聚合物自组装体系的自由能面构建：从指标到景观的综合综述

聚合物自组装体系的自由能面构建——指标选取、采样方法与景观解读的综合综述由AI调研和总结，请自行甄别信息正确性摘要自组装体系的自由能面（Free Energy Surface，FES）是理解纳米粒子稳定性、动力学路径和可控制备的核心工具。本文系统综述了构建自组装体系自由能面所需的指标体系、坐标组合、采样方法和可视化策略，重点关注类蛋白折叠漏斗状势能面在聚合物纳米粒子体系中的应用。候选指标涵盖最大团簇占比$f_{LCC}$、异质/同质接触数$C_{AB}/C_{AA}$、混合度指数$\chi_{mix}$、回转半径$R_g$、溶剂可及表面积SASA、结构因子$S(q)$、径向分布函数$g(r)$、配位数分布、网络指标、相互作用能分解、构型熵估计等。对于每项指标，给出数学定义、物理意义、与聚集稳定性的相关性、对噪声和采样的敏感性、计算复杂度，以及是否可由常见软件直接输出。推荐坐标组合包括$(f_{LCC}, R_g)$、$(C_{AB}, \chi_{mix})$、$(S(q), f_{LCC})$等。本文还提出漏斗质量评分函数，综合考虑自由能差、陷阱数目、粗糙度、产物生成概率等因素。对于软件可能缺失的功能，给出利用PLUMED、WHAM、MDAnalysis脚本等补充实现要点，并提供可视化推荐与Python/MDAnalysis代码示例。核心结论自组装FES构建的核心挑战是CV选择：单一距离型CV会混淆不同机制，需要”聚集程度坐标+构象紧凑度坐标”的二维设计 CV选择的核心逻辑：一个CV反映”聚集到什么程度”（如$f_{LCC}$、接触数、cluster size），另一个CV反映”构象是否紧密”（如$R_g$、链端距离、coordination number）推荐主图坐标组合为$(f_{LCC}, R_g)$，备选包括$(C_{AB}, \chi_{mix})$、$(S(q), f_{LCC})$、$(\langle z \rangle, E_{int})$等增强采样（Metadynamics、伞形采样、REST2等）对自组装体系至关重要，特别是路径复杂、能垒高的多步组装过程评估FES质量应使用漏斗评分函数，综合考虑全局稳定性、陷阱深度与数量、产物生成概率文献中明确构建自组装二维FES的工作仍不多，Varner等2025年的”距离+链构象”二维FES是最直接的方法学参考，体现了”过程+构象”的CV设计思想背景自组装作为软物质、纳米材料和生物大分子领域的核心现象，其热力学驱动力和动力学路径的理解是建立可推广结构-性质关系的关键。蛋白折叠领域的“漏斗势能面”概念为理解自组装提供了理论框架：折叠态对应能量漏斗底部，分散态对应漏斗顶部，中间过程需穿越不同深度的能垒。但与蛋白折叠不同，自组装体系（如聚合物胶束、纳米颗粒聚集体）涉及多体相互作用、组分多样性和可调参数空间，其自由能面构建面临独特挑战。近10-15年，分子模拟在自组装研究中扮演越来越重要的角色。从全原子MD到DPD粗粒化、从直接Boltzmann反演到Metadynamics增强采样，研究者发展了多种构建FES的方法。然而，自组装FES的系统综述仍相对缺乏，特别是在指标选择、坐标组合、采样策略和结果解读方面缺乏统一指导。本综述基于近10-15年文献，系统梳理构建自组装体系自由能面的指标与方法，重点关注聚合物-聚合物共组装形成的纳米粒子这一类重要体系。研究内容一、指标清单与评估构建自组装体系自由能面需要选择合适的集体变量（Collective Variable, CV）。以下逐项列出候选指标的定义、物理意义、计算表达式和评价。最大团簇占比 $f_{LCC}$ 定义为最大簇中粒子数$S_{\max}$与系统总粒子数$N$之比： [f_{LCC} = S_{\max} / N] 反映体系聚集程度，值越接近1说明大部分粒子聚成一团；在多体聚集时常用于区分集聚与分散态。物理上与相互作用强弱、温度、浓度相关。计算简单，可通过并查集算法或GROMACS中gmx cluster模块得到每帧$S_{\max}$。对含噪轨迹较稳健，但需足够采样显著信号。此指标可直接用于二维FES绘制，例如与能量或$R_g$联立分析。异质/同质接触数 $C_{AB}$, $C_{AA}$ 定义为不同种类（A-B）或同种类（A-A）粒子对在给定截断距离$r_c$内的数目： [C_{AB} = \sum_{i \in A, j \in B} \Theta(r_c - r_{ij})] 其中$\Theta$为阶跃函数。物理意义为互补组分间或自身间的结合程度。高$C_{AB}$意味着A/B混合良好，$C_{AA}$大则表明A粒子自团聚明显。该指标线性依赖截断参数，需经验选取，一般取第一近邻距离。计算可用MDAnalysis、MDTraj直接累加距离判据。对噪声较敏感，但能揭示组分间亲和性。适合与$f_{LCC}$组合绘制二维FES。混合度指数 $\chi_{mix}$ 定义为混合接触占比： [\chi_{mix} = C_{AB} / (C_{AB} + C_{AA} + C_{BB})] 反映A/B异质混合程度。若系统完全混合，$\chi_{mix} \to 1$，若自分相，$\chi_{mix} \to 0$。物理上表达共组装质量；易于从轨迹计算，只需接触数统计。对系统大小和配比敏感，需注意正则化（当某类接触极少时易发散）。通常与全局混合能判断结果一致。质心距/簇半径 $R_g$ 回转半径定义为所有原子到质心距离的均方平均： [R_g = \sqrt{\frac{1}{M} \sum_i m_i \mathbf{r}i - \mathbf{r}{CM} ^2}] 其中$M = \sum m_i$为总质量。$R_g$衡量结构整体尺寸和紧凑度，值小表示高度聚集。可直接用GROMACS（gmx gyrate）、MDTraj或MDAnalysis计算。受温度和形状变化影响，对于非团簇或高噪声轨迹可能误差较大。通常与接触数或簇大小联合使用。溶剂可及表面积（SASA）与结合面面积（AP）计算分子/纳米粒子聚集物的溶剂可及表面积，常用GROMACS（gmx sasa）或MDTraj方法。SASA减少通常意味着疏水驱动的聚集增强。AP一般指两组分接触界面的面积，也可用切换函数计算。公式较复杂（求球面网格交点或解析式），一般通过程序得出。受粒子形状、定义截断面影响；对反映暴露/接触面有用，但计算量较大。结构因子 $S(q$) 与峰位 $q^*$ 结构因子度量体系在动量空间的有序性： [S(\mathbf{q}) = \frac{1}{N} \left\langle \left \sum_j e^{-i \mathbf{q} \cdot \mathbf{r}_j} \right ^2 \right\rangle] 峰位$q^$对应主要结构周期（如晶格常数约$2\pi/q^$）。在无序系统$S(q) \approx 1$平坦，有序聚集时出现峰值。计算可用FFT方法或PLUMED的STRUCTURE_FACTOR功能得到角平均$S(q$)谱。$S(q$)对体系有序性敏感，对噪声和有限尺寸影响较大。适合揭示长程有序结构，但不适合小团簇局部自由能面。峰位$q^*$可作为聚集间距指标。径向分布函数 $g(r$) 定义为单位密度下在距离$r$处的粒子对分布概率： [g_{AB}(r) = \frac{1}{4\pi r^2 \langle \rho_B \rangle} \frac{1}{N_A} \sum_{i \in A, j \in B} \delta(r_{ij} - r)] $g(r$)刻画短程结构，如第一个峰对应近邻距。可用GROMACS（gmx rdf）或MDAnalysis计算。$g(r$)有助于确定配位数（通过积分至第一个谷）并作为坐标之一用于FES投影（例如$(R_g, q$)或$(R_g, g(r^*)$)）。对统计采样要求较高，曲线平滑性决定计算精度。配位数分布统计每个粒子在某截断半径$r_c$内邻居数的分布（histogram of coordination number）。可定义粒子$i$的配位数$z_i = \sum_{j \neq i} H(r_c - r_{ij}$)，然后统计$P(z$)。反映局部结构多样性，分布宽度增大意味着结构无序度高。通常采用第一近邻截断。易用MDAnalysis或numpy histogram快速得到。对噪声敏感，但适用于表征局部稳定性和链状聚集。邻接矩阵/网络指标将体系视为图，节点为粒子，边存在于两粒子$< r_c$。常用指标：节点度（平均度$\langle k \rangle$）、连通性（是否连通）、社区结构（模块度modularity）等。模块度定义为社区内连边密度与随机模型差异。高模块度表明粒子可分为几个紧密子簇。度分布、聚类系数等也可反映聚集组织。计算可借助NetworkX处理邻接矩阵。此类指标能够捕捉复杂结构性特征，但直观关联自由能不易量化，多作为定性辅助。相互作用能分解将系统总能分解为部件间相互作用，如A–B和A–A、B–B能；或范德华/静电分量。