2024年5月2日，ACS Nano在线发表了国家纳米科学中心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