高分子复杂而丰富的相行为决定了材料的介观结构、界面性质与组装形貌，并进一步影响其宏观性能与实际应用，因此一直是高分子科学研究的核心问题。然而，高分子体系具有分子量大、作用尺度多、相互作用复杂等特点，使其微观相行为的准确解析面临显著挑战。以耗散粒子动力学（DPD）为代表的介观粗粒化模拟，能够有效衔接原子尺度相互作用与宏观材料行为，已广泛应用于高分子自组装、共混改性和界面调控等研究。然而，传统DPD模拟尚缺乏通用且标准化的框架：粗粒化映射规则不统一，模型构建对研究者经验依赖较强；相互作用参数的标定过程繁琐，往往需要借助计算成本较高的全原子模拟或反复人工试错。这些问题不仅降低了模拟效率，也限制了模型的准确性、可重复性与推广能力。

  近日，四川大学高分子科学与工程学院丁明明教授、刘洋副研究员和周业强博士团队开发了一种AI驱动的一键式DPD模型（OB-DPD，图1）。该平台集成了两套高效、客观的DPD参数标定策略：基于溶度参数的自上而下模式，以及基于脂水分配系数（log P）拟合的自下而上模式。在完成参数标定后，OB-DPD可自动生成可用于LAMMPS模拟的输入文件，将传统流程中通常需要数日完成的预处理缩短至数秒。研究团队进一步通过从小分子到复杂高分子体系的系统验证，证明了OB-DPD在参数预测和模型构建方面具有良好的稳定性与可靠性。在此基础上，该平台成功预测了一种新型三嵌段共聚物的自组装行为，相关预测结果随后得到实验验证。该工作以数据驱动方式简化了从分子结构输入到介观性能预测的全流程，显著降低了DPD模拟的使用门槛，并有望加速高分子材料的设计、筛选与研发进程。

图 1 一键 DPD（OB-DPD）的框架及其性能。

  在溶度参数模式下，研究从GDB17数据库中采样10000个分子，经片段去重最终得到317种化学结构单元。计算上述结构的溶度参数，并以此训练XGBoost模型。对于输入分子，OB-DPD可自动完成粗粒化映射，识别对应的珠子结构，并利用训练模型预测各结构片段的溶度参数，进而转换获得Flory–Huggins相互作用参数及DPD保守力排斥参数。对于仅含5种珠子的体系，传统计算溶度参数约需10⁴秒，而OB-DPD可将前处理加速3–4个数量级，使原本需要数小时乃至数天的参数化过程缩短至秒级。更重要的是，这种显著提速并未以牺牲预测精度为代价。

  脂水分配系数（log P）可定量表征溶质的亲疏水性，不仅是药物分子理化性质评价的重要指标，也是粗粒化力场参数标定的关键物理依据。在log P拟合模式下，OB-DPD首先对输入分子进行自动化粗粒化映射，并依据化学结构为已知片段调用文献报道的成熟参数；对于缺失的片段相互作用参数，则通过经验规则生成初始值。随后，以水/正辛醇两相分配体系为物理约束，结合贝叶斯优化算法迭代搜索最优参数组合，并通过 DPD 模拟计算理论log P。该模式以模拟值与目标log P的均方根误差最小化为优化目标，持续校准参数，直至获得收敛结果。其中，目标log P可直接采用实验值，也可通过RDKit中的Crippen MolLogP 模块计算得到。

图2 OB-DPD对不同介观组装行为和动力学机制的验证。

  研究团队在多类代表性体系中验证了OB-DPD的可靠性（图2）。对于十二烷基硫酸钠（SDS）体系，模型再现了随浓度升高由球形胶束向棒状、盘状和层状膜结构的转变；在短肽和超分子体系中，获得了与实验结果一致的凝聚体和一维纤维结构。膜相互作用模拟表明，OB-DPD能够区分不同疏水性凝聚体在膜表面的吸附与插入动力学，说明该框架不仅能够预测平衡组装形貌，还能捕捉结构变化引起的动态界面行为。对于包含172个残基的长链多肽，从分子图解析、粗粒化映射到DPD数据文件生成的全过程仅需381秒。OB-DPD还成功完成了G3-Glu和W3000等复杂树枝状大分子的自动化建模，并揭示了W3000载药前后内部组分由均匀分布向药物富集及分层结构的转变，展示了其解析复杂纳米载体内部介观结构的能力。

图3 新型PCEC三嵌段共聚物的预测与实验验证。

  为验证OB-DPD在新材料设计中的预测能力，研究团队构建了由聚乙二醇（PEG）和聚胆固醇修饰半胱氨酸（PCys-Chol）组成的两亲性三嵌段共聚物PCEC（图3）。模拟结果表明，疏水性PCys-Chol链段聚集形成囊泡膜的疏水内层，亲水性PEG分布于膜的内外表面。随后，研究团队完成了PCEC的合成实验，并通过透射电子显微镜和罗丹明6G包载实验证实了其形成了与模拟预测一致的囊泡结构。

  该研究将客观化粗粒化映射、AI参数预测、介观模拟与实验验证连接为完整闭环，显著简化了DPD建模和参数标定流程，展示了OB-DPD的通用性、可靠性及材料设计潜力。该平台有望在材料合成前快速筛选候选分子结构，减少试错成本，加速高分子材料由经验探索向数据驱动和理性设计转变。

  相关成果以“Objective, Accurate, and Efficient Modeling of Macromolecular Assembly Behaviors via an AI-Powered Automated Dissipative Particle Dynamics Framework”为题发表于Macromolecules。王鸣皓和郑毅为共同第一作者，周业强、刘洋副研究员和丁明明教授为共同通讯作者。该研究工作得到了国家自然科学基金委、四川省科技厅和先进高分子材料全国重点实验室项目资助。

  原文链接：https://doi.org/10.1021/acs.macromol.6c00826