【導(dǎo)語(yǔ)】最(zuì)新(xīn)一(yī)期(qī)的(de)Nature封(fēng)麵(miàn)報(bào)道(dào)了(le)一(yī)項(xiàng)革(gé)命(mìng)性(xìng)的(de)科(kē)研(yán)成(chéng)果(guǒ)——由(yóu)華(huá)人(rén)科(kē)學(xué)家(jiā)龔(gōng)劍(jiàn)萍(píng)團(tuán)隊(duì)研(yán)發(fā)的(de)“AI造(zào)”仿(fǎng)生(shēng)超(chāo)粘(zhān)膠(jiāo)。這(zhè)種(zhǒng)超(chāo)粘(zhān)水(shuǐ)凝(níng)膠能在嚴苛水下環境中展現出卓越的黏附性能，為材料科學領域帶來了全新的突破。從橡膠小鴨在海浪中的穩固附著，到瞬間止水並防漏的管子，這一創新成果不僅展示了其強大的實際應用潛力，更預示著數據驅動設計在高性能材料開發中的廣闊前景。

一隻橡膠小鴨，經受住連續數日的海浪拍打，依然紋絲不動；一根破洞達 2 厘米、注滿水的管子，隻需隨手打個“補丁”，便可瞬間止水並防漏 5 個月之久。

以上，全歸功於剛剛登上最新一期 Nature 封麵的「AI 造」仿生超粘膠。

這一次，華人科學家、北海道大學教授龔劍萍團隊“重新定義”了材料設計——從分析天然黏附蛋白序列，到構建迭代優化模型，全部由 AI 輔助完成。

正如米蘭比可卡大學副教授 Laura Russo 在一篇同時發表的“新聞與觀點”文章中寫道，“AI 已不再隻是材料科學中的試驗探索性工具，而是已經被真正應用於材料的設計與開發，正在積極改變科學家開展研究的方式。”

她還表示，這類能與不規則和濕表麵強效粘合的超粘水凝膠，或對多種生物醫學應用具有顛覆性，包括假體塗層和可穿戴生物傳感器，且其設計方式為多用途，“有望應用於其他類型功能性柔性材料”。

材料設計，好難

軟材料（如水凝膠和彈性體）的設計極其複雜，需要選擇合適類型和數量的構建單元（如單體），並確定它們在材料中的排列方式，從而形成一個擁有無數種可能組合的巨大設計空間。

軟材料性能本身具有高度複雜性，這種複雜性阻礙了準確預測理論或計算模型的發展，材料研發往往隻能依賴反複的實驗試錯。

為減少實驗負擔，數據驅動策略正變得日益重要。數據挖掘（DM）和機器學習（ML）等新興工具正在改變這一研究領域：它們有助於分析複雜行為、改善性能預測，並推動理論和模型的發展。

然而，要將這些工具高效整合到端到端的材料設計框架中仍然麵臨挑戰。其中首要的一步，是構建高質量的數據集；但由於多種潛在的材料設計和有限的實驗通量，數據集構建過程異常複雜。同時，實現即時、強力且可重複的水下黏附性能，至今仍是材料設計領域長期麵臨的難題。

生物軟組織作為自然進化形成的軟材料，呈現出為特定功能而演化出的複雜結構。研究這些係統，有助於縮小合成軟材料的設計空間，比如仿生壁虎的幹性黏附材料。特別值得注意的是，黏附蛋白在古菌、細菌、真核生物和病毒等多種生物體中廣泛存在，讓它們在潮濕環境下具備高效黏附能力。

盡管這些蛋白質的來源各異，但它們往往具有共同的序列模式，這為水下黏合劑的設計提供了啟示。然而，識別這些有意義的序列模式，將其轉化為合成策略，並進一步借助機器學習實現有效的推斷預測，仍是實現端到端設計模型過程中的主要難點。

在這一背景下，開發出能夠在潮濕環境中可靠發揮作用的超強黏附水凝膠，成為當前需要研究的重要課題。這類材料在多個實際場景中具有顯著需求，比如可作為手術中密封組織、止血的醫用膠水，用於促進傷口愈合和組織再生的凝膠，或用於船體及海上結構的水下修複材料。

然而，水凝膠的柔軟性與其所需的高黏附性往往存在內在矛盾，使得材料設計的複雜性進一步提升。更重要的是，傳統發現功能性水凝膠的方式仍然依賴反複試驗，過程昂貴且耗時，嚴重限製了其向臨床或工業應用的轉化效率。

此前，機器學習、深度學習方法已被應用於識別具有特定性能的硬質無機材料。機器學習還與機器人係統相結合，用於開發並實現由 AI 計算識別出的化合物的合成過程。硬質無機材料通常具有結構清晰、性能確定的特點，使其可以簡化訓練過程並使用 AI 來(lái)識(shi)別它們。

相比之下，計算識別適用於特定功能的水凝膠則要複雜得多，原因包括以下幾點：首先，功能性水凝膠中的聚合物分子可能包含多種化學基團；其次，其性能受到多個因素影響，如分子的二級結構（即局部空間構象）、分子采用不同構象的能力，以及分子間的相互作用。此外，水凝膠的流變性能（即(jí)其(qí)在(zài)應(yīng)力(lì)下(xià)的(de)變(biàn)形(xíng)和(hé)流(liú)動(dòng)行(xíng)為(wèi)）也(yě)必(bì)須(xū)根(gēn)據(jù)實(shí)際(jì)應(yīng)用(yòng)進(jìn)行(xíng)調(diào)整。對於用於潮濕環境的水凝膠，還存在一個特殊問題——它們在吸水後會膨脹，這種溶脹表現也必須被納入設計考慮。

