免费av大片在线看_日本久久东京热午夜_日韩欧美亚洲中文字幕国_大战刚结婚的少妇_亚洲AV成人综合网成人_91九色丨PORNY丨交换_成人动漫网站_欧美在线专区

  人工智能（AI）因其強大的建模復(fù)雜非線性關(guān)系的能力，正在重塑化學(xué)研究，尤其在生物化學(xué)、有機化學(xué)和無機化學(xué)等領(lǐng)域，已取得了重大的突破。然而，在高分子科學(xué)中，這一浪潮卻未能充分釋放潛力。為什么？一方面，相較于其他領(lǐng)域，高分子科學(xué)所積累的數(shù)據(jù)通常極為稀缺且碎片化，這對構(gòu)建具有泛化能力的模型提出了嚴峻挑戰(zhàn)。另一方面，高分子本身結(jié)構(gòu)復(fù)雜，具有長鏈與周期性等特征，而在現(xiàn)有的AI建模中，往往被簡化為單一重復(fù)單元，采用類似小分子的處理方式。這種簡化忽略了其結(jié)構(gòu)本質(zhì)，導(dǎo)致模型難以真正“理解”高分子，限制了實際應(yīng)用效果。此外，高分子材料的性質(zhì)不僅取決于其重復(fù)單元的化學(xué)結(jié)構(gòu)，還與分子量及其分布、交聯(lián)程度、共聚方式，甚至加工條件等因素密切相關(guān)。因此，要想讓AI真正服務(wù)于高分子材料設(shè)計，迫切需要一個統(tǒng)一的表示學(xué)習(xí)框架，能夠顯式建模其長程結(jié)構(gòu)，并靈活地整合額外信息，以適應(yīng)多樣化的下游任務(wù)。

  為此，浙江大學(xué)高分子科學(xué)與工程學(xué)系計劍教授、張鵬研究員團隊開發(fā)了一種周期性感知的高分子深度學(xué)習(xí)框架（PerioGT），用于高分子的表征學(xué)習(xí)與性質(zhì)預(yù)測。該模型通過結(jié)構(gòu)感知的自監(jiān)督預(yù)訓(xùn)練，在海量無標簽數(shù)據(jù)中學(xué)習(xí)高分子的結(jié)構(gòu)先驗，并在16個高分子性質(zhì)預(yù)測任務(wù)中全面超越現(xiàn)有的AI模型。值得一提的是，PerioGT 采用了模塊化圖構(gòu)建策略，具備良好的可擴展性，適用于各類高分子材料體系。同時，作者還通過一個真實案例對其在材料篩選中的實際效能進行了驗證。

  2025年11月20日，相關(guān)成果以“Periodicity-aware deep learning for polymers”為題發(fā)表于《Nature Computational Science》，吳宇暉博士研究生為論文第一作者。

  首先，研究團隊引入了一種化學(xué)知識驅(qū)動的周期性先驗。具體做法是，在高分子主鏈上設(shè)置固定大小的采樣窗口，通過滑動提取多個結(jié)構(gòu)片段。來自同一高分子的不同片段被視為正樣本對，不同高分子的片段則作為負樣本對，并在片段中隨機掩蓋部分原子。在此基礎(chǔ)上，研究者構(gòu)建了對比學(xué)習(xí)任務(wù)，顯式引導(dǎo)模型識別語義上相似的結(jié)構(gòu)片段，從而更準確地捕捉高分子的長程周期性規(guī)律。同時，模型還學(xué)習(xí)如何根據(jù)上下文重建被掩蓋的原子信息，增強其對局部結(jié)構(gòu)的理解能力。基于這一思路，作者在100萬個虛擬高分子結(jié)構(gòu)上進行了大規(guī)模自監(jiān)督預(yù)訓(xùn)練，使模型能夠全面學(xué)習(xí)高分子的通用結(jié)構(gòu)特征。同時，為了構(gòu)建一個靈活、統(tǒng)一的框架，作者還提出了一種模塊化的圖構(gòu)建策略（PolymerGraph），通過虛擬節(jié)點的形式引入額外的全局/局部信息，從而促進關(guān)系建模，靈活地適應(yīng)各類高分子材料體系（包括各類共聚物）。此外，團隊還提出了一種周期性增強的提示調(diào)優(yōu)策略（PGFT），將不同片段中的等價信息融合，使模型在微調(diào)時能更好地利用預(yù)訓(xùn)練中學(xué)到的知識。

