Neues Cover der Zeitschrift "Nature": Künstliche Intelligenz "erschafft" Hydrogele, die alles anhaften lassen

Eine Gummiente hat es geschafft, tagelang den Brandungsschlägen standzuhalten und bleibt dabei wie an Ort und Stelle; Ein Rohr mit einem 2 - Zentimeter - Loch, das voll Wasser ist, kann mit einem einfachen "Patch" augenblicklich das Wasser stoppen und 5 Monate lang dicht bleiben.

All dies ist der von KI entwickelten biomimetischen Superklebstoff zu verdanken, der gerade auf der Titelseite der neuesten Ausgabe von Nature steht.

Diesmal hat das Team um die chinesischstämmige Wissenschaftlerin Gong Jianping, Professorin an der Universität Hokkaido, das Materialdesign "neu definiert" - von der Analyse natürlicher Adhäsionsproteinsequenzen bis zum Aufbau eines iterativen Optimierungsmodells wurde alles mit KI - Unterstützung durchgeführt.

Wie Laura Russo, Dozentin an der Universität Milano - Bicocca, in einem gleichzeitig veröffentlichten "News & Views" - Artikel schrieb: "Die KI ist nicht mehr nur ein experimentelles und exploratives Werkzeug in der Materialwissenschaft, sondern wird tatsächlich in der Materialentwicklung und - gestaltung eingesetzt und verändert aktiv die Art und Weise, wie Wissenschaftler ihre Forschung betreiben."

Sie sagte auch, dass diese Superklebehydrogele, die stark an unregelmäßige und nasse Oberflächen haften können, für viele biomedizinische Anwendungen umwerfend sein könnten, einschließlich Prothesenbeschichtungen und tragbaren Biosensoren, und dass ihre Designweise vielseitig ist und "auch auf andere Arten von funktionellen flexiblen Materialien angewendet werden könnte".

Materialdesign ist so schwierig

Das Design von Weichmaterialien (wie Hydrogelen und Elastomeren) ist extrem komplex. Es ist erforderlich, die richtigen Typen und Mengen von Bausteinen (wie Monomeren) auszuwählen und ihre Anordnung im Material zu bestimmen, was zu einem enormen Designraum mit unzähligen möglichen Kombinationen führt.

Die Eigenschaften von Weichmaterialien sind von Natur aus hochgradig komplex. Diese Komplexität behindert die Entwicklung von genauen Vorhersagetheorien oder Rechenmodellen. Die Materialentwicklung muss oft auf wiederholte experimentelle Fehlversuche zurückgreifen.

Um die experimentelle Belastung zu verringern, werden datengesteuerte Strategien immer wichtiger. Neue Werkzeuge wie Data Mining (DM) und maschinelles Lernen (ML) verändern dieses Forschungsgebiet: Sie helfen bei der Analyse komplexer Verhaltensweisen, verbessern die Leistungsprognose und fördern die Entwicklung von Theorien und Modellen.

Dennoch ist es noch eine Herausforderung, diese Werkzeuge effizient in ein ganzheitliches Materialdesign - Framework zu integrieren. Der erste Schritt besteht darin, hochwertige Datensätze aufzubauen; aber aufgrund der vielen potenziellen Materialdesigns und der begrenzten experimentellen Durchsatzleistung ist der Prozess des Datensatzaufbaus außerordentlich komplex. Darüber hinaus ist die Realisierung einer sofortigen, starken und wiederholbaren Unterwasseradhäsion immer noch ein langjähriges Problem in der Materialdesign - Branche.

Biologische Weichgewebe als durch natürliche Evolution entstandene Weichmaterialien zeigen komplexe Strukturen, die sich für bestimmte Funktionen entwickelt haben. Die Untersuchung dieser Systeme hilft, den Designraum von synthetischen Weichmaterialien zu verkleinern, wie z. B. biomimetische Trockenklebematerialien nach der Gecko - Art. Insbesondere sind Adhäsionsproteine in vielen Organismen wie Archaeen, Bakterien, Eukaryoten und Viren weit verbreitet und verleihen ihnen die Fähigkeit, sich in feuchten Umgebungen effektiv zu befestigen.

Obwohl diese Proteine aus verschiedenen Quellen stammen, haben sie oft gemeinsame Sequenzmuster, was Anregungen für das Design von Unterwasserklebstoffen bietet. Doch das Erkennen dieser sinnvollen Sequenzmuster, ihre Umsetzung in Synthesestrategien und die effektive Vorhersage mit Hilfe von maschinellem Lernen sind immer noch die Hauptschwierigkeiten bei der Entwicklung eines ganzheitlichen Designmodells.

