا و معایب خاص خود را دارد و بسته به کاربرد انتخاب می‌شود.

آیا نور خورشید برای این واکنش کفایت می‌کند؟

عملکرد به نوع و شدت نور بستگی دارد. برخی فتوکاتالیست‌ها تحت نور مرئی فعال می‌شوند، اما برای تعمیم به نور خورشید باید آزمون‌های خاصی انجام شود تا راندمان و نیاز به متمرکزسازی یا منابع نوری مصنوعی مشخص گردد.

پیشنهادات برای تحقیقات آینده

• انجام آزمایش‌ها در ماتریس‌های واقعی آب و فاضلاب برای بررسی اثر مادۀ آلی و یونی همراه.
• شناسایی و ارزیابی سمی محصولات جانبی تجزیه اسپیرامایسین.
• آزمون پایداری، بازیابی و اثرات چرخه‌ای بر عملکرد WO3 در طول زمان.
• گسترش مجموعه داده‌ها و استفاده از اعتبارسنجی متقابل سخت‌تر برای اطمینان از تعمیم‌پذیری مدل ML.
• بررسی اقتصادی و اثر زیست‌محیطی کلی برای تصمیم‌گیری در مورد کاربرد صنعتی.

جمع‌بندی کاربردی

این مطالعه نشان می‌دهد که فتوکاتالیست WO3 در شرایط آزمایشگاهی می‌تواند درصد قابل‌توجهی از اسپیرامایسین را تجزیه کند و مدل XGBoost ابزاری کارآمد برای بهینه‌سازی پارامترهاست. با این حال، انتقال این فناوری به کاربردهای واقعی نیازمند آزمون‌های بیشتر در ماتریس‌های پیچیده‌تر، ارزیابی محصولات جانبی و آزمایش‌های میدانی است. کاربرد عملی این نتایج در برنامه‌های مدیریت پساب می‌تواند به کاهش بار آنتی‌بیوتیکی در محیط کمک کند اما نباید جایگزین اقدامات مدیریتی جامع و سیاست‌های کاهش مصرف آنتی‌بیوتیک شود.

منبع

مقاله اصلی: Spiramycin antibiotics degradation with WO3 photocatalyst and ML XGBoost model for process parameters screening. PLOS One. ۲۰۲۶. DOI: https://doi.org/۱۰.۱۳۷۱/journal.pone.۰۳۵۴۵۸۵

تذکر: این مطلب ترجمه یا نقل‌قول مستقیم از مقاله نیست بلکه گزارشی تحلیلی از یافته‌های آن است. برای تصمیم‌گیری‌های بالینی یا فنی، مرجع اصلی و منابع تکمیلی را مطالعه کنید و از متخصصان مربوطه مشورت بگیرید.

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.