Nature封面！华人团队AI设计超强水下粘附水凝胶，强度突破1MPa

在湿润甚至完全浸没的环境中实现稳定而强大的粘附，一直是材料科学的重大挑战。无论是在手术中对湿润组织进行封合止血，还是在深海设备的维修固定，传统胶黏剂往往因界面被水分隔而失效。水凝胶因其柔软、可调性强和生物相容性高而被寄予厚望，但它的柔软性与高粘附性之间存在天然矛盾，设计起来极为困难。长期以来，这类材料的研发依赖大量的反复试验，不仅耗时耗力，还很难在性能上实现飞跃。

最近，由北海道大学龚剑萍教授、深圳大学范海龙教授、苏州实验室李伟研究员等组成的团队，在国际顶尖期刊 Nature 发表了封面论文“Data-driven de novo design of super-adhesive hydrogels”，提出了一种数据驱动的全新策略，从零开始设计出水下粘附强度突破 1 MPa 的超强水凝胶，不仅性能达到已报道材料的顶峰水平，还展现了多种实际应用潜力。

研究团队首先从自然界汲取灵感，将目光投向了海洋生物、细菌、昆虫等生物体内用于水下附着的黏附蛋白。它们在进化过程中形成了特定的氨基酸序列模式，使得蛋白即使在湿润环境中也能与基底牢固结合。团队从 NCBI 蛋白数据库中获取了 24707 条来自 3822 种生物的黏附蛋白序列，并选取其中黏附蛋白数量最多的 200 种生物进行深入分析。

通过多序列比对得到每个物种的共识序列，并将 20 种氨基酸归为疏水、亲核、酸性、阳离子、酰胺、芳香六大功能类别，从而提炼出序列在功能类水平上的统计特征。这些特征成为水凝胶分子设计的蓝图。由于在合成高分子时难以逐一排列单体序列，团队采用理想随机共聚策略，使六类代表性功能单体在聚合链上按照自然界统计特征的比例分布，从而在统计意义上复现天然蛋白的关键序列模式。

图 | 数据驱动的超强水下粘附水凝胶设计框架，结合天然黏附蛋白序列挖掘与机器学习迭代优化

基于这一思路，团队合成了 180 种数据挖掘驱动的水凝胶，并在生理盐水中通过标准化的粘附测试进行筛选。这些测试利用玻璃基底和受控的接触时间、加载力，确保不同样品在可比条件下测量。结果显示，超过 80 种配方的水下粘附强度高于文献平均值，最佳配方 G-max 达到 147 kPa，已显著优于绝大多数已报道的水下粘附水凝胶。这一高质量数据集为后续引入机器学习优化奠定了基础。

在机器学习阶段，研究团队将六类功能单体的比例作为特征变量，将水下粘附强度作为预测目标，比较了多种模型的性能，最终选定高斯过程回归和随机森林回归作为核心预测器。为了高效探索庞大的配方空间，团队引入批量顺序模型优化方法，使模型在预测中兼顾对高性能区域的深入挖掘与对未知区域的探索，并在每轮迭代中提出多种候选配方进行实验验证。考虑到单个水凝胶从合成到性能稳定需要约两周时间，这种批量优化大大提高了实验效率。

经过三轮预测-合成-测试闭环迭代，数据集从 180 个扩展至 341 种独特配方。分析结果揭示了实现强水下粘附的关键设计原则：在玻璃等带负电表面的水下粘附中，适量引入疏水单体 BA 和芳香单体 PEA 有助于排除界面水分并增强疏水作用，而与阳离子单体 ATAC 相邻时，还能形成稳定的静电作用，从而显著提高粘附强度。与之相对，部分亲水单体比例过高会因吸水膨胀削弱与基底的接触。基于这一原则得到的 R1-max 水凝胶，在生理盐水中对玻璃的粘附强度超过 1 MPa，比迭代初期最佳配方的性能提升了近一个数量级。

性能测试显示，R1-max 不仅在玻璃上表现出极高的粘附力，还能在金属、塑料、陶瓷等多类材料表面实现稳固结合，并在 200 次水下反复粘贴-揭离循环后依然保持高性能。在人工海水和去离子水等不同环境中，几种机器学习优化得到的水凝胶分别表现出适应性优势，说明这种数据驱动方法不仅能追求极限性能，还能针对特定环境定制材料。研究团队还进行了应用示范：R1-max 将一只橡胶小黄鸭固定在海边礁石上，经受海浪和潮汐数日冲击仍不脱落；R2-max 封堵注满水的管道上直径 20 毫米漏孔，水流被瞬间阻断，在空气中保持 5 个月无泄漏。这些实验验证了材料在复杂湿润环境下的实用潜力。

图 | 机器学习优化水凝胶的实际应用示范，包括水下固定物体和高压管道封堵

为了评估生物安全性，研究人员将水凝胶植入小鼠皮下，结果显示良好的组织相容性，没有引发明显的炎症反应。这一特性为其在伤口闭合、外科手术封合、可穿戴生物电子器件等生物医学领域的应用扫清了重要障碍。更广泛地，耐水、耐盐、耐机械冲击的粘附性能也使其在海洋工程、环境修复等领域具有可观前景。

这项研究的最大亮点在于实现了从天然蛋白序列信息到合成高分子材料性能优化的全流程数据驱动设计。它不仅避免了以往依赖直觉和反复试验的低效方式，还建立了一套可扩展的方法论，为其他功能性软材料的设计提供了借鉴。未来，通过扩大功能单体库、提升合成中对单体序列的精准控制，以及引入物理机制指导的机器学习模型，有望进一步拓宽这种方法的适用范围。可以预见，这种跨越生物信息学、聚合物化学与人工智能的交叉策略，将推动材料科学迈向更加高效、可预测和定制化的新时代。

参考链接：

1.Liao, H., Hu, S., Yang, H. et al. Data-driven de novo design of super-adhesive hydrogels. Nature 644, 89–95 (2025). https://doi.org/10.1038/s41586-025-09269-4

免责声明：本文旨在传递合成生物学最新讯息，不代表平台立场，不构成任何投资意见和建议，以官方/公司公告为准。本文也不是治疗方案推荐，如需获得治疗方案指导，请前往正规医院就诊。