Vor diesem Hintergrund ist die Entwicklung von Superklebehydrogelen, die sich zuverlässig in feuchten Umgebungen einsetzen lassen, ein wichtiges Forschungsgebiet. Solche Materialien werden in vielen praktischen Szenarien benötigt, wie z. B. als medizinischer Klebstoff zur Abdichtung von Gewebe und Blutstillung in der Chirurgie, als Gel zur Förderung der Wundheilung und Geweberegeneration oder als Unterwasserrepariermaterial für Schiffe und Offshore - Strukturen.

Allerdings besteht oft ein innerer Widerspruch zwischen der Weichheit von Hydrogelen und der erforderlichen hohen Adhäsion, was die Komplexität des Materialdesigns noch erhöht. Noch wichtiger ist, dass die traditionelle Methode zur Entdeckung von funktionellen Hydrogelen immer noch auf wiederholten Versuchen beruht, was teuer und zeitaufwendig ist und die Effizienz ihrer Umsetzung in klinische oder industrielle Anwendungen stark einschränkt.

Bisher wurden maschinelles Lernen und Deep - Learning - Methoden eingesetzt, um harte anorganische Materialien mit bestimmten Eigenschaften zu identifizieren. Maschinelles Lernen wurde auch mit Robotersystemen kombiniert, um die Synthese von Verbindungen, die von der KI identifiziert wurden, zu entwickeln und umzusetzen. Harte anorganische Materialien haben in der Regel klare Strukturen und bestimmte Eigenschaften, was den Trainingsprozess vereinfachen und die KI zur Identifizierung nutzen lässt.

Im Vergleich dazu ist die computergestützte Identifizierung von Hydrogelen für bestimmte Funktionen viel komplexer, aus folgenden Gründen: Erstens können die Polymermoleküle in funktionellen Hydrogelen verschiedene chemische Gruppen enthalten; zweitens werden ihre Eigenschaften von mehreren Faktoren beeinflusst, wie z. B. der Sekundärstruktur der Moleküle (d. h. der lokalen räumlichen Konformation), der Fähigkeit der Moleküle, verschiedene Konformationen einzunehmen, und der Wechselwirkungen zwischen den Molekülen. Darüber hinaus muss die rheologische Eigenschaft von Hydrogelen (d. h. ihr Verhalten bei Deformation und Fließen unter Spannung) auch entsprechend der praktischen Anwendung angepasst werden. Bei Hydrogelen für feuchte Umgebungen gibt es noch ein spezielles Problem - sie quellen nach der Wasseraufnahme auf, und dieses Quellverhalten muss ebenfalls bei der Konstruktion berücksichtigt werden.

Eine weitere Herausforderung besteht darin, dass das Training von KI - Plattformen zur Vorhersage von Materialeigenschaften normalerweise eine große Menge an Datensätzen erfordert, aber derzeit sind die Daten über die verschiedenen chemischen und physikalischen Parameter, die die Eigenschaften von Hydrogelen beeinflussen, sehr begrenzt. Daher konzentriert sich die Anwendung von KI in Hydrogelen hauptsächlich auf die Vorhersage ihrer mit Formulierung und Herstellung verbundenen Eigenschaften, wie z. B. des Quellverhaltens oder ihrer Eignung für 3D - Druck.

Superklebehydrogele, entwickelt von KI

Inspiriert von natürlichen Adhäsionsproteinen hat das Forschungsunternehmen eine von KI unterstützte Methode zur Entwicklung von Superklebehydrogelen vorgeschlagen, eine neue datengesteuerte Strategie, die Data Mining, experimentelle Synthese und maschinelles Lernen integriert, um Hochleistungsadhäsionshydrogele für raue Unterwasserumgebungen von Grund auf neu zu entwerfen.

Abbildung | KI - unterstützte Entwicklung von Superklebehydrogelen

Sie haben zunächst die Aminosäuresequenzen von Proteinen in aquatischen Organismensystemen analysiert, die als Adhäsionsmaterialien dienen, um die funktionellen Merkmale dieser natürlichen Klebstoffe zu identifizieren. Anschließend haben sie die Analyseergebnisse genutzt, um das molekulare Design von 180 Hydrogelen zu leiten. Die molekularen Bausteine wurden so gewählt, dass sie die Merkmale der natürlichen Klebstoffe wiedergeben können.