常定义A–B相互作用能为： [E_{int} = \sum_{i \in A, j \in B} [V_{LJ}(r_{ij}) + V_{elec}(r_{ij})]] GROMACS可用gmx energy或自写脚本分析能量输出。物理上直接反映组分间吸引力或排斥，适合评估稳定性。需要平衡剪切截断误差和静电处理方式。对小改动灵敏；作为坐标使用时一般与结构指标联合。熵估计方法构型熵可从采样的状态分布估算：如以简化状态簇概率$p_i$计算香农熵$S = -k_B \sum_i p_i \ln p_i$。或利用协方差矩阵计算Schlitter熵近似。方法依赖采样质量且对统计不足敏感，适合定性比较。对粗粒化自组装尤难准确定义，通常视为热力学态稳定性的补充说明。自由能估计方法常见方法包括直接Boltzmann公式$F(\mathbf{x}) = -k_B T \ln P(\mathbf{x}$)，最大似然WHAM、umbrella采样、metadynamics（偏置势逼近$F$）及Replica Exchange（REST2）等。其中Metadynamics可生成多维CV下的FES（偏置收敛为$-F$），WHAM用于合并多窗口样本。各方法要求设计适当CV或窗口，计算量随维度增大急剧增长。对动态特征复杂、自组装路径冗长体系，增强采样尤为重要。指标对比表指标物理意义敏感性/复杂度软件工具支持适用FES 最大团簇占比$f_{LCC}$ 系统聚合程度（1=全聚集）低（简洁统计） IMPULSE/GROMACS 常用，易与其他CV联合，如$(f_{LCC}, R_g$) 接触数$C_{AB}/C_{AA}$ 组分间/同分子内相互作用强度依距选敏感 IMPULSE/MDAnalysis 适合衡量混合态，可与$f_{LCC}$等联合绘制混合度$\chi_{mix}$ 异质混合程度（0分离，1混合）中等需自定义二维FES构建，如$(\chi_{mix}, f_{LCC}$) 回转半径$R_g$ 聚集物尺寸、紧凑性中（形状敏感） GROMACS/MDTraj 常用CV，可与团簇大小/接触数联合绘制 SASA/AP 暴露表面积/结合面面积（聚集稳定性指标）高（计算量大） GROMACS/MDTraj 通常与$R_g$等结合，表征疏水/亲水效应结构因子$S(q$) 长程有序性（峰值反映周期结构，$q^*$首峰位）中等 MDAnalysis/dynasor 对局域团聚不敏感，常用于长程有序结构分析径向分布$g(r$) 粒子近邻分布（峰值与配位相关）高（需大量采样） GROMACS 常用结构表征，可基于第一个峰值定义配位数坐标配位数分布局部结构差异（粒子邻居数分布）中 MDAnalysis 辅助指示结构均匀度，可做直方图分析网络指标（度、模块度等）体系连通性与社区结构（模块度高→分相）高（需计算图分） NetworkX/IMPULSE 可反映分相与混合，需配合其他指标综合评估相互作用能分解聚集驱动力（VDW/静电贡献）中（需二次计算） GROMACS/PLUMED 用于动力学分析，多与结构指标结合构型熵估计聚集态自由度大小高（统计需求大） MDAnalysis/PlaMO 常作为自由能面的补充说明，不直接作CV 自由能估计方法 FES计算技术（-kTlnP、WHAM、MetaD、REST2等）高（计算密集） PLUMED/GROMACS 强调方法而非坐标，用于构建FES本身每项指标需结合具体系统和需求评估：物理上是否能反映粒子稳定性或陷阱深度（例如$f_{LCC}$反映聚合程度，$R_g$/SASA反映紧凑度和暴露度）；对噪声/采样的敏感性（如$g(r$)和熵估计需大量采样，网络指标对小团簇波动敏感）；计算复杂度和可行性（简单几何量如$f_{LCC}$、$R_g$计算成本低，相互作用能需逐对累加）；是否可由现有软件直接输出（GROMACS/PLUMED自带RDF、$R_g$、能量分解；MDAnalysis可快速自定义计算）；以及能否用作联合CV绘制二维/三维自由能面（一般推荐2维组合，确保信号区分度较高且易于统计）。二、近期文献进展：二维/多维FES的CV类型详解本节聚焦2021-2025年明确构建聚合物（及聚合物-药物）纳米粒子自组装自由能景观的分子模拟研究，共分析10篇文献的CV设计、采样策略和FES构建方法。这些文献体现了CV设计的核心思想：一个坐标反映“聚集到什么程度”，另一个坐标反映“构象是否紧密”。 1. Varner et al., 2025 – 二嵌段共聚物胶束链交换机制详解体系：二嵌段共聚物胶束的链交换/链逃逸问题，强分凝条件下的单链逃逸过程。模拟方法：结合粗粒化MD和增强采样，计算链逃逸过程的二维自由能面，并用forward-flux sampling研究稀有事件动力学。 CV设计： distance-based CV：推动链从胶束中逃逸 core block end-to-end distance：确保链构象充分采样 FES构建：二维FES形式为$F(R, r) = -k_B T \ln P(R,r)$，其中$R$是链逃逸距离，$r$是core block end-to-end distance。作者从2D FES投影到1D自由能曲线：先由$F(R,r)$得到$P(R,r)=\exp[-\beta F(R,r)]$，再对构象变量积分得到$P(R)$，最后$\beta F(R)=-\ln P(R)$。关键发现：二维FES揭示两条几乎简并的逃逸路径：一条接近Halperin–Alexander的budding-like机制另一条是链逐珠（bead-by-bead）伸展逃逸计算不同core block长度下的自由能垒，发现其中一条路径的能垒满足$\beta\Delta F_{\rm barr}\sim N_{\rm core}^{2/3}$。方法学价值：这篇最适合借鉴“一个进程坐标 + 一个构象坐标”的二维FES设计。如果只用一个聚集距离/团簇大小坐标，可能会把不同机制混在一起；最好再加一个能区分“紧密团聚、拉伸桥连、松散网络”的构象坐标，比如$R_g$、core compactness、异质接触数、端到端距离、链拉伸度或局部密度。 2. Zhang & Meng, 2025 – 超分子二嵌段共聚物无序-有序转变详解体系：超分子二嵌段共聚物的disorder–order transition 模拟方法：比较共价二嵌段共聚物和超分子二嵌段共聚物，使用smart Monte Carlo模拟动力学路径，再用string method构建minimum free energy path CV设计：FES可写成$F(S_{\rm order}, f_{\rm bond})$形式，其中： $S_{\rm order}$：结构序参量 $f_{\rm bond}$：动态键比例关键发现：沿minimum free energy path讨论，得到transition state和free energy barrier，并将自由能分解为A–B interaction energy和association energy 方法学价值：这篇说明自组装FES不一定要写成$F(r)$，也可以写成$F(S_{\rm order}, f_{\rm bond})$或沿minimum free energy path讨论。对应到二元纳米药物体系，可以借鉴成$F(S_{\rm assembly}, f_{\rm hetero\ contact})$，其中$S_{\rm assembly}$是整体有序/组装程度，$f_{\rm hetero\ contact}$是HA-OP、载体-药物或A-B异质接触比例。这比单纯距离更贴近“共组装是否可控” 3. Gautham & Patra, 2022 – 聚合物接枝纳米粒子深度学习PMF详解体系：polymer-grafted nanoparticles 模拟方法：从小规模polymer-grafted nanoparticle cluster的MD轨迹中学习pair interaction，然后用deep-learning PMF-based simulation预测大量接枝纳米粒子的3D自组装结构，包括percolating networks和bilayers CV设计：核心CV是颗粒间相对位置/距离，PMF形式为$W_{\rm eff}(\mathbf{R}{ij}, \Omega{ij}, \ldots)$ FES构建：构建的是effective potential of mean force，而不是传统umbrella sampling得到的简单$F(q)$。用深度学习从小体系MD cluster轨迹中学习两颗polymer-grafted nanoparticles的有效相互作用，再把这个PMF放入更大规模的粒子模拟中方法学价值：不一定直接在全体系上构建高维FES，也可以先计算/学习“组装基元之间的PMF”，再用PMF预测大体系组装。