摘要：为了预测有机污染物的光催化降解速率,探究污染物分子结构与其降解速率之间的构效关系,设计了一种基于分子指纹的机器学习模型。该模型使用81种有机污染物的523条记录作为模型数据,将污染物MACCS分子指纹与5种实验条件(辐照度、温度、催化剂用量、污染物初始浓度和pH值)作为输入特征,采用10种机器学习算法进行建模。结果显示LightGBM算法性能最佳(R~2=0.909 4)。利用沙普利加法解释(Shapley additive explanations, SHAP)框架评估了各输入特征对光催化降解速率的贡献程度,探讨了各输入特征影响光催化降解速率的具体原因。分析表明,在光催化降解中污染物本身结构特征是影响光催化降解速率的主要原因。而且结构中含有卤素原子、N原子和不饱和碳的污染物分子降解速率最快,而结构中含有醚键或羰基的污染物分子降解速率最慢。