一、【科学背景】
当前软材料（如水凝胶、弹性体）的设计极具复杂性，其性能不仅取决于单体种类和比例，还受单体排列顺序、网络结构、分子间弱相互作用及热涨落等多尺度因素影响，导致结构-性能关系复杂，难以用传统理论或计算模型准确预测。在硬材料领域（如金属、陶瓷），标准化数据库和机器学习（ML）已显著提升材料发现效率。但软材料因结构无序、多尺度特性及实验数据稀缺，数据驱动应用面临两大挑战：缺乏高质量数据集和序列控制困难。
二、【创新成果】
近日，来自北海道大学和深圳大学的Ichigaku Takigawa、李伟、龚建平和范海龙等学者在国际知名期刊Nature发表题为《Data-driven de novo design of super-adhesive hydrogels》的研究论文，提出需整合数据挖掘（DM）（从蛋白质数据库提取特征）、可控聚合技术（实现统计序列复制）和机器学习优化（高效探索配方空间），形成端到端的软材料设计框架，突破实验试错的瓶颈。该研究从24707种粘附蛋白中提取功能基团序列模式，将20种氨基酸简化为6类理化基团。提出相对组成策略，通过理想无规共聚统计复现蛋白的相邻偏好性。以180个水凝胶的小数据集为起点，结合批处理序列模型优化（SMBO），发现关键单体组合（BA/PEA/ATAC），实现疏水-静电协同粘附，强度突破1 MPa（10倍于文献值）。
三 、【图文导读】
图1 基于数据的从头设计水下粘合性水凝胶 ©2025 Springer Nature
图2 粘附蛋白的DM和配方设计 ©2025 Springer Nature
图3 用于水下粘合的DM驱动水凝胶 ©2025 Springer Nature
图4 水下胶粘剂水凝胶的ML优化 ©2025 Springer Nature
图5 水凝胶的表征和性能 ©2025 Springer Nature
四、【科学启迪】
总之，作者通过跨学科方法将生物系统的复杂功能转化为可设计的合成材料，不仅创造了高性能水下粘附水凝胶，更展示了一种融合生物学灵感、数据科学与可控合成的创新范式。天然生物材料（如粘附蛋白）的序列看似无序，但可通过统计特征提取转化为可量化的工程参数。高质量小数据集结合主动学习策略，可高效探索巨大设计空间，适用于实验成本高、数据稀缺的材料领域（如有机光伏、固态电解质）。这项研究证明：复杂生物系统的设计逻辑可通过数据科学解构，并工程化为高性能人工材料。其核心启迪是打破学科壁垒——生物学家提供灵感，化学家实现可控合成，数据科学家优化设计，最终推动软材料进入“理性设计时代”。这一范式将加速功能材料的创新发展，从水下修复到生物医疗，乃至太空探索的极端环境应用。
原文详情：
Data-driven de novo design of super-adhesive hydrogels. Nature (2025).
DOI: 10.1038/s41586-025-09269-4
本文由尼古拉斯供稿
