磷污染已成为一个严重的全球性挑战，这主要是由于农业集约化和工业扩张所致[1]。过量的磷酸盐排放引发了富营养化，导致缺氧、生态系统崩溃和水安全威胁[2]。虽然化学沉淀和生物去除等传统方法被广泛使用，但它们通常受到高污泥产生和二次污染的制约[3]。因此，基于吸附的技术因其高效性和资源回收潜力而受到重视。在各种吸附剂中，金属有机框架（MOFs）因其可调的孔隙率和丰富的表面化学性质而受到特别关注，这为选择性磷酸盐捕获提供了极好的机会[4],[5],[6]。
尽管MOFs在磷酸盐去除和回收方面具有巨大潜力，但在实际应用中仍面临多重挑战。水中磷酸盐的复杂形态及其对pH变化的敏感性使得难以精确控制MOFs的吸附行为[7]。MOFs的结构稳定性和表面化学性质对其吸附性能有显著影响，而这些又受到合成过程（如金属与有机物的比例、溶剂系统和反应温度）的严格限制[8],[9],[10]。尽管功能修饰可以提高吸附选择性，但往往会导致制备复杂、成本高昂和材料耐久性降低等问题[11]。例如，含铁或铝的MOFs能与磷酸盐离子形成强配位键，但在酸性条件下容易部分溶解，从而影响其可重复使用性[12]。此外，复杂水体系中的共存阴离子（如SO₄²⁻、NO₃⁻、CO₃²⁻）会与磷酸盐离子竞争吸附位点，从而降低去除效率[13],[14]。鉴于多种因素的耦合效应以及传统实验优化的局限性，迫切需要建立系统的MOF设计策略、机制阐明和性能预测方法，以实现对磷酸盐吸附和回收过程的精确控制。
机器学习（ML）作为一种强大的数据驱动工具，可以通过算法自动识别数据中的复杂关系，用于预测或优化，为MOFs的智能设计和性能调优提供了新途径[15],[16],[17]。与传统实验和经验方法相比，ML能够在庞大的特征空间中高效挖掘影响吸附性能的关键因素，实现材料属性的快速筛选和定量预测[18],[19],[20]。近年来，ML在磷酸盐去除和吸附剂研究中的应用日益广泛。例如，Zhou等人（2024年）引入了一种模糊描述策略，利用ML有效预测了不同吸附剂的磷酸盐吸附能力和动力学行为，从而在数据有限的情况下实现准确筛选[21]。Fu等人（2024年）使用梯度提升模型优化了金属改性生物炭的制备参数，揭示了金属负载量、固液比和pH在磷吸附性能中的主导作用[22]。这些研究表明，ML在阐明MOF-磷酸盐吸附机制、优化材料结构和提高预测效率方面具有显著优势，使其成为推动吸附材料智能发展的关键工具。
最近的进展进一步表明，大型语言模型（LLMs）正成为MOF研究的推动层，将数据驱动的筛选与合成决策和实验实现相结合[23]。据报道，领域训练的LLMs能够改进MOFs的结构-性质推理，并考虑合成可行性进行逆向设计，通过模型指导的迭代合成提出并实现候选框架[23]。同时，基于LLM的代理框架通过结合自动化数据分析、机制推理和协议导航（通过检索增强生成）来优化MOF合成，实现了合成策略的高效迭代和实验结果的改进[24]。此外，还开发了数据驱动的ML框架，包括系统模型比较、可解释性分析和作为交互式平台的部署，用于MOF吸附问题，这体现了将预测建模与可操作决策支持相结合的更广泛趋势[25]。受这一前沿的启发，我们的工作专注于构建一个可解释的ML框架，用于MOF-磷酸盐系统，并提取定量且与机制一致的设计指导，以便轻松集成到未来的LLM或代理驱动的研究流程中。
然而，现有的关于磷酸盐吸附的ML研究存在关键局限性。大多数现有模型仅关注操作条件（如pH、剂量），而忽略了合成条件（SCD）在决定吸附剂内在缺陷和结晶度方面的决定性作用。此外，现有研究往往将ML视为“黑箱”，缺乏对特定特征（如磷酸盐形态和水合半径）如何在分子层面驱动吸附行为的深入机制理解。尽管ML已应用于简单吸附剂，但针对MOFs的结构复杂性（整合孔特性、表面功能化和合成参数）的综合性框架仍然缺乏[26]。
为了解决这些不足，本研究建立了一个专为MOF-磷酸盐系统设计的全面、可解释的ML框架。与以往的研究不同，我们整合了一个多维特征空间，涵盖了SCD、吸附剂特性（ACT）、功能基团（FGP）、吸附系统属性（ASP）和磷酸盐形态（Pspec）。本研究的具体目标是构建一个大规模数据库（2308个样本），以训练一个强大的梯度提升决策树（GBDT）模型，用于准确预测吸附能力；利用SHAP（Shapley Additive Explanations）和部分依赖性分析来解耦孔结构、位点化学和合成参数的协同效应；并提出定量设计规则，确定最佳合成窗口和操作策略，以指导下一代MOF吸附剂的合理开发。
