这篇JACS，水三聚体的扭转隧道劈裂！
秋去冬来，北风凛冽，科研人宅在实验室捣鼓实验；
寒来暑往，四季更替，计算人猫在电脑前拨弄数据！
Nature Communications：转移学习增强了高定向氧化石墨烯纳米通道的水致能发电能力
从人工纳米通道内的自发水流中获取能量，是满足快速发展的人类社会可持续电力需求的一种有前途的途径。然而，大规模的纳米通道集成以及多参数耦合，对发电的限制影响仍然是宏观应用面临的巨大挑战。在此，为了解决这一挑战，来自清华大学的Huhu Cheng & Liangti Qu等研究者采用旋转冻铸法制备了具有集成二维纳米通道的长范围(1~20 cm)有序氧化石墨烯组装骨架。该结构能促进通道内水的自发吸收和定向传输，产生可观的电能。研究者采用迁移学习策略解决了有限实验数据下复杂的多参数耦合问题，提供了高精度的性能优化，有效地指导了二维水流赋能发电机的设计。发电机组可可控地产生~2.9 V电压或~16.8 μA电流。通过将多个器件串联起来，可实现~12v或~83 μA的高输出。
参考文献：
Yang, C., Wang, H., Bai, J. et al. Transfer learning enhanced water-enabled electricity generation in highly oriented graphene oxide nanochannels. Nat Commun 13, 6819 (2022). https://doi.org/10.1038/s41467-022-34496-y
原文链接：
https://www.nature.com/articles/s41467-022-34496-y
2.Nature Machine Intelligence：利用自适应图神经网络预测隐形抗体的中和性
大多数天然和合成抗体是“看不见的”。也就是说，要证明它们对任何抗原的中和作用，都需要费力而昂贵的湿实验室实验。现有的从已知抗体-抗原相互作用中学习抗体表示的方法，由于缺乏相互作用实例而不适用于不可见抗体。在此，来自中国科学院大学的Hongyan Wu & 复旦大学的Lu Lu & 上海人工智能实验室的Shaoting Zhang等研究者提出的DeepAAI方法通过在抗体和抗原之间构建两个自适应关系图，并在不可见抗体和可见抗体表示之间应用拉普拉斯平滑来学习不可见抗体表示。DeepAAI不是使用静态蛋白质描述符，而是“动态”地学习表示和关系图，针对中和预测和50%抑制浓度估计等下游任务进行优化。DeepAAI的性能，在人类免疫缺陷病毒、严重急性呼吸系统综合症冠状病毒2、流感和登革热上得到了证明。而且，关系图具有丰富的可解释性。抗体关系图表示抗体中和反应的相似性，抗原关系图表示病毒的不同变体之间的关系。因此，研究者推荐针对这些病毒新变种的可能的广谱抗体。
参考文献：
Zhang, J., Du, Y., Zhou, P. et al. Predicting unseen antibodies’ neutralizability via adaptive graph neural networks. Nat Mach Intell 4, 964–976 (2022). https://doi.org/10.1038/s42256-022-00553-w
原文链接：
https://www.nature.com/articles/s42256-022-00553-w
3.npj Computational Materials：基于机器学习的高熵合金高温屈服强度发现智能框架
耐高温高熵合金(RHEAs)，具有显著的高温屈服强度，具有作为燃气涡轮发动机高性能材料的潜力。从实验上探索巨大的RHEA组成空间是具有挑战性的，迄今为止，这一空间的只有一小部分被探索过。在此，来自美国CFD研究公司的Stephen A. Giles &Debasis Sengupta等研究者，展示了最先进的机器学习框架与优化方法相结合的发展，可以智能地探索广阔的成分空间，并推动搜索朝着提高高温屈服强度的方向发展。与最先进的方法相比，研究者的屈服强度模型，具有显著提高的预测精度，并通过使用重复k倍交叉验证提供了固有的不确定性量化。在建立和验证一个鲁棒屈服强度预测模型的基础上，利用该耦合框架发现具有优异高温屈服强度的RHEA。研究者证明了，RHEA组合物可以定制，以在特定温度下具有最大屈服强度。
参考文献：
Giles, S.A., Sengupta, D., Broderick, S.R. et al. Machine-learning-based intelligent framework for discovering refractory high-entropy alloys with improved high-temperature yield strength. npj Comput Mater 8, 235 (2022). https://doi.org/10.1038/s41524-022-00926-0
原文链接：
https://www.nature.com/articles/s41524-022-00926-0
4.npj Computational Materials：基于深度生成模型的2D材料数据驱动发现
高效的生成具有良好稳定性的候选晶体结构的算法，在数据驱动材料的发现中起着关键作用。在此，来自丹麦技术大学的Peder Lyngby等研究者展示了晶体扩散变分自编码器(CDVAE)能够生成高化学和结构多样性的二维(2D)材料，形成能量反映训练结构。具体来说，研究者在2615个二维材料上训练CDVAE，凸包以上能量ΔHhull < 0.3 eV/atom，并使用密度泛函理论(DFT)生成5003个材料。研究者还通过训练结构的系统元素替换生成了14192个新晶体。研究者发现生成模型和晶格装饰方法是互补的，产生的材料具有相似的稳定性，但晶体结构和化学成分非常不同。研究者总共发现了11630种预测的新2D材料，其中8599种材料的种子结构为ΔHhull < 0.3 eV/原子，而2004种材料在凸包的50 meV范围内，有可能被合成。所有材料的弛豫原子结构都可在开放的计算二维材料数据库(C2DB)中获得。该工作建立了CDVAE作为一个高效和可靠的晶体生成机器，并显著扩展了二维材料的空间。
参考文献：
Lyngby, P., Thygesen, K.S. Data-driven discovery of 2D materials by deep generative models. npj Comput Mater 8, 232 (2022). https://doi.org/10.1038/s41524-022-00923-3
原文链接：
https://www.nature.com/articles/s41524-022-00923-3
5.JACS：水三聚体的扭转隧道劈裂
在此，来自中国科学院大连化学物理研究所的Dong H. Zhang & 北京大学的Xin-Zheng Li等研究者，利用核的全维量子方法和新的第一性原理水势，证明了水三聚体中的扭转隧道劈裂可以以高达1 cm-1的精度重现。研究者通过量化了非相邻阱间核量子态的耦合常数，并证明了它们是谱中四分分裂能级从1:2:1的间距中移动的主要原因。这证明了使用简化模型(如Hückel模型)处理的局限性，并强调了该系统中量子相互作用的非局域性质。通过这种从头开始的努力，研究者检验了所开发的水势的品质，并提供了一个严格的方案，以前所未有的精度破译了实验光谱，从而适用于更一般的系统。
参考文献：
Yu-Cheng Zhu, Shuo Yang, Jia-Xi Zeng, Wei Fang, Ling Jiang, Dong H. Zhang, and Xin-Zheng Li. Torsional TunnelingSplitting in a Water Trimer. Journal of the American ChemicalSociety Article ASAPDOI: 10.1021/jacs.2c09909
原文链接：
https://pubs.acs.org/doi/10.1021/jacs.2c09909
