近日，课题组在国际知名期刊《Aggregate》（2025年IF=13.7）发表题为“Interpretable Active Learning Identifies Iron-Doped Carbon Dots With High Photothermal Conversion Efficiency for Antitumor Synergistic Therapy”的研究成果。文章报道了一类基于主动学习提升碳量子点光热转换效率的构建方法，并实现光热疗法/化学动力疗法协同抗肿瘤治疗。上海大学材料基因组工程研究院为论文第一完成单位和通讯单位。

研究团队提出了转换效率当量（SHAP-EV），一种基于SHAP（SHapley Additive exPlanations）值定义的多特征联合影响，能够明确量化各个实验变量对碳量子点光热转换效率的贡献部分。所提出的SHAP-EV与特征联合SHAP值紧密相关，R²达0.960，被整合到机器学习效用函数中，从而显著提升了评估效率。模型构建的数据集通过正交设计的50个实验合成样本，样本参数包括前驱体比例（Rat）、超声时间（Ust）、功率（Power）和反应时间（Time），并定义了网格化搜索空间。在模型训练过程中，研究团队根据数据的表现动态调整每个实验数据的权重。在每次迭代中，光热转换效率最高的数据作为基线，最低的数据被排除（数据权重为零），其余数据基于其与最优数据的距离分配权重。这种策略降低了低性能数据的影响，确保高性能样本在模型训练中发挥更重要的作用。

通过SHAP-EV辅助的主动学习策略，研究团队在四轮迭代的16次实验后，成功合成具有高效目标性能的铁掺杂碳量子点（Fe-CDs）。Fe-CDs不仅实现了78.7%的光热转换效率，还展现出了多种纳米酶活性，包括过氧化物酶、过氧化氢酶和谷胱甘肽过氧化物酶，能够实现肿瘤微环境的响应。在体外和体内实验中，Fe-CDs通过协同光热治疗和化学动力学治疗，增强了铁死亡过程，显著提升了抗肿瘤效果。相关研究成功实现了碳点光热转换效率的重大提升，并通过可解释的主动学习策略为生物功能材料的研发提供了新的优化方案。这种策略不仅提高了实验效率，降低了研发成本，可为研究人员在复杂材料研发过程中提供了更精准的指导。进一步为材料信息学的发展和在其他材料领域的拓展应用提供有力支持。

上述工作获得国家自然科学基金（No. 22122704、No. 22177067），上海高校特聘教授（东方学者）跟踪计划（GZ202209），广州-香港科技大学（广州）联合资助项目（No. 2023A03J0003）的资助。

    论文详细信息： Li, T.;  Cao, B.;  Wang, Y.;  Lin, L.;  Chen, L.;  Su, T.;  Song, H.;  Ren, Y.;  Zhang, L.;  Chen, Y.;  Li, Z.;  Feng, L.; Zhang, T.., Interpretable Active Learning Identifies Iron‐Doped Carbon Dots With High Photothermal Conversion Efficiency for Antitumor Synergistic Therapy. Aggregate 2025, 0, e70060. https://doi.org/10.1002/agt2.70060