Aufgrund ihrer geringen Kosten und Vielseitigkeit dominieren Kunststoffe unser Haushaltszubehör. Leider hat das Fehlen geeigneter Entsorgungsmaßnahmen zu einer weiten Verbreitung dieser nicht biologisch abbaubaren Stoffe in der natürlichen Umwelt geführt. Obwohl Kunststoffe im Allgemeinen nicht durch biologische Prozesse abgebaut werden, altern und zerfallen sie durch chemische Reaktionen.
Der entstehende Abfall, der aufgrund seiner Größe Mikroplastik genannt wird, gelangt ins Meer und zirkuliert zurück in unsere Wasserversorgung. Die langfristige Persistenz von Mikroplastik ist schädlich, da es an andere Abfallprodukte adsorbieren oder sich daran binden kann. Insbesondere chemische Verbrauchsabfälle können auf unvorhergesehene und potenziell schädliche Weise mit Mikroplastik interagieren. Diese als Arzneimittel und Körperpflegeprodukte (PPCPs) bezeichneten neuen chemischen Kontaminanten sind gefährlich, da sie in geringen Dosen physiologische Auswirkungen auf den Menschen haben können.
Professor Yang Hui Ying von der Abteilung für technische Produktentwicklung an der Singapore University of Technology and Design (SUTD) hat festgestellt, dass die aktuelle Literatur zu Langzeitalterungsbehandlungen von Mikroplastik unzureichend ist. Die meisten Forschungsarbeiten befassen sich nur mit der kurzfristigen Alterung, die das Umweltverhalten von Mikroplastik möglicherweise nicht vollständig widerspiegelt.
Sie teilte die Schwierigkeiten mit, die mit der Modellierung der Umweltdynamik verbunden sind: „Aufgrund der verschiedenen Alterungsprozesse, denen Mikroplastik unterliegt, und der Komplexität der Adsorptionsprozesse und -mechanismen verschiedener PPCPs auf Mikroplastik kann es schwierig sein, diese Adsorptionsunterschiede allein durch experimentelle Methoden zu unterscheiden.“
Zusammen mit Mitarbeitern aus China versuchte Prof. Yang, moderne Techniken des maschinellen Lernens einzusetzen, um diese Hürde zu überwinden. Sie veröffentlicht ihr Artikel „Vorhersage der Adsorptionskapazität von Arzneimitteln und Körperpflegeprodukten an langfristig gealterten Mikroplastiken mithilfe maschinellen Lernens“ im Zeitschrift für gefährliche Materialien.
Frühere Studien haben Techniken zur Vorhersage der Adsorptionskapazität zwischen PPCPs und Mikroplastik mit unterschiedlichem Erfolg mithilfe quantenchemischer Deskriptoren entwickelt. Aufgrund ihrer begrenzten Genauigkeit und ihres zeitaufwändigen Charakters sind diese Studien jedoch häufig nicht durchführbar. Insbesondere vernachlässigen sie die Oberflächeneffekte von Mikroplastik, die für die Modellierung des Adsorptionsverhaltens wichtig sind.
Um diese Einschränkung zu beheben, nutzte Prof. Yang die Fourier-Transformations-Infrarotspektroskopie (FT-IR). Diese Technik ermöglichte es ihr, die Oberfläche von Mikroplastik sorgfältig zu untersuchen und verschiedene funktionelle Gruppen zu identifizieren und herauszufinden, wie diese die Wechselwirkungen mit umgebenden Chemikalien beeinflussen. Die Verknüpfung des Adsorptionsverhaltens mit dem FT-IR von Mikroplastik ist wichtig, aber frühere etablierte Modelle zur Untersuchung von Wechselwirkungen zwischen Mikroplastik und PPCPs hatten diese Informationen nicht berücksichtigt. Daher beschloss Prof. Yang, sich dem maschinellen Lernen zuzuwenden.
