物理科学与工程学院声子学中心任捷教授团队在人工智能+微结构物质设计与药物筛选的交叉领域取得重要进展，与上海交通大学张诗宜教授实验课题组合作，开发了一种协同机器学习方法结合量子物理材料计算和动物生化湿实验，加速发现能够作为慢性疾病潜在口服药物的纳米多孔无机晶体。该方法展示了在药物研发领域的巨大潜力，不仅能够加速新药发现，还能提高药物安全性和有效性，有望为患者带来更好的治疗效果。该研究成果以“Synergistic Machine Learning Accelerated Discovery of Nanoporous Inorganic Crystals as Non-Absorbable Oral Drugs”为题，发表在国际顶尖期刊《先进材料》（Advanced Materials）上。

在慢性肾脏病领域，高钾血症具有未被满足的临床需求。纳米多孔材料由于其不可吸收性质，在作为非口服性药物方面有巨大的应用潜力。因为多孔材料具有丰富的多孔结构，可以通过相互作用吸收人体消化道中不需要的客体分子/离子，这在治疗一系列慢性疾病方面有很大的前景。然而传统药物发现的方法，既耗时又成本高昂。而且，对复杂的纳米多孔材料进行大规模的量子物理材料计算，或进行高通量湿实验筛选，均会产生相当大的成本。因此，如何高效地低成本地寻找符合目标功能的纳米多孔晶体材料成为一个艰巨的挑战。作者们创新性地设计了一种协同机器学习方法，结合精心设计的多孔材料的几何拓扑描述符，将少数据驱动的多层次的无监督学习，基于量子物理的材料密度泛函计算，和最小化的动物生化湿实验相结合，成功解决了上述问题。

该研究成果最终从大量的无机材料中找到了具有高选择性，大容量和稳定性的，可用于治疗高钾血症的最佳潜在药物，在多种不同的动物生化实验中，均展示了优越的有效性和安全性。该方法的优势在于能够在缺乏大量先验数据和知识的情况下，以非常低的量子物理材料计算的算力成本、少量的实验室动物生化湿实验成本，有效地发现符合多功能目标的候选药物材料。该发现为AI+量子物理，加速发现纳米多孔晶体作为口服药物提供了一种新的方法，展示了在药物研发领域的巨大潜力。该方法也可以扩展到更广阔的应用领域，用于探索具有其它特定功能的复杂多孔晶体材料。

物理科学与工程学院博士生陈江芷为论文共同第一作者。硕士生胡锦斌也参与工作并作出重要贡献。同济大学任捷教授与上海交通大学张诗宜教授为论文共同通讯作者。该项研究的任捷团队得到了国家自然科学重点项目和上海市特殊人工微结构材料与技术重点实验室的资助。

近年来，物理科学与工程学院声子中心任捷教授团队在物理学与人工智能的学科交叉方面取得了一系列进展，已经发表了多篇高水平成果，包括基于流形扩散的无监督学习对拓扑声子物态的分类、多目标优化的二维功能材料与器件设计、辐射制冷人工微结构设计、神经网络自编码逆向设计拓扑光学传感结构、基于伪逆学习的光电混合的神经网络等，并受邀为中国物理学会的《物理学报》撰写“物理启发的人工智能”相关综述，相关成果形成了一套具有自主知识产权的计算机软件著作权Darwin Machine for Multi-Functional Meta-Crystal Design Platform。

论文链接：https://onlinelibrary.wiley.com/doi/10.1002/adma.202404688