这对大规模纳米药物自组装很现实，因为全体系$F(q_1,q_2,q_3)$采样困难；而基元-基元、载体-药物、HA-OP、OP-OP、HA-HA的pair/many-body PMF可以作为降维的热力学输入 4. Wu, Pal & Keten, 2023 – 隐式链粒子模型详解体系：matrix-free polymer grafted nanoparticles，以PMMA的chemistry-specific coarse-grained MD为测试体系模拟方法：提出implicit chain particle model，核心是用strain-energy mapping framework和PMF计算建立粒子间有效相互作用 CV设计：不是传统的单一两颗粒拉开距离PMF，而是把颗粒排列在close-packed lattice configuration中，通过bulk dilation/compression的strain-energy density匹配来推导有效相互作用。CV更接近于颗粒间距/晶格膨胀压缩程度 FES构建：构建的是coarse-grained effective interaction/PMF，形式上类似$W_{\rm eff}(a) \leftrightarrow U_{\rm strain}^{\rm CG-MD}(a)$，其中$a$是晶格尺度或颗粒间距相关坐标关键发现：ICPM可将计算速度相对CG-MD提升约$10^5$–$10^6$倍方法学价值：适合借鉴“从显式链模型中抽取有效自由能相互作用”的思想。对二元聚合物体系，如果全体系太大，可以先做若干代表性小体系PMF：例如HA-OP、OP-OP、HA-HA、载体-药物之间的effective PMF，再把这些PMF作为coarse-grained self-assembly landscape的输入 5. Munaò et al., 2018 – 原子级纳米颗粒PMF详解体系：atomistic silica/gold nanoparticles，包括bare gold nanoparticles和polyethylene-coated gold nanoparticles 模拟方法：用atomistic MD计算纳米颗粒之间的PMF。先用silica nanoparticles对比Hamaker理论来验证过程，再计算bare与polyethylene-coated gold nanoparticles的有效相互作用 CV设计：主要CV是两颗纳米颗粒之间的interparticle separation，即颗粒中心距离。对coated gold nanoparticles，还考察grafting density $\rho_g$对PMF的影响 FES构建：构建一维PMF：$W(r) = -k_B T \ln P(r)+C$，或等价地由约束/平均力积分得到$W(r)$ 关键发现： silica nanoparticles的PMF与粒径相关性不强，但较大颗粒出现明显surface interaction peak bare gold nanoparticles作用较弱 polyethylene-coated情况下，有效相互作用随接枝密度增强。中等$\rho_g$下PMF类似Lennard-Jones型，而高$\rho_g$、小间距下逐渐变为更强排斥方法学价值：适合借鉴“表面聚合物层如何改变纳米颗粒PMF”的分析逻辑。对纳米药物载体来说，表面修饰密度、链长、亲疏水性、电荷状态都可以通过pair PMF表征其聚集倾向或抗聚集稳定性 6. Egorov, 2011 – 立体稳定lock-and-key胶体详解体系：sterically stabilized lock-and-key colloids in polymer solution。key particle和lock cavity都设定为cylindrical shape，表面均匀接枝polymer chains，同时溶液中有free polymer chains 模拟方法：使用self-consistent field theory，计算sterically stabilized lock-key particles在polymer solution中的PMF CV设计：由于假设key和lock都沿$z$轴同轴排列，PMF是单坐标函数$W(z)$，其中$z$是lock-key separation FES构建：先通过SCF理论得到不同$z$下的Helmholtz free energy $A(z)$，再定义$\beta W(z) = \beta A(z) - \beta A(\infty)$ 关键发现：lock-key interaction可通过几何匹配、接枝密度、自由链体积分数和焓相互作用调控。尺寸匹配时depletion attraction最强，聚合物steric stabilization可使binding-unbinding transition更尖锐方法学价值：这篇的重点不是动态轨迹采样，而是用SCF直接计算自由能面。它适合借鉴到“载体表面接枝层/聚合物刷/溶剂化层调控粒子间可逆结合”的场景。如果二元结合几何明确，比如HA与OP局部复合、载体表面基元与另一个颗粒/膜片段结合，可以把$z$或$r$作为PMF坐标，并扫描链长、接枝密度、溶剂质量、电荷状态 7. Wang & Ferguson, 2017 – 环状聚合物拓扑约束体系：polyethylene ring polymers，包括trefoil knot、catenane、Borromean等拓扑状态模拟方法：用MD加nonlinear manifold learning，抽取低维自由能面 CV设计：不是纳米颗粒自组装，但它是很好的“非预设CV的聚合物自由能面”参考。从多指标中学习低维坐标，再构建$F(\xi_1,\xi_2)=-k_B T \ln P(\xi_1,\xi_2)$，其中$\xi_1,\xi_2$是数据驱动的慢变量 FES构建：这些FES揭示degree of polymerization和topological constraints如何影响可热访问构象、手性对称破缺、folding/collapse pathways 方法学价值：如果不想手动限定CV为距离/$R_g$/contact number，可以用manifold learning、tICA、diffusion map、PCA/UMAP之类从多指标中学习低维坐标，再构建FES。这会更像“真实景观”，但解释性要靠事后把$\xi$与$R_g$、接触数、团簇大小、混合度相关联 8. Sucerquia et al., 2022 – 银团簇ab initio metadynamics详解体系：$\ce{Ag5}$/$\ce{Ag6}$ clusters 模拟方法：用ab initio metadynamics，通过PLUMED和ASE接口计算free-energy landscape CV设计：选用的CV是radius of gyration和coordination number，用它们比较planar/non-planar isomers的相对自由能 FES构建：这对聚合物纳米粒子非常自然：$F(R_g, C_{\rm contact})$，低$R_g$、高contact number是紧密稳定颗粒；高$R_g$、低contact number是分散或松散网络；低$R_g$、低异质接触可能是单组分塌缩陷阱方法学价值：很直接展示了“非距离型二维CV”如何做纳米团簇FES。$(R_g)$和coordination/contact number对聚合物纳米粒子非常自然，物理含义很清楚 9. Balestra & Semino, 2022 – ZIF-8自组装早期阶段详解体系：ZIF-8早期成核与热分解模拟方法：用all-atom well-tempered metadynamics，明确探索了一组physically relevant collective variables，选择合适子集 CV设计：说明自组装FES的CV可以是coordination/connectivity、cluster size、ring count等，而不必是距离关键发现：结果包括Zn–N connectivity快速增加、小团簇蒸发并形成少数大团簇、$\ce{Zn(MIm)4^{2-}}$/$\ce{Zn(MIm)3^-}$复合物、4/5/6-membered rings等寿命差异方法学价值：虽然这是MOF，不是聚合物，但它说明自组装FES的CV可以是connectivity、cluster size、ring count。对二元聚合物体系，ring count不一定适用，但connectivity、largest cluster size、heterogeneous contact network是非常适用的 10. Méndez & Semino, 2024 – ZIFs自组装热力学体系：ZIF-4自组装的early nucleation和late growth 模拟方法：用reactive force field + well-tempered metadynamics CV设计：自由能分析聚焦金属离子配位变化、building block形成、ligand coordination saturation，以及不同晶面/多晶型增长的热力学差异方法学价值：对于多步自组装，CV可以按“化学连接/局部配位饱和度/生长单元加入程度”定义。