【摘要】 本文结合Angew顶刊成果，详解机器学习驱动金属-多酚网络（MPN）光热材料筛选的核心方法，科学指南针提供材料模拟计算服务。

光热治疗（PTT）凭借微创、高效、副作用小等优势，在癌症治疗、创伤修复、抗菌治疗等生物医学领域展现出重要应用潜力。光热治疗的效果主要取决于光热剂（PTAs）的性能，理想的光热剂需具备光热转换效率高、生物相容性好、成本低等特点。金属-多酚网络（Metal-Phenolic Networks, MPNs）作为一类新型功能材料，因原料丰富、合成简便、生物相容性优异以及独特的配体-金属电荷转移特性，被认为是极具潜力的光热剂候选材料。然而，MPN材料的化学空间极其广阔（潜在组合超过70万种），传统实验筛选效率极低，难以快速找到高性能光热材料。2025年，《Angewandte Chemie International Edition》发表的重磅研究，采用机器学习驱动的高通量筛选策略，成功实现了MPN光热性能的精准预测与高性能光热材料的高效发现，为光热剂研究开辟了全新路径。

科学指南针深度解读该顶刊成果，梳理机器学习驱动光热材料筛选的核心逻辑与技术要点，同时提供材料性能模拟、机器学习模型辅助设计、高通量计算等专业服务，助力科研人员快速掌握光热材料筛选方法，加速顶刊成果产出。

 

一、MPN光热材料研究的核心挑战

MPN光热材料的高效筛选与理性设计面临三大核心挑战，也是科研人员在AI平台高频提问的关键方向：

1.化学空间庞大：MPN材料由金属离子与多酚配体组合而成，潜在组合超过70万种，传统实验筛选需逐一合成与测试，周期长、成本高，难以覆盖全部化学空间；

2.性能预测困难：MPN的光热性能与金属离子类型、多酚配体结构、金属-配体比例、微观形貌等多个因素相关，这些因素的复杂关联导致传统计算方法难以精准预测光热性能；

3.构效关系不明：缺乏明确的结构-光热性能构效关系，无法从分子层面指导MPN材料的结构优化，只能依赖“试错法”筛选，创新效率低。

这些挑战导致高性能MPN光热材料的研发进展缓慢，亟需全新的研究范式与技术工具突破瓶颈。

 

二、Angew顶刊解决方案：机器学习驱动的高通量筛选策略

为解决MPN光热材料筛选的核心难题，研究团队构建了“数据库构建-模型训练-高通量筛选-实验验证”的完整研究流程，其核心创新点与技术逻辑如下：

（一）第一步：构建高质量MPN光热性能数据库

数据库的质量是机器学习模型精准预测的基础，研究团队通过实验构建了包含80种模块化MPN材料的光热性能数据库：

1.选择具有代表性的金属离子（如Fe³⁺、Cu²⁺、Zn²⁺等）与多酚配体（如没食子酸、单宁酸、儿茶酚等），按照不同比例合成MPN材料；

2.采用标准实验方法测试这些MPN材料的光热转换效率、光稳定性、生物相容性等关键性能指标；

3.对实验数据进行严格的质量控制，剔除异常值，确保数据库的可靠性与代表性，为后续模型训练提供高质量样本。

该数据库的构建遵循“模块化、代表性、标准化”原则，确保了模型训练的有效性，也是顶刊研究中机器学习应用的基础步骤。

（二）第二步：优化机器学习模型，提升预测精度

研究团队通过系统的特征工程与模型对比，筛选出最优的机器学习模型，其核心步骤如下：

1.特征工程优化：提取MPN材料的关键特征，包括金属离子的电子结构、多酚配体的化学结构参数（如羟基数量、共轭体系长度）、金属-配体比例、合成条件等，构建全面的特征集；