另一個挑戰是，訓練 AI 平台預測材料性能通常需要大量數據集，而目前關於影響水凝膠性能的各種化學和物理參數的數據卻非常有限。因此，AI 在水凝膠中的應用，主要集中在預測其與配方和製造相關的特性，如溶脹表現，或其在3D打印中的適用性等方麵。

超粘水凝膠，AI“造”

以自然界存在的黏附蛋白為靈感，研究團隊提出了一種由 AI 輔助支持的超強黏附水凝膠設計方法，這是一種數據驅動的新策略，整合了數據挖掘、實驗合成與機器學習，從零開始設計適用於嚴苛水下環境的高性能黏附水凝膠。

圖｜AI 輔助設計超黏性水凝膠

他們首先分析了水生生物體係中用作黏附材料的蛋白質氨基酸序列，以識別這些天然黏合劑的功能性特征。隨後，他們利用分析結果指導了 180 種水凝膠的分子設計，其分子構建單元被選定為能夠複製在天然粘合劑中發現的特征。

接著，他們合成並測試了這些水凝膠的水下黏附強度、流變性能以及膨脹行為。基於這些實驗結果，他們構建了一個具有足夠多樣性的數據集，用於訓練機器學習工具，從而提出新的設計並預測其水下黏附性能。

在此基礎上，他們構建了一個迭代優化流程：在該流程中，每一輪都會合成並測試預測黏附力最高的設計，並將所得數據用於新一輪機器學習驅動。三輪設計中，每一輪所獲得的最佳水凝膠，都具有比原始 180 種蛋白質更好的水下黏附強度。

最後，他們在不同潮濕環境中測試了 3 種最佳水凝膠，結果表明這些材料具有出色的黏附性能。

此外，這些水凝膠還能在長期條件下（如在一項實驗中持續超過一年）維持強力黏附效果，並在靜態與動態環境中均表現出良好的穩定性。

通用，“粘”出新可能

為驗證所設計水凝膠的實際應用性能，研究團隊開展了多項測試：

在其中一個實驗中，他們使用 R1-max 水凝膠作為膠黏劑，將一隻橡膠鴨牢牢固定在海邊岩石上。得益於 R1-max 在鹽水(shuǐ)中(zhōng)表(biǎo)現(xiàn)出(chū)的(de)強(qiáng)黏(nián)附(fù)力(lì)，橡(xiàng)膠(jiāo)鴨(yā)能(néng)夠(gòu)在(zài)連(lián)續(xù)的(de)潮(cháo)汐(xī)衝(chōng)刷(shuā)和(hé)海(hǎi)浪(làng)拍(pāi)打(dǎ)下(xià)依(yī)然(rán)穩(wěn)固(gù)附(fù)著(zhe)，充(chōng)分(fēn)證(zhèng)明(míng)該(gāi)材(cái)料(liào)在(zài)嚴(yán)苛(kē)海(hǎi)洋(yáng)環境下具備長期穩定的黏合能力。

在另一項實驗中，研究人員將一片 R2-max 水凝膠膜貼合於一個高達 3 米的聚碳酸酯水管底部直徑為 20 毫米的孔洞處，水凝膠瞬間阻止了高(gāo)壓(yā)水(shuǐ)流(liú)的(de)泄漏。相比之下，傳統膠黏劑在此類極端條件下往往無法實現相同效果。

此外，所有這些水凝膠均展現出良好的生物相容性，這一點已通過小鼠皮下植入實驗得到驗(yàn)證，為其在生物醫學領域的進一步應用提供了有力支持。

研究團隊表示，超強黏性水凝膠在廣泛的應用領域中展現出巨大潛力，為傳統膠黏劑往往難以勝任的場景提供了可靠解決方案。

例如，用於假體表麵的功能性塗層以及可穿戴生物傳感器等多個生物醫學應用，以及支持海洋養殖，並助力深海勘探等多種場景，尤其適用於那些要求在(zài)潮(cháo)濕(shī)條(tiáo)件(jiàn)下(xià)實(shí)現(xiàn)穩(wěn)定(dìng)黏(nián)附(fù)的(de)關鍵場(chǎng)景(jǐng)。

水(shuǐ)凝(níng)膠(jiāo)性(xìng)能(néng)的提升，體現了數據驅動設計方法在高性能材料開發中的優勢。此外，該方法具備高度的通用性，可靈活擴展應用於其他類型的功能性軟材料設計，從而為多個領域帶來全新的可能性。

然而，研究團隊也指出，當前的方法還存在一些局限性，包括：單體種類的有限性，難以實現適合材(cái)料(liào)開(kāi)發(fā)尺(chǐ)度(dù)的(de)聚(jù)合(hé)物(wù)單(dān)體(tǐ)序(xù)列(liè)控(kòng)製(zhì)技(jì)術(shù)，以(yǐ)及(jí)數(shù)據(jù)集擴(kuò)展(zhǎn)能(néng)力(lì)的(de)限(xiàn)製(zhì)。

要(yào)克(kè)服(fú)這(zhè)些(xiē)挑(tiāo)戰(zhàn)，需(xū)要(yào)科(kē)學(xué)家(jiā)們(men)擴(kuò)展(zhǎn)模(mó)塊(kuài)化(huà)單(dān)體(tǐ)庫(kù)、推(tuī)進(jìn)聚(jù)合(hé)技(jì)術(shù)的進展，並開發可在稀疏、多尺度數據集上推廣的物理學機器學習模型。

論文鏈(liàn)接(jiē)：

http://www.nature.com/articles/s41586-025-09269-4

新聞與觀點文章鏈接：

http://www.nature.com/articles/d41586-025-02252-z

作者：小羊

來源：學術頭條