对应到二元聚合物体系，可以类比为$F(n_{\rm AB\ contact}, n_{\rm core})$或$F(\text{hetero-coordination}, \text{cluster growth})$。这比单个距离更容易表达“成核—生长—稳定化”的过程文献CV类型总结 CV类型代表文献典型形式方法学价值 CV设计思想距离 + 链构象 Varner 2025 $F(r, R_{ee})$ 组装进程 + 链伸展/紧密度过程坐标 + 构象坐标结构序参量 + 动态键比例 Zhang & Meng 2025 $F(S_{\rm order}, f_{\rm supra})$或MFEP 有序组装程度 + 异质复合比例聚集程度 + 协同效应颗粒间PMF Gautham & Patra 2022; Munaò 2018 $W(r)$或ML-learned PMF A-A、B-B、A-B基元相互作用简化为有效相互作用压缩/膨胀自由能 Wu 2023 strain-energy mapped PMF 纳米颗粒紧密堆积稳定性体积变化 + 自由能响应拓扑/数据驱动低维坐标 Wang & Ferguson 2017 $F(\xi_1, \xi_2)$ 从多指标自动学习慢变量无预设CV，数据驱动 $R_g$ + coordination/contact number Sucerquia 2022; ZIF metadynamics文献 $F(R_g, CN)$, $F({\rm connectivity}, {\rm cluster\ size})$ 最适合转译成聚合物纳米粒子稳定性景观整体紧密度 + 局部连接度 CV设计的核心原则：成功的二维FES设计通常遵循“聚集程度+构象紧凑度”的逻辑——一个坐标描述“组装到什么程度”，另一个坐标描述“结构是否紧密”。这种设计能区分不同的组装机制（如紧密团聚vs松散网络，拉伸桥连vs塌缩成团）。三、关键符号与公式的物理意义为便于读者理解文献中的CV设计和自由能表达式，本节对常用符号和公式的物理意义进行解释。自由能面基本概念文献中的$F$、PMF、free-energy surface/landscape大多不是“势能面”($U$)，而是沿某些集体变量($q$)投影后的有效自由能： [F(q)=-k_B T \ln P(q)+C] 二维情况下： [F(q_1,q_2)=-k_B T \ln P(q_1,q_2)+C] 其中$P$是体系在某个坐标区域出现的概率，$k_B T$是热能尺度，$C$是任意零点。更低的$F$代表该状态更常出现、更热力学稳定；能垒$\Delta F_{\rm barr}$代表从一个稳定态到另一个状态需要跨越的自由能代价。核心参数符号表符号/表达式出现场景物理含义稳定性解释 $\beta=1/k_B T$ 多数自由能文章把自由能换算成热能单位 $\beta\Delta F$越大，越难跨越 $\Delta F_{\rm barr}$ Varner、Zhang & Meng、Seeger等初态到过渡态的自由能垒能垒越高，动力学越慢、结构越kinetically stable $N_{\rm core}$ diblock micelle 疏水核心block的聚合度 core越长，链逃逸越难 $\beta\Delta F_{\rm barr}\sim N_{\rm core}^{2/3}$ Varner budding-like过渡态的表面自由能尺度胶束链交换能垒随core block长度亚线性增长 $r$ Seeger、Munaò、Egorov等距离型反应坐标描述结合/解离或链逃逸 $R_{\rm ee}$ Varner core block端到端距离区分塌缩逃逸和拉伸逃逸 $S_{\rm order}$ Zhang & Meng 结构有序参数越高越接近有序组装相 $f_{\rm bond}$, $f_{\rm supra}$ supramolecular copolymer 动态键/超分子连接比例表示可逆连接网络成熟程度 MFEP Zhang & Meng 自由能面上的最低自由能路径可识别transition state和pathway $W(r)$ PMF文献距离$r$下的平均力势低谷代表稳定结合，高峰代表排斥/能垒 $W_{AA}$, $W_{BB}$, $W_{AB}$ 对二元体系的类比同质/异质组分PMF 判断共组装还是自聚集 $R_g$ cluster/metadynamics文献回转半径，整体紧密度低$R_g$通常更紧密 $CN$ cluster/metadynamics文献 coordination/contact number 高CN表示局部连接更多 $F(R_g,CN)$ 纳米团簇FES 紧密度+局部连接二维景观可区分松散态、紧密态、亚稳态 connectivity MOF自组装文献关键连接/配位数量表示成核和网络形成程度 cluster size 自组装文献团簇大小表示成核、生长、并合 $\xi_1$,$\xi_2$ manifold learning FES 数据驱动慢变量可发现非人工预设的构象盆地典型公式的物理意义 1. Varner的能垒标度律 [\beta\Delta F_{\rm barr}\sim N_{\rm core}^{2/3}] 其中$\beta=1/k_B T$，$\Delta F_{\rm barr}$是链逃逸能垒，$N_{\rm core}$是疏水核心block的聚合度。$2/3$次方来自Halperin–Alexander budding-like机制的物理图像：逃逸链在过渡态中形成一个类似“球状芽”的globular transition state，其表面自由能随体积/链长的$2/3$次方增长。核心意义：胶束稳定性不是简单随链长线性增加；在budding-like逃逸路径中，能垒近似随核心链段长度的表面积尺度增长。 2. Zhang & Meng的二维FES [F(S_{\rm order}, f_{\rm bond})] 其中$S_{\rm order}$是结构有序参数，$f_{\rm bond}$或$f_{\rm supra}$表示形成supramolecular bonds/supramolecularly connected chains的比例。核心意义：自组装路径不仅取决于结构是否有序，也取决于可逆连接/结合网络是否形成。动态键可能降低或改变能垒，但也可能引入中间态和路径复杂性。 3. Egorov的SCF自由能定义 [\beta W(z) = \beta A(z) - \beta A(\infty)] 其中$A(z)$是lock-key距离为$z$时的Helmholtz free energy，$A(\infty)$是两者相隔无限远时的自由能，$W(z)$是相对于无限远分离状态的PMF。核心意义：聚合物刷、自由链耗竭作用和几何匹配共同决定颗粒识别/结合的自由能。 4. 纳米团簇的二维FES [F(R_g, CN)] 其中$R_g$是回转半径，描述团簇整体尺寸/紧密度；$CN$是coordination number，描述原子之间的局部配位/接触程度。核心意义：低$R_g$、高CN的盆地通常对应紧密稳定构型；高$R_g$、低CN对应松散构型；中间盆地可能对应亚稳态异构体。对聚合物纳米颗粒，$CN$可以替换成contact number：$F(R_g, C_{\rm contact})$。 5. Minimum Free Energy Path (MFEP) MFEP是自由能面上从初态到终态最可能经过的低自由能路径。对于disorder–order transition，它大致表示： [\text{disordered state} \rightarrow \text{transition state} \rightarrow \text{ordered state}] 沿MFEP可以定义： [\Delta F_{\rm barr}=F_{\rm TS}-F_{\rm initial}] 其中$F_{\rm TS}$是过渡态自由能，$F_{\rm initial}$是初态自由能。这个能垒越高，转变越慢；中间有多个局部极小值，就说明路径上有metastable intermediates或kinetic traps。 CV选择的总原则不同类型的CV适用于不同的自组装分析需求：距离$r$：适合描述“结合/解离”过程，如颗粒靠近/远离、链逃逸等 $R_g$、contact number、coordination、cluster size：适合描述“颗粒是否紧密稳定”，反映聚集体整体紧密度和局部连接程度 $S_{\rm order}$、$f_{\rm bond}$、network/connectivity：适合描述“是否形成有序、协同、可控的组装结构”，反映组装质量和协同效应 $\xi_1$,$\xi_2$：适合在人工CV不确定时用数据驱动方式寻找自由能景观坐标，通过流形学习发现非预设的慢变量这些符号和公式的核心是：通过合适的集体变量投影，将复杂的多维自组装过程降维到可理解、可计算的自由能景观，从而定量分析稳定性、动力学路径和可控性。