重庆医科大学陈陶/何清清团队Angew：机器学习辅助光热MPN预测
光热疗法（Photothermal Therapy, PTT）作为一种先进的生物医学疗法，在抗癌、抗菌和伤口愈合等领域展现出巨大的应用潜力。与传统疗法相比，PTT具有侵入性小、时间和空间可控等显著优点。光热疗法中光热转换依赖于光热剂（Photothermal Agent，PTA）对激光的响应、吸收和转换过程。但目前对于PTA的研究主要集中在贵金属纳米材料、半导体和碳基纳米材料等，这些材料经常遇到合成程序复杂、成本高昂和生物相容性差等问题，这极大地阻碍了它们在生物医学领域的广泛应用。近年来，金属酚醛网络（Metal Phenolic Network, MPN）材料因其绿色可持续的原料来源、低毒性、简便的合成工艺及易赋形于多种生物材料表面的特性，在生物医学领域引起广泛关注。MPN由金属离子与多酚配位形成的高度模板化网络结构，不仅具备优异的稳定性和可控性，还表现出良好的应用前景。陈陶教授团队此前利用MPN的赋形特性和稳定性，成功开发了基于MPN改性的种植体与种植基台，以促进糖尿病患者的种植体骨整合（Adv. Funct. Mater. 2021）及增强种植基台周围软组织的封闭性能（Adv. Healthcare Mater. 2023）。近期陈陶教授团队发现，MPN改性的纳米羟基磷灰石在近红外光（NIR）激发下具有优异的光热性能（ACS Nano. 2023）。亦有其他报道显示某些MPN材料在NIR激发下具备卓越的光热性能，但当前的研究仍主要集中于少量常见的MPN材料（如铁基MPN及基于聚多巴胺配体的MPN）。值得注意的是，MPN的化学组成极为多样，理论上可由93种金属或类金属元素与8000多种多酚组合，生成超过70万种可能的MPN。因此，如何从广阔的化学空间中快速筛选出具备光热性能的高效MPN并应用于生物医学领域，仍是当前亟待解决的挑战。近日，重庆医科大学陈陶/何清清团队再度研发了一个用于MPN光热性能预测的机器学习模型，利用该机器学习模型，该团队成功从4万多种MPN材料中预测出1654种高光热MPN材料，实验验证该机器学习模型的预测准确率为70%；探究了所预测的代表性高光热MPN在载药、抗菌、抗肿瘤上的应用潜力（图1）。
图1. 基于机器学习从巨大的MPN化学空间开发新型高光热MPN的工作流程，以及在生物医学领域的潜在应用。图片来源：Angew. Chem. Int. Ed.作者首先在实验室以规范化的合成和光热测量方法，构建了包含 80种MPN光热数据库并发现不同的金属和多酚组成导致了MPN巨大的光热性能差异（图2）。然后作者根据生物应用场景设定了光热性能划分标准，将80种MPN划分为高光热（ΔT≥20℃，17种）、中光热（10 °C ≤ ΔT < 20 °C，7种）和低光热（“0 ≤ ΔT < 10 °C，56种），并使用金属和多酚的组合特征以对MPN材料进行特征表示。作者继而比较了6种常用的机器学习模型对数据的拟合效果，发现XGBoost模型在假阳性率、PR AUC和ROC AUC等指标上表现出最佳的效果。因此，作者最后选用XGBoost模型用于后续光热材料的筛选（图3）。
图2. 80种MPN的光热性能差异。图片来源：Angew. Chem. Int. Ed.
图3. 光热MPN数据库的特征工程及机器学习模型筛选。图片来源：Angew. Chem. Int. Ed.随后，作者构建了一个虚拟MPN库。其金属元素的选择主要集中在过渡金属元素上，出于安全考虑，排除了放射性元素，并考虑了这些金属元素的常见氧化态，最终选择了42种过渡金属元素（包含90种价态）。同时作者对Phenol-Explorer多酚数据库进行过滤后，选择了460种化合物作为虚拟MPN的多酚模块。通过结合金属和多酚的特征，生成了44438种虚拟MPN。然后作者利用最优的XGBoost模型对44438种虚拟MPN进行了光热性能预测，并从1654种预测为高光热MPN中，按照高光热概率和多酚的可购买性、价格等因素选择了30种MPN，用于后续的实验验证（图4）。实验验证发现，模型对高光热MPN的命中率为21/30（70%），并发现了一些未报道过的光热MPN（图5）。最后，作者将所筛选的高光热MPN成功应用于抗菌、载药、抗肿瘤的应用。
图4. 虚拟MPN库的构建及新型光热MPN的ML计算筛选。图片来源：Angew. Chem. Int. Ed.
图5. 30个预测为高光热的MPN的实验验证。图片来源：Angew. Chem. Int. Ed.该研究提出利用机器学习方法加速光热MPN材料设计与筛选的策略，实现了机器学习模型70%的预测成功率，并验证了所筛选高光热MPN材料在生物医学领域中的应用。上述成果近日在线发表于Angew. Chem. Int. Ed.，硕士研究生樊栋奇、博士研究生陈旭、王珊为共同第一作者，陈陶教授、何清清博士后、唐菡主治医师为共同通讯作者。本研究受到了国家自然科学基金优秀青年基金（23322044），国家自然科学基金面上项目（32071362）及中国博士后科学基金（2024M763903）的资助。
原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：
Machine Learning-Assisted Prediction of Photothermal Metal-Phenolic Networks
Dongqi Fan, Xu Chen, Shan Wang, Jinglei Zhan, Yuan Chen, Houqi Zhou, Dize Li, Han Tang, Qingqing He, Tao Chen
Angew. Chem. Int. Ed., 2025, DOI: 10.1002/anie.202423799
陈陶，重庆医科大学附属口腔医院教授、博士研究生导师。国家优青，重庆市杰青，重庆市学术技术带头人（口腔医学），重庆医科大学“揭榜挂帅”重大科技人才项目首批入选者，重庆医科大学特聘教授——拔尖人才。团队聚焦口腔种植学的基础及临床研究，围绕重庆市“416”科技创新战略布局和“33618”现代制造业集群体系建设，大力开展有组织科研攻关，获批国家级及省部级科研及人才项目10余项；以通讯作者（含共同）在Angew. Chem. Int. Ed.、Adv. Mater.、Adv. Funct. Mater.、ACS Nano等期刊发表论文40余篇，申请中国发明专利13项。获得中华口腔医学会科技奖三等奖（2020）、重庆市卫生健康突出贡献青年科技工作者（2023）等奖励。陈陶教授团队构建了完善的“本科-硕士-博士-博士后”阶梯化人才培养体系，团队成员年轻而充满活力，洋溢着无限的科研热情与创新潜力。鉴于团队发展的需要，陈陶教授课题组现面向海内外常年招收优秀博士后，欢迎有志之士加入，共同开创科研新篇章。联系方式：chentao1985@hospital.cqmu.edu.cn。
资讯
京公网安备 11010802027423号