编辑 | 绿萝
聚合物是指具有非常大的分子量的化合物，由许多（从数百到数十万不等）称为单体的小分子由共价键连接在一起。许多常见的聚合物（例如塑料和树脂）都是共聚物，由几种不同类型的单体组成。在共聚过程中，单体沿主链随机排列，产生序列分布。
生物聚合物的特性/功能被编码在它们定义明确的序列中。相比之下，在合成共聚物中，这种序列-性质的相关性是模糊的。
然而，最近出现的合成共聚物中的序列工程一直在创新聚合物材料，其中短序列（下文称为「密码子」，类似于核苷酸三联体）在表达功能中起着关键作用。然而，由于缺乏有效的测序方法，无法通过实验确定密码子组成，阻碍了实验与理论的结合。
近日，来自美国国家材料科学研究所 (NIMS) 的研究人员开发了一种基于人工智能的质谱技术，能够确定聚合物的单体序列。该技术可能有助于加深对基本聚合物结构的了解，促进新材料的开发并帮助解决塑料回收问题。
该研究以「A data-driven sequencer that unveils latent 「codons」 in synthetic copolymers」为题，发表在《Chemical Science》杂志上。
生物聚合物和合成聚合物之间的主要区别在于结构。所有聚合物均由称为单体的重复单元制成。生物聚合物通常具有定义明确的结构，尽管这不是定义特征。相反，大多数合成聚合物具有更简单，更随机的结构。
然而，最近报道了通过随机共聚合随机产生的序列特异性短片段的突出功能。这些发现意味着无规共聚物的特性被认为编码到它们的短序列（「密码子」）中。
从理论方法出发，密码子结构对共聚物特性的影响已经通过机器学习和分子动力学模拟得到了很好的研究，其中非周期性和复杂的密码子被设计为最佳重复片段，以实现目标聚合物特性。然而，由于 由于缺乏有效的序列分布分析方法，即测序，理论和实验之间仍然存在显着差距：首先，将此类设计的密码子嵌入主链非常具有挑战性，即使使用最先进的序列控制聚合技术；其次，无法通过实验研究密码子-性质相关性。
众所周知的测序方法利用核磁共振波谱 (NMR)；然而，NMR 测序只能估计非常有限的单体组合中二元三联体的密码子组成，这是不充分和无效的。
由于密码子的复杂性随着所关注系统的长度和单体组分数的增加而增加，通过扩展数据集来适应这种增加的复杂性的数据驱动方法是有吸引力的。值得注意的是，如果在聚合过程中可以实时估计生长共聚物的密码子组成，则可以通过强化学习来自主调整聚合条件，从而使理论设计的密码子的比例最大化。
在此，研究人员开发了世界上第一个实用的聚合物测序仪，可通过热解质谱对特定序列中的短单体片段进行量化。在该技术中，将分析物共聚物从室温逐渐加热至 600°C，连续生成低聚片段，按照其热敏感性的顺序通过质谱法进行记录。
具体而言，首先从理论上构建一个 RQMS 算法。然后，通过三元均聚物薄膜的基准成分分析来验证 RQMS 的准确性。通过基准测试，证明 RQMS 可以在不使用纯成分光谱或任何成分先验知识的情况下进行准确的成分分析。然后将 RQMS 用于排序目的。序列定义的共聚物的推断基础光谱看起来像实际测量的光谱，相应的密码子峰位于一致的峰位置。最后，将 RQMS 测序结果与 NMR 和理论预测序列进行比较，以验证 RQMS 测序的准确性。
图 1：通过 RQMS 对聚合物进行测序。（来源：论文）
基于片段模式，通过 AI 分析重建重复单个密码子种类的虚拟共聚物，从而可以量化分析物中的密码子组成。该聚合物测序仪适用于多种多样的单体组合。此外，聚合物测序仪可用于分析其碎片在热处理过程中蒸发的各种其他材料。这些包括不溶性或非液化样品材料和含有无机成分的复合材料。
该研究团队计划以开发的聚合物测序仪为关键技术，研究序列分布与共聚物性能之间的相关性，并开发序列控制聚合技术。这一尝试可以改善各种聚合物材料的性能，并解决由塑料引起的环境问题。
论文链接：https://doi.org/10.1039/D2SC06974A
参考内容：https://phys.org/news/2023-06-ai-based-technique-capable-monomeric-sequence.html