四、推荐坐标组合与计算流程基于上述指标评估和文献分析，以下核心坐标组合可用于主图/备选图的自由能面构建。CV设计的核心思想是：一个坐标反映“聚集程度”（如$f_{LCC}$、接触数），另一个坐标反映“构象紧凑度”（如$R_g$、链构象），这样可以区分不同的组装机制和路径。组合1：$(f_{LCC}, R_g$) $f_{LCC}$捕捉聚集程度，$R_g$表征整体尺寸，两者可区分紧密团簇与分散态。计算流程：数据提取：逐帧用MDAnalysis或自定义脚本确定最大簇大小并归一化得$f_{LCC}(t)$；用GROMACS或MDTraj计算$R_g(t)$ 直方化/KDE：对结果进行二维直方化或核密度估计，计算每个格点概率$P(f, R_g)$ 归一化：归一化自由能$F = -k_B T \ln P$ 误差估计：建议使用细致的网格（bin宽视数据散布调整），通过多次Bootstrap估误差增强采样：缺采样区域可考虑温度扩展或Metadynamics增强（比如在$f_{LCC}$方向施加偏置）以填补低概率区间组合2：$(C_{AB}, C_{AA})$或$(C_{AB}, \chi_{mix})$ 该组合直观衡量组分混合程度。计算流程：数据提取：根据距离截断计算每帧$C_{AA}(t), C_{AB}(t)$；或计算混合度$\chi_{mix}(t)$ 直方图构建：构建二维直方图$P(C_{AA}, C_{AB})$（或$P(\chi_{mix}, C_{AB})$）归一化：归一化得$F$面平滑处理：由于接触统计可能波动大，需足够长轨迹并可适用滑动窗口平均平滑增强采样：增强采样建议对非混合态构造预偏置组合3：$(S(q^*), f_{LCC})$ 适用于有序自组装体系，如纳米晶体。计算流程：结构因子计算：对每帧计算小范围$q$的$S(q)$（用FFT或Dynasor库）峰位提取：提取主峰$q^$或对应峰值$S(q^)$ FES构建：与$f_{LCC}$一起构建FES：$F(f_{LCC}, S(q^*))$ 方法学价值：此组合将聚集程度与长程有序性结合，可显著区分混沌聚集与形成晶格结构的情况。组合4（备选）：$(\langle z \rangle, E_{int}$) 使用每帧平均配位数$\langle z \rangle$（通过积分$g(r$)首谷得到）与体系总相互作用能$E_{int}$，构建$F(\langle z \rangle, E_{int}$)面。此图可揭示形态相变中结构紧凑度与结合能的关系。组合5（备选）：$(Q, R_g$) 适合分析分相体系。先构造邻接图计算社团模块度$Q(t$)，然后与$R_g(t$)配对。$F(Q, R_g$)可显示不同分相（高$Q$小$R_g$）和混合状态（$Q \approx 0$大$R_g$）区域。流程示意 graph TB Traj([轨迹文件]) --> Pre Pre --> ComputeMetrics{计算指标} ComputeMetrics --> fLCC[f_{LCC}] ComputeMetrics --> RG[R_g] ComputeMetrics --> Contacts[C_{AB},C_{AA}] ComputeMetrics --> Struct[SASA, g(r)] ComputeMetrics --> Energy[E_{int}] fLCC --> Binbin[二维直方或KDE] RG --> Binbin Contacts --> Binbin Struct --> Binbin Energy --> Binbin Binbin --> FreeE["自由能计算$F=-k_BT\ln P$"] FreeE --> Plot[绘制二维等高或色图] 五、评分函数与实现建议为量化自由能面“漏斗”特性，可定义评分函数综合考虑全局稳定性和结构多样性。例如建议的漏斗评分： [S_{\rm funnel} = w_1 \Delta F_{\rm global} - w_2 N_{\rm trap} - w_3 {\rm Roughness} - w_4 \sigma_{\rm basin} + w_5 P_{\rm prod}] 其中：$\Delta F_{\rm global} = F_{\rm dispersed} - F_{\rm assembled}$为主井深度差（全局稳定性），$N_{\rm trap}$为能量陷阱（局部极小）数量，Roughness为势能面粗糙度度量（如主路径振荡总和），$\sigma_{\rm basin}$为主要基态宽度（椭圆拟合方差），$P_{\rm prod}$为从游离态演化到聚集态的“产物概率”。各权重$w_i$可根据系统需求调节（例如强调稳定性则增大$w_1$）。该函数可结合路径分析工具计算，参考蛋白折叠领域“foldability score”概念。关键结论与批判性总结综述了构建自组装体系自由能面所需的完整指标体系，包括物理意义、敏感性、软件支持和FES适用性的全面评估推荐的核心坐标组合为$(f_{LCC}, R_g$)、$(C_{AB}, \chi_{mix}$)、$（S(q^*), f_{LCC}）$等二维设计，能够兼顾稳定性与形态区别提出漏斗评分函数$S_{\rm funnel}$，综合考虑全局稳定性、陷阱深度与数量、产物生成概率给出软件缺失功能的补充方案（PLUMED插件、WHAM工具、MDAnalysis脚本等）梳理了近10-15年自组装FES相关文献的6类CV设计：距离+链构象、序参量+动态键比例、颗粒间PMF、压缩/膨胀自由能、拓扑/数据驱动坐标、$R_g$+配位数局限性现有文献中明确构建自组装二维FES的工作仍不多，许多自组装模拟只报告micelle、vesicle、lamella、cluster size、$R_g$、$S(q$)、morphology diagram，并未真正构建$F(q) = -k_B T \ln P(q$)或PMF 漏斗评分函数的权重选择目前缺乏系统指导，需要根据具体体系调节增强采样方法的选择在自组装体系中尚无统一标准，不同方法各有优劣自组装FES的实验验证仍然困难，特别是动力学陷阱和亚稳态结构分布的对应关系粗粒化模型的选择会显著影响FES结果，不同分辨率的模型可能给出不同的漏斗形貌后续工作优先级对推荐坐标组合做实际模拟验证，检查是否合理区分聚集态实现并测试上述评分函数，评估能否量化漏斗质量针对软件功能空缺，开发补充脚本或PLUMED模块使用增强采样（如并行Metadynamics、REST2等）提高FES可靠度基于生成的FES提出可实验验证的预测（如体系在不同参数下的相行为）以上结论均基于现有文献与官方文档所述原理。未来可持续关注相关软件更新和新的案例研究。对于自组装体系自由能面构建的进一步工作，建议优先关注二维/多维FES设计和数据驱动CV抽取两个方向，它们将是未来改善现有方法学局限的关键。

Specific Sytems · 2026-06-11

从合作自组装到水溶性超分子聚合物：粗粒化模拟揭示BTA纤维的逐步生长机制

BTA水溶性超分子聚合物——从合作自组装到粗粒化模拟的逐步聚合机制本文信息标题：从合作自组装到水溶性超分子聚合物：粗粒化模拟研究作者：Davide Bochicchio，Giovanni M. Pavan* 发表期刊：ACS Nano 发表时间：2017年（Volume 11, Pages 1000-1011） DOI：https://doi.org/10.1021/acsnano.6b07628 单位：瑞士南部应用科学与艺术大学创新技术系引用格式：Bochicchio, D.; Pavan, G. M. (2017). From Cooperative Self-Assembly to Water-Soluble Supramolecular Polymers Using Coarse-Grained Simulations. ACS Nano, 11, 1000-1011. https://doi.org/10.1021/acsnano.6b07628 代码与数据：研究使用标准MARTINI力场，未提供独立代码库摘要超分子聚合物通过非共价自组装形成，因其动态仿生特性而极具研究价值。理解其行为需要在保持单体结构和相互作用高分辨率的同时访问其动力学，这在水溶液中尤其困难。聚焦于1,3,5-苯三甲酰胺（BTA）水溶性超分子聚合物，我们开发了一种可迁移的粗粒化模型，能够在水中研究BTA超分子聚合，同时在描述单体间关键相互作用（疏水、氢键等）、自组装合作性以及纤维中有序放大方面与全原子模型保持显著一致性。这使我们能够监测BTA纤维在动态聚合过程中单体间关键相互作用（包括氢键）的放大。我们的分子动力学模拟揭示了逐步合作聚合机制：首先是BTA单体在水中快速疏水聚集，随后是这些无序聚集体缓慢重组为有序定向的低聚物，超分子聚合物生长则以更慢的速率进行。我们通过与实验证据对比挑战了我们的模型，成功捕捉了温度变化和单体结构的微妙变化对聚合及纤维性质的影响。这项工作提供了BTA在水溶液中自组装的多尺度时空表征，为研究基于BTA的超分子聚合物构建结构-性质关系提供了有用的平台。