面向海洋工程与生物医学领域的战略应用，水下粘附材料的性能突破已成为材料科学与工程技术交叉融合的核心议题。这种材料必须在复杂水环境中完成稳定、可重复、持久的粘接。无论是海洋工程、舰船装备、还是创伤封合、血管修复，水下粘附材料都是不可替代的关键支撑技术。但长期以来，这类材料的开发依赖的是经验积累与仿生灵感，缺乏系统性设计原则。特别是在水凝胶等软物质体系中，复杂的链结构、多尺度响应和非线性行为使得性能难以预测，连AI都很难发挥作用。

  近日，北海道大学龚剑萍教授、范海龙副教授团队在水下粘附材料设计领域取得重要进展。研究成果以“Data-driven de novo design of super-adhesive hydrogels”为题近日发表在Nature上，并选为封面。北海道大学龚剑萍教授、范海龙副教授（现深圳大学副教授）、瀧川一学（Ichigaku Takigawa）教授、李伟博士（现苏州实验室研究员）为共同通讯作者，博士生廖鸿广和胡晟博士（现大阪大学助理教授）为共同第一作者。

  该工作依托大规模蛋白质序列数据库，构建了一套集“数据挖掘、仿生合成与机器学习优化”于一体的创新设计框架，成功开发出粘附强度突破兆帕级的超强水下水凝胶，标志着从“仿生启发”向“数据驱动”的高分子功能材料设计路径实现了关键跃迁。

图1：数据驱动的水下粘附水凝胶设计策略

  该团队的切入点，来自自然界的启发。海洋生物如贻贝、藤壶等，能在潮湿、富盐环境中稳稳粘住岩石，靠的是它们体内演化出的粘附蛋白。这些蛋白在分子层面拥有特殊的序列模式，使其在水中依然能够实现稳定锚定。

  研究团队在之前的研究工作中就通过仿照藤壶等粘附蛋白的特征序列，合成出了一系列高性能的水下粘附水凝胶。相关研究发表于Nat. Commun., 2019, 10, 5127（高被引）；PNAS, 2022, 119, e2206685119；Adv. Funct. Mater., 2021, 31, 2009334（高被引）等国际顶级期刊上。

  但这次他们走得更远。他们不再盯住某一种蛋白，而是决定“把整个自然界的粘附蛋白数据库都读一遍”。他们从NCBI公开数据库中提取了2万多条“adhesive protein”相关序列，覆盖3800多个物种。通过多序列比对，提取出各物种粘附蛋白的共有序列片段。再根据氨基酸的功能属性，将20种残基分为6类功能单元，并统计其在序列中的相邻组合频率，最终形成了一套可转化为聚合物单体比例的“仿生组分配方库”。

图2：粘蛋白的数据挖掘

  研究人员选取6种可理想共聚的功能单体，按照这些“自然配方”合成了180种水凝胶，其中不少样品的水下粘附强度就已超越现有文献平均水平。

  下一步，他们将实验数据喂入AI模型——包括高斯过程（GP）和随机森林（RFR）回归，采用顺序模型优化算法（SMBO）进行配方推荐。模型不仅回顾性地拟合已有数据，更外推出新组合。

图3：仿生粘附水凝胶的合成

图4：基于机器学习的粘附性能优化

  他们用这些模型推荐的配方又合成并测试了百余种新水凝胶，最终得到了一系列水下粘附强度超1 MPa的超级水凝胶，粘得住玻璃、金属、骨头、塑料，甚至能粘住海水冲刷下的岩石。

  在验证实验中，他们利用一块薄薄的凝胶将一只橡皮鸭牢牢粘在海边岩石上，抵御潮汐和风浪——这幅照片也成为了《Nature》的当期封面。此外，团队还展示了水凝胶在水管漏水封堵等实际场景中的表现。封堵实验中，水凝胶能在3米水柱底部高压环境下实现瞬间止漏。

图5：一系列水下粘附水凝胶的性能表征

图6：一系列水下粘附水凝胶的性能展示

  从自然数据出发，通过统计方法解析“进化规则”，再在合成聚合物中构建等价序列结构，并借助AI模型优化性能边界——这是一条从蛋白序列到材料性能的完整闭环。这项研究所展示的，不只是一个凝胶如何“粘得更牢”，而是一个软材料智能设计的全新方向。它证明了：即使面对结构不稳定、变量众多的软物质系统，只要构建出合理的描述空间，也能让AI在其中找到秩序，释放出真正的设计潜力。