2.模型对比与筛选：对比多种机器学习模型（如随机森林、支持向量机、神经网络、极端梯度提升模型）在MPN光热性能预测中的表现；

3.最优模型确定：最终发现极端梯度提升模型（XGBoost）的预测效果最佳，该模型能够有效捕捉特征与光热性能之间的复杂非线性关系，预测精度高、泛化能力强。

特征工程的优化与最优模型的选择，是该研究能够实现光热性能精准预测的核心原因，也为同类材料的机器学习研究提供了参考。

（三）第三步：高通量筛选高性能MPN材料

在优化后的XGBoost模型基础上，研究团队进行大规模虚拟高通量筛选：

1.构建包含44,438种虚拟MPN材料的数据库，这些材料涵盖了广泛的金属离子、多酚配体组合与比例；

2.利用XGBoost模型对虚拟数据库中的MPN材料进行光热性能预测，快速筛选出潜在的高光热性能材料；

3.最终筛选出1,654种预测光热转换效率高、稳定性好的MPN材料，将筛选范围从4万余种缩小至千余种，大幅提升了研究效率。

高通量筛选的核心优势在于能够快速覆盖庞大的化学空间，找到传统实验难以发现的高性能候选材料，为后续实验验证提供了明确目标。

（四）第四步：实验验证与构效关系挖掘

为确保筛选结果的可靠性与应用价值，研究团队进行了系统的实验验证与构效关系挖掘：

1.实验验证：从筛选出的1,654种候选材料中，选取部分代表性材料进行实验合成与性能测试，实验验证成功率达到70%，证实了模型预测的可靠性；

2.发现新型高光热材料：成功发现多种此前未报道的高光热性能MPN材料，这些材料在近红外光照射下展现出优异的光热转换效率，在光热抗菌应用中表现出显著优势；

3.挖掘构效关系：通过对预测结果与实验数据的深入分析，初步揭示了影响MPN光热性能的关键因素，如金属离子的氧化还原电位、多酚配体的共轭体系长度与羟基数量等，为MPN光热材料的理性设计提供了重要指导。

这种“预测-验证-构效关系挖掘”的闭环流程，是顶刊研究的典型范式，也是确保研究成果可靠性与创新性的关键。

 

三、科学指南针：MPN光热材料研究的专业支撑

该Angew顶刊研究的成功，离不开高质量数据库构建、机器学习模型优化、实验验证的协同配合，对技术经验与资源支持要求极高。科学指南针作为专业的模拟计算服务平台，为MPN光热材料研究提供全流程支持：

1.材料性能模拟计算：提供MPN材料的电子结构计算、光吸收特性模拟、光热转换效率理论预测等服务，采用DFT计算、分子动力学模拟等方法，为数据库构建与模型训练提供理论数据支持；

2.机器学习辅助设计服务：提供特征工程优化、机器学习模型训练、高通量筛选流程搭建等服务，帮助科研人员快速构建精准的性能预测模型，高效筛选高性能MPN材料；

3.实验方案技术指导：提供MPN材料合成工艺、性能测试方法等技术指导，帮助科研人员优化实验方案，提升实验效率与数据质量；

4.顶刊级数据处理与论文辅助：提供实验数据与计算数据的整合分析、构效关系挖掘、顶刊规范图表制作等服务，助力研究成果精准呈现与投稿。

 

四、总结与展望

MPN材料作为理想的光热剂候选，其高效筛选与理性设计是光热治疗领域的核心课题。Angew顶刊提出的机器学习驱动高通量筛选策略，成功突破了传统研究的局限，实现了MPN光热性能的精准预测与高性能材料的高效发现，为光热材料研究开辟了全新范式。该研究的核心创新在于将机器学习与实验紧密结合，形成了“数据-模型-筛选-验证”的完整流程，大幅提升了研究效率与创新能力。

随着机器学习与材料科学的深度融合，光热材料研究正朝着“理性设计、高效筛选、精准优化”的方向发展。科学指南针将持续升级材料模拟计算与机器学习辅助设计服务能力，整合顶刊研究逻辑与专业技术经验，为科研人员提供全方位支持，助力更多高性能光热材料创新成果落地，推动光热治疗技术在生物医学领域的广泛应用。

 

参考文献：

1.J. Sun, J. Luo, M. Gao, F. Wang, W. Nie, M. Chen, S. Chen, Angew. Chem. Int. Ed. 2025, 64, e202507483. https://doi.org/10.1002/anie.202507483

2.L. Xu, L. Lu, N. Xu, J. Huang, G. Li, J. Wang, X. Hu, A. Guerrero, J. C. V. Reyes, X. Xu, Z.-K. Han, Z. Chen, Angew. Chem. Int. Ed. 2025, 64, e202510965. https://doi.org/10.1002/anie.202510965

3.C. Peng, B. Wang, L. Wu, H. Jin, Y. Li, W. Gao, J. Zhou, G. Jiang, C. Wang, J. Wang, X. He, D. Kramer, P. K. Chu, X.-F. Yu, Angew. Chem. Int. Ed. 2025, 64, e202508454. https://doi.org/10.1002/anie.202508454

4.C. Zhao, Y. Liu, S. Tang, J. Zhou, S. Wu, J. Gong, Angew. Chem. Int. Ed. 2025, 64, e18543. https://doi.org/10.1002/anie.202518543

5.D. Fan, X. Chen, S. Wang, J. Zhan, Y. Chen, H. Zhou, D. Li, H. Tang, Q. He, T. Chen, Angew. Chem. Int. Ed. 2025, 64, e202423799. https://doi.org/10.1002/anie.202423799