全球藥品消費量每年都在快速增長，2020年將達到40億劑。隨著越來越多的藥品被人體代謝并進入污水和廢水處理廠，其中發現的微量物質的數量和種類也在增加。當這些微量物質進入河流和海洋并被用作水源時，會對環境和人類健康產生有害影響，包括致癌和內分泌干擾。因此，需要技術來快速、準確地預測這些微量物質的性質和行為，但分析未知的微量物質需要昂貴的設備、熟練的專家和較長的時間。

韓國科學技術院(KIST)宣布，由水資源與循環研究中心主任 Hong Seok-won 和高級研究員 Son Moon 領導的團隊開發出一種技術，可根據它們的物理化學性質并使用基于聚類和預測的人工智能技術預測它們的濃度。

研究人員使用自組織地圖(一種根據數據的相似性將數據聚類成地圖的人工智能技術)，根據理化性質、官能團和生物反應機制等信息對 29 種已知的痕量物質進行分類，包括藥物化合物和咖啡因。然后進一步建立隨機森林(一種將數據分類為子集的機器學習技術)來預測新痕量物質的特性和濃度變化。如果一種新的微量物質屬于自組織圖中的一個簇，則可以利用該簇中其他物質的性質來預測新的微量物質的性質和濃度將如何變化。

將這種聚類和預測的AI模型(自組織圖和隨機森林)應用于13種新微量物質，其預測精度約為0.75，非常出色，遠遠超過現有利用生物信息的AI技術0.40的預測精度。

與傳統基于公式的預測方法相比，KIST研究團隊的數據驅動分析模型的優點是僅輸入微量物質的理化性質，通過聚類有效識別污水處理過程中新微量物質的濃度將如何變化。具有相似數據的物質。此外，數據驅動的AI模型未來還可用于預測社會關注的藥物等新物質的濃度。

Seokwon博士說：“它不僅可以應用于實際的廢水處理廠，還可以應用于大多數存在新微量物質的水處理相關設施，并可以在相關法規的決策過程中提供快速、準確的數據。” Hong 和 KIST 的 Moon Son 博士(共同通訊作者)。“由于它利用了機器學習技術，隨著相關數據的積累，預測的準確性將會提高。”