核心结论开发了基于MARTINI力场的可迁移BTA粗粒化模型，能够在微秒尺度监测水溶液中的自组装过程揭示了逐步合作聚合机制：快速疏水聚集（~20 ns）→ 无序聚集体重组为有序低聚物（~30-16 μs）→ 纤维慢速生长两种BTA-CG模型（显式氢键的BTA-CG_C和隐式氢键的BTA-CG_0）都能准确重现全原子模型的相互作用放大效应和有序放大效应成功预测了疏水侧链长度变化（C12→C9/C6/C3）对聚合的抑制效应，与Meijer团队的实验结果一致模型能够模拟温度诱导的纤维解聚（95°C），验证了其研究环境条件变化的能力背景超分子聚合物通过非共价相互作用连接单体，近年来因其动态和自适应特性受到广泛关注。这些自组装结构的实验级研究极其困难，尤其是在水溶液环境中。这导致了分子层面自组装控制因素的普遍缺失。在这一背景下，分子模拟已成为研究BTA及其他类型超分子聚合物的重要工具。之前的全原子MD模拟研究了肽两亲超分子纤维，提供了关于组装结构和自组装机制的深入见解，但仍受限于可探索的空间和时间尺度，无法访问自组装机制和超分子聚合物动态行为。为解决这些限制，一种策略是开发自组装单体的粗粒化模型。已有重要努力开发CG模型来模拟CG肽两亲单体在水溶液中自发聚集成超分子纤维，获得关于组装结构和自组装机制的有用见解。 MARTINI粗粒化力场作为“通用”CG力场具有高可迁移性的优势，许多化学功能团/基团已经可用并经过测试，便于单体定制。这对研究多种自组装单体变体以建立结构-性质关系至关重要。创新点可迁移的BTA-CG模型：基于MARTINI力场开发两种变体（BTA-CG_C显式氢键、BTA-CG_0隐式氢键），在描述单体在水溶液中的行为、单体-单体相互作用和自组装合作性方面与全原子模型保持显著一致性逐步合作聚合机制：首次在微秒尺度直接观测到BTA自组装的三个阶段——快速疏水聚集、慢速有序重组、纤维慢速生长实验验证的预测能力：成功预测疏水侧链长度变化（C12→C9/C6/C3）对聚合的抑制效应和温度诱导的纤维解聚（95°C）相互作用与有序的双重放大：CG模型重现了全原子水平的疏水效应放大（SASA降低）、氢键能量放大和堆积有序放大（g(r)峰高增加）研究内容一、BTA单体与粗粒化模型设计 1,3,5-苯三甲酰胺（BTA）单体通过核心-核心堆积和三重氢键形成一维自组装（Figure 1c）。研究采用的BTA单体由疏水十二烷基间隔物（C12）和四聚乙二醇（PEG）末端单元组成（Figure 1a）。粗粒化模型基于MARTINI力场构建。对于芳香核和侧链，使用了最近优化的MARTINI参数。CG表示的BTA酰胺基团构成了参数化的关键点。由于氢键的方向性对MARTINI方案提出了相关挑战（MARTINI中所有相互作用通常由非方向性Lennard-Jones势表示），研究构建了两种BTA-CG模型变体，仅在酰胺基团描述上有所不同： BTA-CG_C：包含BTA-BTA氢键的显式处理，通过AMD_c珠子的刚性偶极子（±q）的静电相互作用实现方向性 BTA-CG_0：酰胺基团（AMD_0）由标准MARTINI珠子表示，BTA-BTA氢键隐式包含在AMD_0-AMD_0 LJ相互作用中两种模型的AMD_c和AMD_0珠子都经过优化，在CG水平重现全原子水平观察到的核心+酰胺二聚自由能曲线。图1：BTA单体结构及其粗粒化模型——展示BTA的化学结构、全原子模型和两种CG变体。图1a：BTA单体的化学结构图1b：BTA单体在水中的平衡全原子模型图1c：通过核心-核心堆积和三重氢键进行一维自组装，导致纤维生长图1d：基于MARTINI的BTA核和侧链粗粒化模型。BTA-CG_C和BTA-CG_0模型在酰胺基团描述上不同（分别包含或不包含显式单体间氢键处理）图1e：MD模拟得到的单个BTA单体在水中的回转半径和溶剂可及表面积（SASA）数据，AA和CG水平的一致性在单个单体水平，BTA-CG模型的回转半径和溶剂可及表面积（SASA）与全原子BTA单体在显式水中的数据拟合良好（Figure 1e），证明两种BTA-CG模型都能很好地代表BTA单体在水中的行为。二、自组装合作性：相互作用放大与有序放大研究构建了两个预堆积系统（160和480），由160和480个初始延伸的BTA-CG_C单体沿主纤维轴通过周期性边界条件复制，形成“无限”BTA纤维。疏水效应放大随着BTA堆积体尺寸增大，每个BTA的SASA变化（ΔSASA）持续下降（Figure 2b），证明疏水效应在纤维生长过程中被放大。这与全原子水平最近观察到的行为一致。氢键能量放大在BTA-CG_C系统中，每个BTA的等效氢键平均数和每个BTA的平均氢键能量都随组装尺寸增加而增加（Figure 2c）。值得注意的是，将氢键能量除以饱和时每个BTA的平均氢键数（2.2），得到水溶液中单个氢键的平均能量约为-1.6 kcal mol⁻¹，与水溶液中肽结构的单个氢键能量（-1.58 kcal mol⁻¹）惊人一致。堆积有序放大 BTA-CG_C超分子聚合物中堆积有序的放大通过径向分布函数监测。随着BTA-CG_C组装尺寸增大，g(r)峰的高度增加，在最大系统中达到饱和（Figure 2d）。这种行为再次与全原子水平最近观察到的行为一致。图2：BTA自组装的合作性——相互作用放大与有序放大——展示BTA低聚物中关键相互作用和堆积有序的放大。图2a：不同尺寸的BTA堆积体图2b：疏水效应——不同尺寸堆积体中每个BTA的SASA变化（ΔSASA）随组装尺寸的变化图2c：BTA-CG_C系统中每个BTA的等效氢键平均数和每个BTA的平均氢键能量随组装尺寸的变化。CG模型中关键相互作用（疏水和氢键）的放大与全原子水平最近观察到的结果一致图2d,e：堆积有序放大到生长中的BTA超分子聚合物。不同尺寸系统中BTA核的径向分布函数，针对BTA-CG_C和BTA-CG_0两种模型三、BTA自组装机制：逐步合作聚合由160个BTA-CG_C单体最初分散在溶液中的分子系统提供了一个有趣的案例研究（Figure 3a）。在CG-MD模拟的早期步骤（前~0-20 ns），单体在溶液中非常快速聚集，通过溶液中BTA聚类数量的急剧减少来证明（Figure 3b，红色虚线）。 Φ指数（BTA核心间的平均配位数）在CG-MD模拟时间内的演化表明，直到约30 ns的CG-MD模拟，BTA聚集体仍然无序（Figure 3b，红色实线）。Φ指数随后显著增加，在16 μs CG-MD后达到最大值约1.8。在此CG-MD模拟时间内，溶液中自发形成的最大BTA组件是一个具有细长形状的纤维片段——一个BTA 85聚体（Figure 3a）。图3：BTA在水溶液中的自组装机制——展示逐步合作聚合过程的动力学和热力学特征。图3a：160 BTA-CG_C自组装系统的起始和平衡（最终）快照（为清晰起见，仅显示CG-MD期间自发形成的最大聚类中的BTA单体，即BTA 85聚体）图3b：160 BTA自组装系统（BTA-CG_C和BTA-CG_0）的BTA聚类数量和序参数Φ（核心-核心配位）随CG-MD模拟时间的变化图3c：CG-MD轨迹作为平均聚类大小和Φ的函数。该图显示了自组装的逐步过程图3d：BTA-CG_C系统自组装的二维自由能景观，作为每个BTA的平均氢键数和每个BTA的平均SASA的函数 Figure 3c中的CG-MD轨迹图显示了一个S形自组装路径，可总结如下：首先，单体快速自组装，形成无序聚集体；当达到一定尺寸（本例中约~20-30个BTA）时，这些聚集体经历结构重组，演化为有序（堆积）BTA低聚物；纤维生长随后通过这些有序组装的融合进行（图中右上区域的离散步骤）。为了更好地描述BTA聚合机制，从CG-MD模拟获得了自组装过程的自由能景观（Figure 3d），表示为BTAs的平均SASA和每个单体的平均氢键数的函数。较浅的颜色对应于能量最不利和最少访问的构型，而最深的颜色识别最有利和最多访问的构型。四、结构修饰和温度变化的影响 Meijer团队最近的实验研究表明，BTA在水溶液中的聚合对单体结构中疏水/亲水平衡的微妙变化极其敏感。虽然使用C12或C11烷基间隔物产生几乎相同的超分子纤维，但将后者替换为C10被发现会抑制BTA超分子聚合物的形成。研究挑战了BTA-CG模型与这些实验证据的一致性。为此，构建了具有较短疏水间隔物（分别包含3、2和1个疏水MARTINI珠子）的BTA-CG_C模型，对应于C9、C6和C3烷基间隔物（Figure 4a）。 CG模型与实验证据显示出一致性。在C6和C3 BTA-CG_C系统中，超分子聚合化完全受到阻碍（Figure 4b-d）。在模拟过程中仅自发形成非常小的BTA组件，通过平均聚类大小和形成的最大BTA聚类的大小来证明。为了测试CG模型模拟环境条件变化的能力，研究了温度变化的影响。当将480*C12 BTA-CG_C“无限”纤维模型的温度从27°C升高到95°C时，观察到纤维的解聚（Figure 4e）。在CG-MD运行期间，聚类数量增加而最大BTA聚类大小减小，证明纤维在高温下不稳定。图4：单体中的结构修饰和温度变化的影响——验证CG模型预测结构变化效应的能力。