近期，我校生物工程学院孙付保教授团队在机器学习指导生物质预处理方法构建方面取得重要进展，研究成果“Machine learning-driven optimization of biphasic pretreatment conditions for enhanced lignocellulosic biomass fractionation”正式发表于Energy(一区, Top, IF=9.4)。
木质纤维素生物质复杂致密的细胞壁及超分子网络结构，赋予了其天然抗降解性，严重制约了高值化利用。如何通过高效、简便且环保的预处理方法选择性地打破这种顽固结构，已成为推动生物质精炼产业化的关键环节。其中，双相预处理能够在温和条件下实现底物的高效解构，并将纤维素、半纤维素和木质素等三大素组分定向分离至不同相中，展现出良好的工艺可行性与应用前景。尽管已有研究对影响双相预处理效果的多种因素进行了探讨，但由于参数间存在复杂的交互作用，传统试错式优化不仅耗时、耗力，而且难以满足快速开发与工业放大的需求。
针对这一问题，孙付保教授团队引入机器学习（ML）方法，对双相预处理条件开展智能优化。研究团队系统检索了45篇高水平文献，整合1,260组实验数据，建立了双相预处理数据库。在此基础上，利用网格搜索和五折交叉验证对支持向量回归（SVR）、核岭回归（KRR）、随机森林（RFR）和梯度提升回归（GBR）四种算法进行了对比。结果显示，GBR在纤维素保留、半纤维素去除和脱木质素的预测中精度最高（R2：0.71–0.94），因此被选为主要建模工具。数据库雷达图和核密度分布显示，输入参数覆盖广泛（如温度80–200 °C、时间20–180 min），输出指标亦呈连续分布，为模型训练提供了多样化的输入变量并保证了预测的稳定性。相关性分析进一步揭示了工艺参数与组分分离的内在联系：温度与半纤维素去除及脱木质素呈显著正相关；升温速率有助于木质素溶解而对纤维素影响较小；转速过高或时间过长容易导致纤维素损失；催化剂浓度主要影响半纤维素去除。三维可视化结果表明，纤维素降解在约177 °C后趋于稳定，半纤维素约在170 °C即可全部去除，且对升温速率不敏感；木质素脱除则依赖温度与升温速率的协同作用，升温过快反而会降低效率。这些结果为后续的多目标粒子群优化（MOPSO）提供了可靠依据。结合SHAP解析，研究进一步明确了“固含量–温度–催化剂”三大关键因子，并量化了其边际贡献和交互阈值。在此基础上，团队以杨木为底物进行了对甲苯磺酸催化戊醇双相预处理实验。结果表明，模型预测与实测数据的误差低于7%，充分验证了该方法在实验室与工业放大层面的适用性与可靠性。
总之，论文率先尝试构建了双相预处理数据库，明确了GBR在复杂工艺预测中的优越性能。在此基础上，研究进一步结合MOPSO开展多目标全局优化，并通过实验加以验证，最终建立起“数据驱动–模型预测–实验验证”的完整研究框架。这一策略有效缩短了研发周期，降低了试错成本，为木质纤维素双相预处理的开发与智能优化提供了有益借鉴。
江南大学Meysam Madadi副研究员和2024级博士生Ehsan Kargaran为该论文共同第一作者，孙付保教授和广西农业科学院张娥珍研究员为该论文共同通讯作者。上述研究工作得到国家自然科学基金（22278189；22478154）和中央高校基础研究基金（江南大学，JUSRP202501024）等资助。近年来，我校生物工程学院孙付保教授团队在木质纤维原料的绿色生物加工制造方面取得明显进展，相关成果陆续发表在Chemical Engineering Journal (2025, 507: 160332; 2024, 481: 148713)、Journal of Colloid and Interface Science (2025, 687: 786-800)、Bioresource Technology (2025, 430: 132594)等本领域权威期刊。
原文链接：https://doi.org/10.1016/j.energy.2025.136241