论文部分作者简介

龚剑萍，北海道大学教授。毕业于浙江大学，获得电子物理学学士学位，后在日本茨城大学获得高分子科学硕士学位。在东京工业大学学习了两年高温超导体，并获得了工学博士学位。自1993年以来一直在北海道大学从事高分子科学研究，并获得了高分子科学博士学位。曾获得多项科学奖项，包括2023年美国物理学会高分子物理奖、2022年日本化学会奖、2021年第33届日本橡胶学会奖、2019年文部科学省科学技术表彰奖、2014年帝斯曼材料科学奖、2011年日本化学会创造性工作奖、2006年日本高分子学会奖以及2001年Wiley高分子科学奖。担任Biointerphases、Asia Materials、Soft Matter、Mechanics of Soft Materials、Advanced Materials、Giant和Materials Horizons等期刊的编委和顾问委员会成员。主要研究兴趣为水凝胶、弹性体等软物质材料的化学物理特性研究。

范海龙，深圳大学“百人计划”特聘副教授，博士生导师。2017年于中国人民大学获博士学位，同年9月赴日本北海道大学龚剑萍教授课题组开展博士后研究工作，2020年获聘北海道大学助理教授，2022年获聘北海道大学副教授，2025年3月加入深圳大学化学与环境工程学院。以第一作者或通讯作者在Nature、Nature Communications、Advanced Materials、The Proceedings of the National Academy of Sciences (PNAS)、Advanced Functional Materials、Macromolecules等国际知名学术期刊发表学术论文20余篇，其中6篇为高被引论文；论文总引用次数超过4000次。申请国际专利5项。先后主持日本学术振兴会基金2项（国家级）。获日本高分子学会颁发的高分子研究奖励奖（2021年度）。主要研究兴趣为基于高分子序列分布调控的功能软物质材料开发。

李伟，苏州实验室研究员。2007年本科毕业于中国科学技术大学凝聚态物理专业，2012年获美国理海大学物理学博士。随后在美国加州大学圣芭芭拉分校、橡树岭国家实验室、西北大学、田纳西大学以及日本北海道大学从事博士后研究，合作导师包括Glenn H. Fredrickson三院院士，Monica Olvera de la Cruz三院院士，Michael Rubinstein教授和龚剑萍教授等。2024年7月加入苏州实验室前沿材料研究部。主要研究方向为高分子材料多尺度计算模拟与理性设计，已在Nature、Nature Materials、Advanced Science、Macromolecules、ACS Macro Letters等国际期刊发表论文45篇。担任中国 “高分子三刊”——Chinese Journal of Polymer Science（CJPS）、《高分子学报》和《高分子通报》的联合青年编委。项目组拟长期招聘高分子计算、多尺度模拟和人工智能辅助材料设计等方向的助理研究员、博士后、项目制研究生以及科研助理，诚邀有志于从事相关方向的科研人员加入（请邮件联系：liw@szlab.ac.cn）。

胡晟，现任大阪大学产业科学AI中心特聘助理教授。2019年于名古屋大学数据库研究室获得信息科学博士学位，随后在京都大学数据库研究室担任博士后研究员。2020年任北海道大学特聘助理教授，2024年起转任大阪大学特聘助理教授。他于2018年获日本数据工程学学会Rakesh Agrawal奖，2019年获日本电子情报通信学会年度论文奖。曾担任ACM KDD、The Web Conference、ACM Multimedia、IEEE TKDE 等多个国际数据工程与数据挖掘领域顶级会议及期刊的审稿人。研究方向包括统计机器学习与机器发现算法，尤其关注时间序列数据与分子图数据在医学、化学等交叉学科中的应用。

廖鸿广，现日本北海道大学在读博士生。于2017年和2020年在中国人民大学分别获得学士和硕士学位，师从王亚培教授；此后2021年起在北海道大学攻读博士学位，师从龚剑萍教授。目前致力于数据驱动的仿生水凝胶设计，水下粘附材料的开发与应用。

  论文信息
  Data-Driven De Novo Design of Super-Adhesive Hydrogels

  Hongguang Liao, Sheng Hu, Hu Yang, Lei Wang, Shinya Tanaka, Ichigaku Takigawa*, Wei Li*, Hailong Fan*, Jian Ping Gong*

  Published in Nature, 2025, 644, 47-48

  https://www.nature.com/articles/s41586-025-09269-4