图4a：BTA单体变体的CG表示，其中侧链中的烷基疏水间隔物被系统性地缩短图4b：160 C6 BTA自组装系统的起始和最终快照图4c：不同160自组装系统的平均聚类大小，即标准C12 BTA和三种C9、C6和C3 BTA变体在室温（27°C）下的CG-MD模拟，以及标准C12 BTA在高温（95°C）下的模拟图4d：高温（95°C）下480*C12 BTA“无限”纤维在CG-MD运行期间解聚；分别显示CG-MD模拟期间的聚类数量和系统中最大BTA聚类的大小图4e：从室温下水溶液中480*BTA-CG_C无限纤维模型的CG-MD模拟中获取的平衡快照关键结论开发的BTA-CG模型成功跨越了全原子分辨率和微秒时间尺度之间的鸿沟，能够在保持关键相互作用精度的同时研究BTA超分子聚合的动态过程揭示的逐步合作聚合机制（快速疏水聚集→慢速有序重组→纤维慢速生长）为理解超分子聚合物形成提供了新的理论框架 CG模型对结构修饰（疏水侧链长度）和环境变化（温度升高）的预测能力得到了实验验证，证明其在理性设计BTA基超分子聚合物方面的价值研究提供了BTA在水溶液中自组装的多尺度时空表征，为建立结构-性质关系和理解超分子聚合物动态行为奠定了基础局限性粗粒化模型虽然保持了关键相互作用的精度，但可能丢失某些原子级细节，如具体水分子排列或精细的氢键几何模拟时间尺度（微秒级）虽然远超全原子模拟，但对于某些非常缓慢的自组装过程可能仍不足够研究主要关注BTA体系，模型的可迁移性在其他类型超分子聚合物中需要进一步验证实验验证主要集中在结构变化和温度效应，对其他环境因素（如pH、离子强度）的预测能力未充分测试粗粒化过程中对氢键方向性的处理（显式vs隐式）可能影响某些体系的精度，需要根据具体系统选择合适的模型变体对于研究超分子聚合物、自组装过程和粗粒化模拟的科研工作者，这项工作提供了一个强大且经过验证的工具，用于在保持足够精度的前提下探索超分子聚合物在水溶液中的形成机制和动态行为。结合MARTINI力场的高可迁移性，该模型可推广到其他类型的自组装系统，为超分子材料的理性设计提供了新途径。

Specific Sytems · 2026-06-11

甲基丙烯酸酯聚合物如何作用于细菌外膜：粗粒化分子动力学给出的四阶段机制

甲基丙烯酸酯聚合物如何作用于细菌外膜：粗粒化分子动力学给出的四阶段机制本文信息标题：通过粗粒化分子动力学模拟探索甲基丙烯酸酯聚合物与细菌外膜的相互作用作者：Eduardo R. Almeida、Vinicius Firmino dos Santos、Madeleine Ramstedt、Thereza A. Soares 发表时间：2026年4月7日单位：圣保罗大学（巴西）、于默奥大学（瑞典）、奥斯陆大学与 Hylleraas Centre（挪威）引用格式：Almeida, E. R., Firmino dos Santos, V., Ramstedt, M., & Soares, T. A. (2026). Exploring the Interactions Between Methyl Methacrylate Polymers and the Bacterial Outer Membrane via Coarse-Grained Molecular Dynamics Simulations. Journal of Chemical Information and Modeling. https://doi.org/10.1021/acs.jcim.6c00729 源代码：https://github.com/BioMat-USP-RP/Input-files-for-CG-simulations-of-polymers-and-bacterial-outer-membrane 摘要聚合物刷涂层为对抗医疗器械中的细菌黏附与生物膜形成提供了一种有前景的策略。然而，不同刷层化学组成如何与细菌膜相互作用的详细分子层面理解仍不完整。在本研究中，我们使用粗粒化分子动力学模拟（steered molecular dynamics 与 umbrella sampling），研究了四种甲基丙烯酸甲酯衍生聚合物——pDMAEMA（弱阳离子）、pMETAC（强阳离子）、pMEDSAH（两性离子）和 pSPMA（阴离子）——与大肠杆菌细菌外膜（OM）模型的相互作用与转运过程。模拟揭示了一个四步转运过程：接近、黏附、渗入和内化，并由不同的热力学与动力学特征所表征。阳离子聚合物与外膜表面表现出明显有利的黏附，尤其是与 LPS 分子的糖类内核结构域，这主要归因于有利的静电相互作用。在这些带正电聚合物的转运过程中，还可观察到 LPS 单元被拖拽至细菌外膜内叶的现象。相比之下，两性离子与阴离子聚合物表现出较不有利的黏附，这与其抗污行为一致。该方法提供了一个计算框架，可在分子细节层面解析与聚合物-膜相互作用相关的自由能图景与结构扰动，包括对动力学上不利过程的预测，例如聚合物向膜细胞内区域的渗入与内化。这些结果为理解水合、电荷与聚合物结构如何影响细菌膜相互作用提供了机制见解，并推动了抗污与抗菌表面涂层的分子设计。核心结论阳离子体系界面吸附更强：pMETAC 和 pDMAEMA 在黏附力与黏附自由能上均更占优。水合作用决定抗黏附特征：pMEDSAH 与 pSPMA 在后期保持更高水合，降低深层膜耦合。跨膜过程动力学受限明显：所有体系在膜中心附近都面临不同程度的渗入势垒。强吸附不等于顺利穿膜：approach 与 adhesion 可自发发生，但 permeation 与 internalization 都是动力学不利步骤。阳离子链会牵引膜组分重排：明确观察到 LPS 被正电聚合物拖向内侧，并在后期形成瞬态 nanopores。材料设计应分目标优化：表面捕获能力和跨膜推进能力需要拆开设计，单一电荷指标无法覆盖全流程行为。背景分子刷涂层被广泛用于医疗器械表面的抗黏附与抗菌改性，因为它们可以通过化学组成调控在生理介质中的稳定性、生物相容性和界面功能。以亲水聚电解质刷为例，体系通常分为强聚电解质和弱聚电解质两类，前者在宽 pH 范围维持带电，后者则随环境 pH 改变电离状态并形成可切换界面。对产业端而言，这决定了导管、植入物和传感界面在血液、血清、唾液等复杂体系中的失效模式；对学术端而言，这意味着刷层化学、水合结构与生物相互作用之间需要可量化的分子机制映射。已有研究已经说明，抗污能力与界面水合层强度高度相关。前期 MD 与 Monte Carlo 工作表明，两性离子刷层通常比 PEG 或非两性离子亲水聚合物形成更稳定的界面水网络，从而更有效抑制蛋白吸附；同时，碳间隔长度、偶极取向与局部溶剂化排斥会进一步放大这种差异。问题在于，这些结论主要建立在蛋白-刷层模型上，而细菌外膜（尤其是革兰阴性菌外膜）在成分、拓扑、电荷分布和疏水性上都远比单蛋白目标复杂，外层 LPS、离子桥联和膜不对称结构共同抬高了建模与解释难度，也抬高了机制外推门槛。因此，这个方向的核心 gap 是缺少能同时解释黏附、渗入与内化全过程的分子级统一框架。尤其在带电单元比例变化时，实验已经观察到抗污与抗菌行为可被显著调制，但机制上仍不清楚：是静电吸附主导，还是水合屏障主导，或者两者在不同阶段交替主导。本文的意义就在于把问题从终点表征推进到过程分解，用粗粒化 SMD 与 US 自由能图景把“接近—黏附—渗入—内化”串成可比较路径，为后续刷层配方设计提供可执行判据。研究阶段主要对象常用方法已有共识未解决问题早期抗污研究蛋白-聚合物刷层实验吸附测试、经典 MD、MC 两性离子刷层强水合，抗蛋白吸附更稳定结论难直接外推到细菌外膜中期机制研究氨基酸类似物-刷层 MD + 统计分析水合层与溶剂化排斥是关键屏障缺乏跨膜路径与动力学信息当前前沿聚合物-革兰阴性菌外膜粗粒化 SMD、US、PMF 可分离黏附有利项与渗入势垒项如何把机制指标映射到材料配方与实验性能关键科学问题在 LPS 主导的外膜界面，聚合物最先被什么物理作用抓住，静电吸附和脱水代价谁先主导。强黏附是否能自然转化成强渗入，还是会出现界面停留很强但向内推进困难的状态。四类聚合物的差异能否被统一机制解释，并转换为可执行的设计参数。创新点同平台并行比较：四类聚合物在同一 OM 与同一模拟流程下比较，减少跨体系偏差。路径与自由能联动：把 SMD 的时间分段与 US 的 PMF 结果联动解释，不只看单一指标。指标体系更完整：力学、自由能、水合、离子分布和接触统计共同构成解释框架。研究内容方法详述：模型、参数与流程本文采用 MARTINI 3 粗粒化框架，核心对象是四条长度一致的聚合物链（每条 96 个单体）与不对称 E. coli 外膜体系，形成同平台可比体系。体系组成模块组成与参数聚合物 pDMAEMA、pMETAC、pMEDSAH、pSPMA，均为 96-mer 外膜外层 rough LPS 外膜内层 DPPE/DPPG = 75/25 离子与水 $\ce{Ca^{2+}}$、$\mathrm{Cl^-}$、MARTINI tiny water 温压条件 310 K，1 bar SI 中还给出完整组分表（Table S2）：外膜外叶含 560 个 LPS 分子，内叶含 1260 个 DPPE 和 420 个 DPPG（比例 75:25），离子包括 3012 个 $\ce{Ca^{2+}}$ 和 4 个 $\ce{Cl^-}$，水珠 616312 个。