Dann haben sie diese Hydrogele synthetisiert und ihre Unterwasseradhäsionsstärke, rheologische Eigenschaften und Quellverhalten getestet. Auf der Grundlage dieser experimentellen Ergebnisse haben sie einen Datensatz mit ausreichender Vielfalt aufgebaut, um maschinelle Lernwerkzeuge zu trainieren, um neue Designs vorzuschlagen und ihre Unterwasseradhäsionseigenschaften vorherzusagen.

Daraufhin haben sie einen iterativen Optimierungsprozess aufgebaut: In diesem Prozess werden in jeder Runde die Designs mit der höchsten vorhergesagten Adhäsionskraft synthetisiert und getestet, und die gewonnenen Daten werden für die nächste Runde des maschinellen Lernens verwendet. In den drei Runden des Designs hatten die jeweils besten Hydrogele eine bessere Unterwasseradhäsionsstärke als die ursprünglichen 180 Proteine.

Schließlich haben sie 3 der besten Hydrogele in verschiedenen feuchten Umgebungen getestet, und die Ergebnisse zeigen, dass diese Materialien hervorragende Adhäsionseigenschaften haben.

Außerdem können diese Hydrogele über einen langen Zeitraum (wie in einem Experiment über ein Jahr hinweg) eine starke Adhäsion aufrechterhalten und zeigen sowohl in statischen als auch in dynamischen Umgebungen eine gute Stabilität.

Universell - neue Möglichkeiten durch "Kleben"

Um die praktischen Anwendungsleistungen der entwickelten Hydrogele zu überprüfen, hat das Forschungsunternehmen mehrere Tests durchgeführt:

In einem Experiment haben sie das R1 - max - Hydrogel als Klebstoff verwendet, um eine Gummiente fest an einem Strandfelsen zu befestigen. Dank der starken Adhäsion von R1 - max in Salzwasser konnte die Gummiente trotz ständiger Gezeitenströmungen und Brandungsschlägen fest haften, was die langfristige und stabile Klebekraft dieses Materials in rauen Meeresumgebungen eindrucksvoll beweist.

In einem anderen Experiment haben die Forscher eine R2 - max - Hydrogelfolie an einem Loch mit einem Durchmesser von 20 Millimetern am Boden eines 3 - Meter - hohen Polycarbonatrohrs angebracht. Das Hydrogel hat augenblicklich das Lecken des Hochdruckwassers gestoppt. Im Vergleich dazu können herkömmliche Klebstoffe unter solchen extremen Bedingungen in der Regel nicht das gleiche Ergebnis erzielen.

Außerdem zeigen alle diese Hydrogele eine gute Biokompatibilität, was durch ein Subkutaneimplantationsexperiment an Mäusen bestätigt wurde, was eine starke Unterstützung für ihre weitere Anwendung im biomedizinischen Bereich bietet.

Das Forschungsunternehmen hat angegeben, dass Superklebehydrogele in einem breiten Anwendungsbereich enorme Potenziale aufweisen und zuverlässige Lösungen für Szenarien bieten, bei denen herkömmliche Klebstoffe oft versagen.

Beispielsweise können sie für funktionelle Beschichtungen von Prothesenoberflächen, tragbare Biosensoren und andere biomedizinische Anwendungen verwendet werden, sowie für die Unterstützung der marinen Aquakultur und die Erkundung der Tiefsee. Insbesondere sind sie für solche Schlüsselszenarien geeignet, bei denen eine stabile Adhäsion unter feuchten Bedingungen erforderlich ist.

Die Verbesserung der Hydrogeleigenschaften zeigt die Vorteile der datengesteuerten Entwicklungsmethode bei der Entwicklung von Hochleistungsmaterialien. Darüber hinaus ist diese Methode hochgradig universell und kann flexibel auf die Entwicklung anderer Arten von funktionellen Weichmaterialien erweitert werden, was für viele Bereiche neue Möglichkeiten eröffnet.

Allerdings haben das Forschungsunternehmen auch darauf hingewiesen, dass die gegenwärtige Methode noch einige Einschränkungen hat, darunter: die begrenzte Anzahl von Monomeren, die Schwierigkeit, eine Polymerisationsmonomersequenzsteuerungstechnik für die Materialentwicklungsskala zu realisieren, und die begrenzte Fähigkeit zur Erweiterung des Datensatzes.

Um diese Herausforderungen zu überwinden, müssen die Wissenschaftler die modulare Monomerenbibliothek erweitern, die Polymerisationstechnologie vorantreiben und physikalische maschinelle Lernmodelle entwickeln, die auf spärlichen, mehrskaligen Datensätzen anwendbar sind.

Dieser Artikel stammt aus dem WeChat - Account "Academic Headlines", Autor: Academic Headlines. 36Kr hat die Veröffentlichung mit Genehmigung erhalten.