„Maschinelles Lernen kann allgemeine Schlussfolgerungen ableiten, Schlüsselrollen identifizieren und potenzielle Muster aus komplexen Daten entdecken, ohne sich auf Vorkenntnisse zu verlassen. Dies bedeutet, dass wir ein tieferes Verständnis der komplizierten Wechselwirkungen zwischen Mikroplastik und PPCPs gewinnen und neue Erkenntnisse und Lösungen zum Schutz bieten können.“ Ökosysteme“, sagte Prof. Yang und betonte die Leistungsfähigkeit des Einsatzes der richtigen Werkzeuge.
Der nächste Schritt bestand darin, ein geeignetes Modell für maschinelles Lernen auszuwählen, um die mehrdimensionale Dynamik des Adsorptionsprozesses zu erfassen. Der Gradient-Boosting Decision Tree (GBDT) ist ein starker Algorithmus für Klassifizierungsprobleme und eine beliebte Wahl für Vorhersageaufgaben. Die Anwendung auf die komplizierte und subtile Aufgabe, verschiedene komplexe Adsorptionsverhalten zu unterscheiden, erwies sich jedoch als schwierig.
Prof. Yang und sein Team betrachteten dann den maximalen Informationskoeffizienten (MIC), um Abhängigkeiten zwischen Variablen zu beobachten, die die Affinität zwischen den funktionellen Gruppen auf Mikroplastik und den kontaminierenden PPCPs erklären. Die Integration der beiden Ansätze mit FT-IR-Daten erwies sich als idealer Ansatz für die Vorhersage des Verhaltens von Mikroplastik im Alter.
Um Daten für ihr maschinelles Lernmodell zu sammeln, marinierten die Forscher Mikroplastikpartikel in einer Chemikalienmischung, um den Alterungsprozess zu simulieren. Von der Mischung wurden während der Reifung regelmäßig Proben genommen, um Längseffekte zu beobachten. In der Studie entnahm das Team bis zu fast zwei Jahre nach ihrem ursprünglichen Vorschlag Proben, um sicherzustellen, dass ein ordnungsgemäßes Adsorptionsverhalten beobachtet wurde.
Das Team konnte die unterschiedliche Dynamik zwischen Mikroplastik und PPCPs auf verschiedene gut untersuchte Mechanismen zurückführen, von Korrelationen bis hin zu quantenchemischen Modellen. Mithilfe der FT-IR-Daten konnte das Team die wichtigsten an der Adsorption beteiligten funktionellen Gruppen beobachten. Mit diesen Erkenntnissen erfasste ihr maschinelles Lernmodell die Komplexität des Systems mit einer Genauigkeit von bis zu 98 % während des Trainings und 70 % bei Testdaten.
„Was seine Bedeutung noch verstärkt, ist unsere Fähigkeit, die Adsorptionsmengen verschiedener PPCPs auf gealtertem Mikroplastik in realen Gewässern vorherzusagen“, sagte Prof. Yang.
Diese Studie beleuchtet die Szene des Mikroplastiks und dient als entscheidende Referenz für zukünftige Bewertungen. Prof. Yang ist außerdem zuversichtlich, dass das Projekt die zuständigen Behörden dabei unterstützen kann, wichtige Schadstoffe für gezielte Strategien zur Verschmutzungskontrolle zu identifizieren.
Mit Blick auf die Zukunft planen die Forscher, die nächste Stufe im Lebenszyklus der Mikroplastikadsorption zu erforschen. Eine umfassende Bewertung der Freisetzung organischer Stoffe aus Mikroplastik ist in Arbeit, um die langfristigen Auswirkungen der persistenten Kunststoffpartikel abzuschätzen. Prof. Yang möchte die komplexe Dynamik zwischen Mikroplastik und Schadstoffen beleuchten, ihre Auswirkungen quantifizieren und wesentliche Beiträge zum Umweltbewusstsein und zur Politikformulierung leisten.
Mehr Informationen:
Jingjing Yao et al., Vorhersage der Adsorptionskapazität von Arzneimitteln und Körperpflegeprodukten auf langfristig gealtertem Mikroplastik mithilfe maschinellen Lernens, Zeitschrift für gefährliche Materialien (2023). DOI: 10.1016/j.jhazmat.2023.131963