【导(dǎo)语(yǔ)】最(zuì)新(xīn)一(yī)期(qī)的(de)Nature封(fēng)面(miàn)报(bào)道(dào)了(le)一(yī)项(xiàng)革(gé)命(mìng)性(xìng)的(de)科(kē)研(yán)成(chéng)果(guǒ)——由(yóu)华(huá)人(rén)科(kē)学(xué)家(jiā)龚(gōng)剑(jiàn)萍(píng)团(tuán)队(duì)研(yán)发(fā)的(de)“AI造(zào)”仿(fǎng)生(shēng)超(chāo)粘(zhān)胶(jiāo)。这(zhè)种(zhǒng)超(chāo)粘(zhān)水(shuǐ)凝(níng)胶能在严苛水下环境中展现出卓越的黏附性能，为材料科学领域带来了全新的突破。从橡胶小鸭在海浪中的稳固附着，到瞬间止水并防漏的管子，这一创新成果不仅展示了其强大的实际应用潜力，更预示着数据驱动设计在高性能材料开发中的广阔前景。

一只橡胶小鸭，经受住连续数日的海浪拍打，依然纹丝不动；一根破洞达 2 厘米、注满水的管子，只需随手打个“补丁”，便可瞬间止水并防漏 5 个月之久。

以上，全归功于刚刚登上最新一期 Nature 封面的「AI 造」仿生超粘胶。

这一次，华人科学家、北海道大学教授龚剑萍团队“重新定义”了材料设计——从分析天然黏附蛋白序列，到构建迭代优化模型，全部由 AI 辅助完成。

正如米兰比可卡大学副教授 Laura Russo 在一篇同时发表的“新闻与观点”文章中写道，“AI 已不再只是材料科学中的试验探索性工具，而是已经被真正应用于材料的设计与开发，正在积极改变科学家开展研究的方式。”

她还表示，这类能与不规则和湿表面强效粘合的超粘水凝胶，或对多种生物医学应用具有颠覆性，包括假体涂层和可穿戴生物传感器，且其设计方式为多用途，“有望应用于其他类型功能性柔性材料”。

材料设计，好难

软材料（如水凝胶和弹性体）的设计极其复杂，需要选择合适类型和数量的构建单元（如单体），并确定它们在材料中的排列方式，从而形成一个拥有无数种可能组合的巨大设计空间。

软材料性能本身具有高度复杂性，这种复杂性阻碍了准确预测理论或计算模型的发展，材料研发往往只能依赖反复的实验试错。

为减少实验负担，数据驱动策略正变得日益重要。数据挖掘（DM）和机器学习（ML）等新兴工具正在改变这一研究领域：它们有助于分析复杂行为、改善性能预测，并推动理论和模型的发展。

然而，要将这些工具高效整合到端到端的材料设计框架中仍然面临挑战。其中首要的一步，是构建高质量的数据集；但由于多种潜在的材料设计和有限的实验通量，数据集构建过程异常复杂。同时，实现即时、强力且可重复的水下黏附性能，至今仍是材料设计领域长期面临的难题。

生物软组织作为自然进化形成的软材料，呈现出为特定功能而演化出的复杂结构。研究这些系统，有助于缩小合成软材料的设计空间，比如仿生壁虎的干性黏附材料。特别值得注意的是，黏附蛋白在古菌、细菌、真核生物和病毒等多种生物体中广泛存在，让它们在潮湿环境下具备高效黏附能力。

尽管这些蛋白质的来源各异，但它们往往具有共同的序列模式，这为水下黏合剂的设计提供了启示。然而，识别这些有意义的序列模式，将其转化为合成策略，并进一步借助机器学习实现有效的推断预测，仍是实现端到端设计模型过程中的主要难点。

在这一背景下，开发出能够在潮湿环境中可靠发挥作用的超强黏附水凝胶，成为当前需要研究的重要课题。这类材料在多个实际场景中具有显著需求，比如可作为手术中密封组织、止血的医用胶水，用于促进伤口愈合和组织再生的凝胶，或用于船体及海上结构的水下修复材料。

然而，水凝胶的柔软性与其所需的高黏附性往往存在内在矛盾，使得材料设计的复杂性进一步提升。更重要的是，传统发现功能性水凝胶的方式仍然依赖反复试验，过程昂贵且耗时，严重限制了其向临床或工业应用的转化效率。

此前，机器学习、深度学习方法已被应用于识别具有特定性能的硬质无机材料。机器学习还与机器人系统相结合，用于开发并实现由 AI 计算识别出的化合物的合成过程。硬质无机材料通常具有结构清晰、性能确定的特点，使其可以简化训练过程并使用 AI 来(lái)识(shi)别它们。

相比之下，计算识别适用于特定功能的水凝胶则要复杂得多，原因包括以下几点：首先，功能性水凝胶中的聚合物分子可能包含多种化学基团；其次，其性能受到多个因素影响，如分子的二级结构（即局部空间构象）、分子采用不同构象的能力，以及分子间的相互作用。此外，水凝胶的流变性能（即(jí)其(qí)在(zài)应(yīng)力(lì)下(xià)的(de)变(biàn)形(xíng)和(hé)流(liú)动(dòng)行(xíng)为(wèi)）也(yě)必(bì)须(xū)根(gēn)据(jù)实(shí)际(jì)应(yīng)用(yòng)进(jìn)行(xíng)调(diào)整。对于用于潮湿环境的水凝胶，还存在一个特殊问题——它们在吸水后会膨胀，这种溶胀表现也必须被纳入设计考虑。

