2024年5月2日，ACS Nano在线发表了尊龙凯时 - 人生就是搏!施兴华研究员和王会副研究员课题组的研究论文，题目为《Machine Learning-Accelerated High-Throughput Computational Screening: Unveiling Bimetallic Nanoparticles with Peroxidase-Like Activity》，论文的第一作者为Kaiwei Wan。

具有类过氧化物酶（POD）活性的双金属纳米颗粒在生物传感、疾病治疗、环境管理等领域发挥着至关重要的作用。然而，它们的发展受到成分和结构中广泛可调特性的阻碍，这使得建立构效关系和发现活性材料具有挑战性。

在此研究中，为了解决这一问题，作者通过仔细分析纯金属纳米颗粒的催化反应网络，建立了鲁棒的线性关系，从而在活性和O*吸附能之间建立了火山状相关性。此外，还引入了一种通用的结构描述符，能够捕捉晶格常数、电负性、原子序数和吸附能等基本特征，该描述符已被证明可以有效地将这些特征转化为吸附能的准确预测。

利用这些关系引入了一个创新且通用的纳米颗粒描述符，然后将其集成到机器学习加速的高通量计算工作流程中，从而大大提高了双金属纳米颗粒类POD活性的预测准确性。该方法成功预测了1260种双金属纳米颗粒的活性，从而鉴定出几种高效催化剂。此外，根据筛选结果总结出几种设计高效双金属纳米颗粒的策略。

对双金属纳米颗粒的设计建议：

（1）由Au、Ag、Pd和Pt组成的双金属合金纳米颗粒可能具有较高的类POD活性；

（2）由Cu、Rh、Ir和Ru组成的双金属合金纳米颗粒可能具有较低的类POD活性；

（3）Cu、Rh、Ir和Ru与Au、Ag、Pd和Pt合金可能产生具有较高类POD活性的双金属合金纳米颗粒，但核壳结构的壳层中Cu、Rh、Ir、和Ru的比例不应过高。

图1 类POD活性的催化机理

图2 线性关系

图3 机器学习加速的高通量计算筛选工作流程

图4 机器学习模型的精度性能

图5 筛选结果

https://doi.org/10.1021/acsnano.4c01473