8月29日，记者从深圳大学获悉，该校化学与环境工程学院特聘副教授范海龙联合日本北海道大学教授龚剑萍等人，基于蛋白质数据库，创新性地提出一种融合数据挖掘、仿生实验设计与机器学习的“三位一体”设计策略，成功预测并开发出水下粘附强度达到兆帕级的超粘水凝胶。相关研究成果于日前发表在《自然》上。

设计凝胶与弹性体等软材料是一项复杂任务，需要筛选合适的结构单元类型与用量，以确定其在材料中的排布方式，而由此产生的设计空间包含无数种可能组合。同时，还受到弱分子相互作用与热涨落共同影响。

据悉，数据驱动方法利用标准化数据集，通过改变具有明确原子结构的硬质材料的发现与预测范式，实现精确的性能预测并促进设计空间的高效探索。

然而，由于软材料存在复杂的多尺度结构—性能关系，相关应用仍面临挑战。

科研人员通过融合数据挖掘、实验验证与机器学习的数据驱动策略，设计适用于严苛水下环境的高性能粘附水凝胶。

其中，通过挖掘蛋白质数据库，科研人员开发出描述符策略，并利用理想共聚在聚合物链中统计复现蛋白质序列模式，从而实现水凝胶的定向设计与数据集构建。

同时，基于180种仿生水凝胶的初始数据集，科研人员采用机器学习优化配方后获得粘附强度的显著提升，最高值突破1兆帕。

另悉，这类超强粘附水凝胶在生物医学工程至深海探测等领域展现出巨大应用潜力，标志着软材料数据驱动创新的重要突破。