另一个挑战是，训练 AI 平台预测材料性能通常需要大量数据集，而目前关于影响水凝胶性能的各种化学和物理参数的数据却非常有限。因此，AI 在水凝胶中的应用，主要集中在预测其与配方和制造相关的特性，如溶胀表现，或其在3D打印中的适用性等方面。

超粘水凝胶，AI“造”

以自然界存在的黏附蛋白为灵感，研究团队提出了一种由 AI 辅助支持的超强黏附水凝胶设计方法，这是一种数据驱动的新策略，整合了数据挖掘、实验合成与机器学习，从零开始设计适用于严苛水下环境的高性能黏附水凝胶。

图｜AI 辅助设计超黏性水凝胶

他们首先分析了水生生物体系中用作黏附材料的蛋白质氨基酸序列，以识别这些天然黏合剂的功能性特征。随后，他们利用分析结果指导了 180 种水凝胶的分子设计，其分子构建单元被选定为能够复制在天然粘合剂中发现的特征。

接着，他们合成并测试了这些水凝胶的水下黏附强度、流变性能以及膨胀行为。基于这些实验结果，他们构建了一个具有足够多样性的数据集，用于训练机器学习工具，从而提出新的设计并预测其水下黏附性能。

在此基础上，他们构建了一个迭代优化流程：在该流程中，每一轮都会合成并测试预测黏附力最高的设计，并将所得数据用于新一轮机器学习驱动。三轮设计中，每一轮所获得的最佳水凝胶，都具有比原始 180 种蛋白质更好的水下黏附强度。

最后，他们在不同潮湿环境中测试了 3 种最佳水凝胶，结果表明这些材料具有出色的黏附性能。

此外，这些水凝胶还能在长期条件下（如在一项实验中持续超过一年）维持强力黏附效果，并在静态与动态环境中均表现出良好的稳定性。

通用，“粘”出新可能

为验证所设计水凝胶的实际应用性能，研究团队开展了多项测试：

在其中一个实验中，他们使用 R1-max 水凝胶作为胶黏剂，将一只橡胶鸭牢牢固定在海边岩石上。得益于 R1-max 在盐水(shuǐ)中(zhōng)表(biǎo)现(xiàn)出(chū)的(de)强(qiáng)黏(nián)附(fù)力(lì)，橡(xiàng)胶(jiāo)鸭(yā)能(néng)够(gòu)在(zài)连(lián)续(xù)的(de)潮(cháo)汐(xī)冲(chōng)刷(shuā)和(hé)海(hǎi)浪(làng)拍(pāi)打(dǎ)下(xià)依(yī)然(rán)稳(wěn)固(gù)附(fù)着(zhe)，充(chōng)分(fēn)证(zhèng)明(míng)该(gāi)材(cái)料(liào)在(zài)严(yán)苛(kē)海(hǎi)洋(yáng)环境下具备长期稳定的黏合能力。

在另一项实验中，研究人员将一片 R2-max 水凝胶膜贴合于一个高达 3 米的聚碳酸酯水管底部直径为 20 毫米的孔洞处，水凝胶瞬间阻止了高(gāo)压(yā)水(shuǐ)流(liú)的(de)泄漏。相比之下，传统胶黏剂在此类极端条件下往往无法实现相同效果。

此外，所有这些水凝胶均展现出良好的生物相容性，这一点已通过小鼠皮下植入实验得到验(yàn)证，为其在生物医学领域的进一步应用提供了有力支持。

研究团队表示，超强黏性水凝胶在广泛的应用领域中展现出巨大潜力，为传统胶黏剂往往难以胜任的场景提供了可靠解决方案。

例如，用于假体表面的功能性涂层以及可穿戴生物传感器等多个生物医学应用，以及支持海洋养殖，并助力深海勘探等多种场景，尤其适用于那些要求在(zài)潮(cháo)湿(shī)条(tiáo)件(jiàn)下(xià)实(shí)现(xiàn)稳(wěn)定(dìng)黏(nián)附(fù)的(de)关键场(chǎng)景(jǐng)。

水(shuǐ)凝(níng)胶(jiāo)性(xìng)能(néng)的提升，体现了数据驱动设计方法在高性能材料开发中的优势。此外，该方法具备高度的通用性，可灵活扩展应用于其他类型的功能性软材料设计，从而为多个领域带来全新的可能性。

然而，研究团队也指出，当前的方法还存在一些局限性，包括：单体种类的有限性，难以实现适合材(cái)料(liào)开(kāi)发(fā)尺(chǐ)度(dù)的(de)聚(jù)合(hé)物(wù)单(dān)体(tǐ)序(xù)列(liè)控(kòng)制(zhì)技(jì)术(shù)，以(yǐ)及(jí)数(shù)据(jù)集扩(kuò)展(zhǎn)能(néng)力(lì)的(de)限(xiàn)制(zhì)。

要(yào)克(kè)服(fú)这(zhè)些(xiē)挑(tiāo)战(zhàn)，需(xū)要(yào)科(kē)学(xué)家(jiā)们(men)扩(kuò)展(zhǎn)模(mó)块(kuài)化(huà)单(dān)体(tǐ)库(kù)、推(tuī)进(jìn)聚(jù)合(hé)技(jì)术(shù)的进展，并开发可在稀疏、多尺度数据集上推广的物理学机器学习模型。

论文链(liàn)接(jiē)：

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

新闻与观点文章链接：

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

作者：小羊

来源：学术头条