全球药品消费量每年都在迅速增长，到2020年将达到40亿剂。随着越来越多的药物被人体代谢进入污水和废水处理厂，其中微量物质的数量和种类也在不断增加。

　　当这些微量物质进入河流和海洋并被用作水源时，它们可能对环境和人类健康产生有害影响，包括致癌和内分泌紊乱。因此，需要技术来快速准确地预测这些微量物质的性质和行为，但分析未知的微量物质需要昂贵的设备、熟练的专家和很长的时间。

　　韩国科学技术研究院(KIST)水资源循环研究所所长洪锡源(音)和首席研究员孙文(音)开发出了根据新出现的微量物质的理化性质进行分类，并利用聚类和预测型人工智能(ai)技术预测其浓度的技术。

　　研究人员使用了自组织地图，这是一种基于相似性将数据聚类到地图中的人工智能技术，根据物理化学性质、官能团和生物反应机制等信息，对29种已知的微量物质进行了分类，包括药用化合物和咖啡因。这项研究发表在《npj清洁水》杂志上。

　　随机森林是一种机器学习技术，可以将数据分类到子集中，然后进一步构建来预测新的微量物质的性质和浓度变化。

　　如果一种新的微量物质属于自组织图中的一个簇，则该簇中其他物质的性质可以用来预测新微量物质的性质和浓度将如何变化。

　　将该聚类预测AI模型(自组织图和随机森林)应用于13种新的微量物质，预测精度约为0.75，远远超过了现有利用生物信息的AI技术的0.40的预测精度。

　　与传统的基于公式的预测方法相比，KIST研究团队的数据驱动分析模型的优点是只需输入微量物质的物理化学性质，并通过与具有相似数据的物质聚类，高效地识别污水处理过程中新的微量物质的浓度将如何变化。

　　此外，数据驱动的AI模型可以在未来用于预测社会关注的药物等新物质的浓度。

　　KIST的洪锡元博士和文森博士表示:“不仅可以适用于实际的污水处理厂，也可以适用于大部分存在新痕量物质的水处理相关设施，而且可以在相关法规的制定过程中提供快速准确的数据。”

　　由于利用了机器学习技术，随着相关数据的积累，预测的准确性将会提高。”