圖1 模型概況。a, 預(yù)訓(xùn)練過程。b, 基于周期性增強的對比學(xué)習(xí)。c, 模塊化的PolymerGraph構(gòu)建策略。d, 周期性增強的提示調(diào)優(yōu)。

  隨后，研究團隊系統(tǒng)評估了模型在10個均聚物性質(zhì)預(yù)測任務(wù)中的表現(xiàn)，涵蓋了高分子材料中的一系列關(guān)鍵性能指標。結(jié)果顯示，PerioGT在所有任務(wù)上均顯著優(yōu)于現(xiàn)有模型。進一步地，研究者將模型應(yīng)用于6個更具挑戰(zhàn)性的共聚物預(yù)測任務(wù)，在結(jié)構(gòu)更復(fù)雜、變量更豐富的場景下，PerioGT 依然展現(xiàn)出最佳性能。上述結(jié)果表明，作者提出的周期性感知的預(yù)訓(xùn)練策略不僅有效引導(dǎo)模型學(xué)習(xí)高分子豐富的結(jié)構(gòu)特征，且具備跨體系、跨任務(wù)的廣泛適用性。

  為了進一步驗證模型對高分子周期性結(jié)構(gòu)的感知能力，研究團隊對模型生成的嵌入向量進行了相似性分析（圖2）。結(jié)果顯示，PerioGT 能夠準確識別出高分子中的周期性結(jié)構(gòu)模式，而傳統(tǒng)方法則未能展現(xiàn)出明顯規(guī)律，表明 PerioGT 對結(jié)構(gòu)周期性的建模更為精準。進一步地，作者通過展示四組具體實例（圖3），更直觀地印證了 PerioGT 在捕捉周期性信息方面的優(yōu)勢。

圖2 PA-level相似性分析。

圖3 Instance-level相似性分析。

  為進一步理解PerioGT優(yōu)越性能背后的原因，研究團隊對模型的潛在表示空間進行了深入分析。他們從三個維度展開評估：屬性對齊、結(jié)構(gòu)對齊與分布均勻性。結(jié)果顯示，PerioGT的潛在空間不僅捕捉到了玻璃化轉(zhuǎn)變溫度（T_g）、熔點（T_m）等高分子的關(guān)鍵物化性質(zhì)，還能有效區(qū)分結(jié)構(gòu)相似的高分子類型，體現(xiàn)出對結(jié)構(gòu)的強大表征能力。同時，模型生成的嵌入分布更加均勻，有助于保留更豐富的信息。這些結(jié)果表明，PerioGT在自督學(xué)習(xí)中成功提取了高分子的深層結(jié)構(gòu)與性質(zhì)規(guī)律，為多種下游任務(wù)提供了堅實的表征基礎(chǔ)。

圖4 潛在空間分析。a,b, 屬性對齊性可視化分析。c, 結(jié)構(gòu)對齊性可視化分析。d, 均勻性可視化分析。

  最后，為了驗證PerioGT在真實世界中的有效性，研究團隊開展了一個關(guān)于抗菌聚合物發(fā)現(xiàn)的案例研究。作者通過Michael加成反應(yīng)構(gòu)建了一個虛擬高分子庫，并從中合成了一部分樣本進行實驗標注。微調(diào)后，PerioGT 展現(xiàn)出優(yōu)于其他模型的預(yù)測準確性。研究人員進一步篩選出模型預(yù)測排名前30的候選分子并實際合成測試，結(jié)果有高達 83%（25/30）的高分子在體外表現(xiàn)出良好的抗菌活性，遠超其他自監(jiān)督學(xué)習(xí)模型（57%和20%）。其中兩種代表性高分子對耐甲氧西林金黃色葡萄球菌展現(xiàn)出強效抑菌能力（MIC = 8 μg/mL）。

擴展圖1 案例研究：抗菌高分子。a, 基于Michael加成的高分子庫。b, Top-30實驗結(jié)果。c, 篩選到的兩種抗菌高分子。d, 活死染色結(jié)果。e-f, 機制探究。

  綜上所述，該研究表明，將高分子中普遍存在的周期性先驗引入建模過程，結(jié)合模塊化的圖構(gòu)建策略，有助于顯著提升模型表征的泛化能力和適用性。作為一種自監(jiān)督學(xué)習(xí)框架，PerioGT能夠充分利用海量無標簽數(shù)據(jù)，有效捕捉高分子體系中的關(guān)鍵結(jié)構(gòu)語義，從而減輕對大規(guī)模標注數(shù)據(jù)的依賴，為高分子科學(xué)領(lǐng)域提供了一種通用且高效的建模范式。

  原文鏈接：https://www.nature.com/articles/s43588-025-00903-9