石墨炔（Graphdiyne，GDY），是继富勒烯、碳纳米管、石墨烯之后，一种新的全碳纳米结构材料，具有丰富的碳化学键、大的共轭体系、宽面间距、优良的化学稳定性，被誉为是最稳定的一种人工合成的二炔碳的同素异形体。自从发现石墨炔具有优良的纳米酶活性后（Chem. Eng. J. 2021, 413, 127537，ESI高被引论文；Adv. Funct. Mater. 2022, 32, 2112683，ESI高被引论文；Nano Today 2022, 43, 101429，ESI高被引论文；J. Colloid Interface Sci. 2022, 607, 22169-22181；Nano Res. 2022, 15, 1446-1454；Chem. Mater. 2022, 34, 1356-1368；ACS Appl. Mater. Interfaces 2022, 14, 26455-26468；ACS Appl. Mater. Interfaces 2022, 14, 27720-27732），本团队一直致力于高活性新型石墨炔基纳米酶的开发。然而，传统纳米酶的设计开发面临逐一筛选效率低下的挑战，如何通过合理设计，或者采用理性化、自动化的方法，加速新型石墨炔基纳米酶的发现，成为了摆在研究人员面前的难题。借助人工智能手段，特别是机器学习（Machine Learning）来预测材料性能是一个富有潜力的解决方案，有望加速石墨炔基纳米酶的发现。
金沙集团1862cc朱之灵和隋凝团队在《ACS Materials Letters》（中科院一区TOP期刊，影响因子11.170）发表研究论文“Machine Learning Assisted Graphdiyne Based Nanozyme Discovery”。该论文通过对非金属原子掺杂的石墨炔催化的过氧化物模拟酶（POD）反应进行了深入研究，筛选出了两种性能最佳的掺杂石墨炔（硼掺杂石墨炔和氮掺杂石墨炔）。具体来说，极端梯度提升（XGBoost）算法可以从所有非金属原子掺杂的石墨炔构建的数据集中挖掘出模型参数与最大能垒（R2>78%）或最大耗能步骤（准确率>65%）之间的联系，从而提供了一种显著减少计算量的方法。此外，通过合成6种具有不同预期性质的非金属原子掺杂石墨炔，验证了它们在三个相关实验中的纳米酶活性趋势与预测结果一致。该研究表明，机器学习可以成为辅助密度泛函理论（DFT）计算筛选纳米酶的有效工具，并可以为纳米酶的性能优化提供理性指导。材料学院研究生于懿鑫、姜宇洁为共同第一作者，隋凝副教授、朱之灵副教授为共同通讯作者，我校均为第一作者及第一通讯单位。
文章链接：https://pubs.acs.org/doi/10.1021/acsmaterialslett.2c00756
此外，本团队围绕着机器学习纳米酶设计开展了大量的研究。如本团队报道了利用机器学习这一工具发现一种活性为天然超氧化物歧化酶12倍的类超氧化物歧化酶纳米酶硫化磷锰晶体（MnPS3），能有效去除小鼠病灶皮肤毛囊深层的活性氧，在动物实验上对雄激素性脱发 (AGA)这一疾病显示出十分良好的疗效。该工作发表在《Nano Letters》（中科院一区TOP期刊，影响因子12.262），题为“Machine Learning Guided Discovery of Superoxide Dismutase Nanozymes for Androgenetic Alopecia”。环境学院研究生张超慧为第一作者，王丽娜副教授、朱之灵副教授为共同通讯作者，我校均为第一作者及第一通讯单位。
文章链接：https://pubs.acs.org/doi/10.1021/acs.nanolett.2c03119
上述工作得到了国家自然科学基金、山东省自然科学基金、青岛市自然科学基金等项目资助和北京大学张锦院士课题组技术支持。
