在材料科学领域，寻找具有特定性能的新型聚合物材料一直是一个挑战。传统的材料发现方法通常依赖于试错法，耗时且成本高昂。为了解决这个问题，麻省理工学院（MIT）的研究人员开发了一种全自动化的实验平台，该平台能够高效地识别用于蛋白质稳定、电池电解质或药物输送等应用的最佳聚合物混合物。
聚合物混合物的挑战
科学家们经常需要从聚合物中获得新的材料。为了节省时间和金钱，他们通常会混合现有的聚合物来实现所需的性能，而不是从头开始搜索新的聚合物。然而，识别最佳混合物是一个复杂的问题。潜在的组合数量几乎是无限的，而且聚合物之间的相互作用方式非常复杂，因此预测新混合物的性能非常困难。
自动化平台的诞生
为了加速新材料的发现，MIT的研究人员开发了一种全自动化的实验平台，该平台可以高效地识别最佳聚合物混合物。这个闭环工作流程使用强大的算法来探索各种潜在的聚合物混合物，并将选择的组合送入机器人系统，该系统混合化学物质并测试每种混合物。根据测试结果，算法决定下一步要进行哪些实验，直到新聚合物满足用户的目标。
在实验过程中，该系统自主识别出数百种性能优于其组成聚合物的混合物。有趣的是，研究人员发现，性能最佳的混合物不一定使用最佳的单个组分。
“我发现这很好地证实了使用优化算法同时考虑整个设计空间的价值，”MIT化学工程、电气工程和计算机科学系的1957级职业发展助理教授Connor Coley说，他也是一篇关于这种新方法的论文的资深作者。“如果你考虑整个配方空间，你可能会发现新的或更好的性能。使用不同的方法，你很容易忽略那些恰好是最佳混合物重要组成部分的表现不佳的组分。”
潜在的应用
这种工作流程有朝一日可以促进聚合物混合材料的发现，从而推动改进的电池电解质、更具成本效益的太阳能电池板或用于更安全药物输送的定制纳米颗粒等方面的进展。Coley的合作者包括：第一作者Guangqi Wu，前MIT博士后，现为牛津大学的Marie Skłodowska-Curie博士后研究员；MIT研究生Tianyi Jin；以及MIT材料科学与工程系的Michael和Sonja Koerner教授Alfredo Alexander-Katz。该研究成果发表在 Matter 杂志上。
构建更好的混合物
当科学家设计新的聚合物混合物时，他们面临着几乎无限数量的可能的起始聚合物。一旦他们选择了一些进行混合，他们仍然必须选择每种聚合物的组成和混合物中聚合物的浓度。“拥有如此大的设计空间需要算法解决方案和高通量工作流程，因为你根本无法使用蛮力测试所有组合，”Coley补充道。
虽然研究人员已经研究了单一聚合物的自动化工作流程，但由于设计空间急剧增大，对聚合物混合物的研究较少。
随机异聚物混合物
在这项研究中，MIT的研究人员寻找新的随机异聚物混合物，这些混合物是通过混合两种或多种具有不同结构特征的聚合物制成的。这些多功能的聚合物在高温酶催化方面显示出特别有希望的相关性，高温酶催化是一种提高化学反应速率的过程。他们的闭环工作流程从一个算法开始，该算法根据用户所需的性能自主识别出少数有希望的聚合物混合物。
研究人员最初尝试使用机器学习模型来预测新混合物的性能，但很难在天文数字般庞大的可能性空间中做出准确的预测。相反，他们利用了一种遗传算法，该算法使用生物学启发的选择和突变等操作来找到最佳解决方案。
他们的系统将聚合物混合物的组成编码成一个有效的数字染色体，遗传算法迭代地改进该染色体以识别最有希望的组合。“这种算法并不新鲜，但我们必须修改该算法以适应我们的系统。例如，我们必须限制一种材料中可能存在的聚合物数量，以提高发现效率，”Wu补充道。
此外，由于搜索空间非常大，他们调整了算法以平衡其对探索（搜索随机聚合物）与利用（优化上次实验中最佳聚合物）的选择。
自主机器人平台
该算法一次向自主机器人平台发送96种聚合物混合物，该平台混合化学物质并测量每种混合物的性能。实验的重点是通过优化保留的酶活性（REA）来提高酶的热稳定性，REA是衡量酶在与聚合物混合物混合并暴露于高温后稳定程度的指标。这些结果被发送回算法，算法使用它们来生成一组新的聚合物，直到系统找到最佳混合物。
加速发现
构建机器人系统涉及许多挑战，例如开发一种均匀加热聚合物的技术以及优化移液器吸头上下的速度。
“在自主发现平台中，我们强调算法创新，但在你可以信任从中获得的信息之前，你必须验证程序的许多详细和微妙的方面，”Coley说。
经过测试，他们的系统识别出的最佳混合物通常优于形成它们的聚合物。最佳整体混合物的性能比其任何单个组分高出18％，实现了73％的REA。
“这表明，我们可以混合现有的聚合物来设计性能甚至优于单个聚合物的新材料，而不是开发新的聚合物，”Wu说。
此外，他们的自主平台每天可以生成和测试700种新的聚合物混合物，并且只需要人工干预来重新填充和更换化学物质。
未来的方向
虽然这项研究的重点是用于蛋白质稳定的聚合物，但他们的平台可以修改用于其他用途，例如开发新的塑料或电池电解质。除了探索其他聚合物性能外，研究人员还希望使用实验数据来提高其算法的效率并开发新的算法来简化自主液体处理器的操作。
加州大学伯克利分校的教授徐霆（Ting Xu，音译）说：“从技术上讲，迫切需要提高蛋白质和酶的热稳定性。这里展示的结果令人印象深刻。作为一种平台技术，并且鉴于材料科学中机器学习和人工智能的快速发展，人们可以设想该团队有可能进一步提高随机异聚物的性能或根据最终需求和用途优化设计。”
这项工作部分由美国能源部、国家科学基金会和1947级职业发展主席资助。
结论
MIT的研究人员开发的自动化实验平台为聚合物材料的发现提供了一种高效且有前景的方法。该平台能够快速生成和测试大量的聚合物混合物，并利用算法优化混合物的性能，从而加速了新材料的发现过程。这项技术有望在电池电解质、太阳能电池板和药物输送等领域取得突破性进展，并为未来的材料科学研究开辟新的方向。通过结合自动化、算法优化和实验验证，该平台为材料科学家提供了一个强大的工具，以应对日益增长的对高性能聚合物材料的需求。
案例分析：酶的热稳定性
研究人员通过优化酶的热稳定性，展示了该平台的实际应用。他们发现，通过混合不同的聚合物，可以获得比单一聚合物更稳定的酶。这种方法不仅节省了开发新聚合物的时间和成本，而且还可以通过调整混合物的组成来实现对酶稳定性的精确控制。这一发现对生物技术和制药行业具有重要意义，因为它可以用于开发更稳定和有效的生物催化剂和药物。
数据佐证
实验结果表明，该平台识别出的最佳混合物通常优于形成它们的聚合物。最佳整体混合物的性能比其任何单个组分高出18％，实现了73％的REA。此外，该平台每天可以生成和测试700种新的聚合物混合物，并且只需要人工干预来重新填充和更换化学物质。这些数据表明，该平台具有很高的效率和潜力，可以加速新材料的发现过程。
挑战与展望
尽管该平台具有显著的优势，但也存在一些挑战。例如，开发一种均匀加热聚合物的技术以及优化移液器吸头上下的速度需要大量的实验和优化。此外，算法的效率和准确性也需要不断提高。未来，研究人员希望使用实验数据来提高其算法的效率并开发新的算法来简化自主液体处理器的操作。他们还计划探索其他聚合物性能，例如机械强度和化学稳定性，并将该平台应用于其他领域，例如开发新的塑料和电池电解质。
总而言之，MIT的研究人员开发的自动化实验平台为聚合物材料的发现提供了一种创新和高效的方法。通过结合自动化、算法优化和实验验证，该平台为材料科学家提供了一个强大的工具，以应对日益增长的对高性能聚合物材料的需求。随着技术的不断发展和完善，该平台有望在材料科学领域取得更多的突破性进展。