$\ce{Ca^{2+}}$ 在这里主要起桥联作用，通过与带负电的 LPS 和 DPPG 相互作用稳定外膜结构——这在革兰阴性菌中是保守机制。图1：四类甲基丙烯酸酯聚合物单体与粗粒化映射关系图1A–图1D分别对应 pDMAEMA、pMETAC、pSPMA、pMEDSAH 的单体化学结构及其 CG bead 映射。颜色说明：黑色线条为原子级化学结构，蓝色与粉色球表示映射后的粗粒化表示，灰色标记代表不同 bead 类型。图1定义了后续相互作用分析的化学语义。后文看到的水合差异、黏附差异和离子相互作用，都由这些 bead 化学属性决定，属于参数驱动的结构结果。四类聚合物参数如何构建（SI Table S1）聚合物离子性质总电荷可电离基团亲水性体积（nm³） pDMAEMA 阳离子 96（正电） tertiary amine hydrophilic 1356.6 pMETAC 阳离子 96（正电） quaternary ammonium highly hydrophilic 1487.6 pMEDSAH 两性离子 0 quaternary ammonium / sulfonate highly hydrophilic 1315.1 pSPMA 阴离子 -96 sulfonate hydrophilic 1218.8 参数生成流程在 SI 中：四条链都设为 96-mer；总电荷取各单体电荷求和；体积由 GROMACS 2019.4 的 SASA 相关排除体积估算得到。这个参数化流程直接决定了后续黏附强度、去溶剂化代价和渗入势垒的排序，是全文的比较基线。图2：细菌外膜模型与反应坐标定义图2A–图2C给出 LPS、DPPE、DPPG 的结构与粗粒化表示。图2D–图2E展示不对称外膜组装和沿膜法向推进的反应坐标。颜色说明：lipid A 为粉色，LPS inner core 为紫色，outer core 为橙色，水珠为蓝色，黑色箭头表示反应坐标方向。图2明确了”聚合物在什么环境中前进”这个前提。LPS 的分层结构决定了电性匹配的空间选择性：从外到内依次是 outer core（glucose/galactose 糖残基，弱负电）、inner core（KDO 和 HEP 糖残基，强负电）、lipid A（疏水尾链）。$\ce{Ca^{2+}}$ 主要聚集在 inner core 区（z ≈ 2.0–2.5 nm），与强负电糖残基形成桥联。阳离子聚合物的 PMF 极小值也在这个位置，说明它们会被 inner core 的强负电”抓住”；而两性离子或阴离子聚合物的极小值更靠外（z ≈ 2.7 nm），在 outer core 区就更早受到排斥，难以继续深入。还需要强调一点：外膜不对称性本身就是机制的一部分。如果把体系简化成对称磷脂双层，很多“先被外层糖基区捕获，再向疏水核心推进”的路径特征会被弱化，最终导致对抗菌刷层设计的判断偏乐观。关键模拟设置非键相互作用 cutoff 统一为 1.2 nm，静电使用 reaction field。先做能量最小化，再做平衡，再进入 SMD 与 US。 SMD 设置为沿膜法向的质心拉动，平均路径约 18 nm。拉速为 $0.0001~\mathrm{nm/ps}$，弹簧常数为 $1000~\mathrm{kJ\cdot mol^{-1}\cdot nm^{-2}}$。单条 SMD 轨迹约 320 ns，并进行 3 次重复。 US 约 36 个窗口，间距约 0.3 nm，每个窗口采样 125–300 ns（不同体系时间不同），WHAM 重建 PMF，并做 bootstrap 误差估计。如果把这套流程说得更直白一点，本文其实做了两件互补的事。SMD 更像是在给出一条可比较的推进路径，US/PMF 则负责把这条路径转换成自由能图景。第一步，用 SMD 把一条自由聚合物链从体相水中缓慢推向外膜中心，记录这一路上受力、接触、水合和膜重排怎么变化；这一步解决的是“过程长什么样”。第二步，从这条路径上挑出一系列代表性构型做 umbrella sampling，再用 WHAM 重建 PMF；这一步解决的是“哪一段热力学有利，哪一段动力学更难”。方法流程图 graph TB subgraph S1["1.体系构建"] direction TB A1["聚合物：96-mer"] A2["外层LPS + 内层DPPE/DPPG"] A3["310 K，1 bar，离子与水环境"] end subgraph S2["2.路径采样"] B1["平衡模拟"] B2["SMD三重复"] B3["时间分段：接近/黏附/渗入/内化"] B1 --> B2 --> B3 end subgraph S3["3.热力学重建"] direction LR C1["US分窗口采样"] C2["WHAM重建PMF"] C3["窗口重叠 + 分块收敛检查"] C1 --> C2 --> C3 end S1 --> S2 --> S3 --> D["联动分析：受力-接触-水合-离子-自由能"] 结果一：四阶段路径的构象证据 SMD 轨迹把全过程稳定分为四段：approach（0–18 ns）、adhesion（18–34 ns）、permeation（34–112 ns）、internalization（112–320 ns），给出可重复的阶段边界。但构象快照只是第一条线索——要确认这个划分是否真实反映物理过程，还需要从受力、自由能、水合和离子分布等多个角度交叉验证。图9：聚合物跨膜转运四阶段的构象快照。从 SMD 模拟中提取的聚合物跨细菌外膜（OM）转运的四个阶段快照：接近（A）、黏附（B）、渗入（C）和内化（D）。每个子图展示该阶段聚合物、外膜组分的典型构象及膜响应。 A为接近阶段（0–18 ns）：聚合物位于膜外侧约 6.0 nm 范围内，开始去溶剂化但尚未与膜接触。 B为黏附阶段（18–34 ns）：聚合物贴近 LPS 外层并形成稳定界面吸附，阳离子聚合物与 LPS 糖类内核区域相互作用更强。 C为渗入阶段（34–112 ns）：聚合物向膜内推进，受力抬升，伴随局部膜结构重排、去溶剂化和瞬态缺陷。 D为内化阶段（112–320 ns）：聚合物到达膜内叶，部分 LPS 分子被从外叶拖向内叶，膜表面形成纳米孔，随后膜结构自发重建。四阶段划分来自构象快照、受力曲线、PMF 以及水合和离子分布的交叉一致性。approach 和 adhesion 可以自发发生，permeation 和 internalization 则对应动力学不利步骤。结果二：膜结构的稳定性验证密度分布结果显示，外膜宏观层状结构总体稳定，没有出现持续性大破裂。与此同时，进入内化阶段后，膜中心出现局部含水增强，中心水密度约为 $100~\mathrm{kg\cdot m^{-3}}$。这一观察与构象快照中的“瞬态缺陷”相互印证：聚合物推进确实扰动了膜，但扰动是局部的、动态的，而非整体破裂。图3：四阶段中外膜与水的质量密度沿 z 轴分布图3A–图3D分别对应接近、黏附、渗入、内化阶段。线型说明：实线表示膜组分密度，虚线表示水密度，银色参考线为无聚合物扰动时的膜分布。图3最核心的信息是整体结构稳定，但局部会被拉出动态缺陷。这类信号对应局部扰动窗口，支撑了本文对穿膜机制的保守判断：聚合物推进依赖局部重排与短时缺陷，体系不具备低阻力自由穿透通道。结果三：离子重排与接触分析揭示静电匹配的空间选择性 $\ce{Ca^{2+}}$ 在外膜中本身承担桥联与稳定作用。在渗入和内化阶段，$\ce{Ca^{2+}}$ 分布发生明显重排，膜中心区域也出现增强信号（约 $4.0~\mathrm{kg\cdot m^{-3}}$），对应桥联环境重构。这是第三条验证线索：如果四阶段划分是真实的，那么离子分布和聚合物-膜接触应该在每个阶段呈现不同的特征模式。图4：四阶段中钙离子沿膜法向的密度重排。图4A–图4D对应接近、黏附、渗入、内化阶段下的 $\ce{Ca^{2+}}$ 分布变化。颜色说明：不同颜色曲线对应不同聚合物体系，横轴为膜法向坐标 $\ce{Ca^{2+}}$ 密度分布呈现两个主峰：一个位于 LPS 区域（外膜外表面，距膜中心约 2.5 nm），另一个位于磷脂极性头基区域（外膜内表面，约 -2.5 nm）。当聚合物推进到深层时，$\ce{Ca^{2+}}$ 沿膜重新分布并渗透进入膜中心。本文明确指出，聚合物内化会导致 $\ce{Ca^{2+}}$ 离子沿膜重新分布，而这些离子通过与 LPS 和 DPPG 分子的有利相互作用得到维持。接触分析揭示三类聚合物的不同相互作用模式接触数统计（截断距离 0.6 nm）进一步揭示了聚合物与膜组分的特异性相互作用，呈现出三种截然不同的模式。体系 Polymer···$\ce{Ca^{2+}}$ Polymer···$\ce{Cl⁻}$ Polymer···LPS 接近阶段 pDMAEMA-OM 0 2.4 ± 0.4 0 pMETAC-OM 0 22.9 ± 3.8 0 pMEDSAH-OM 4.7 ± 0.6 0 0 pSPMA-OM 56.6 ± 1.4 0 96.8 ± 9.3 渗入阶段 pDMAEMA-OM 0 2.7 ± 1.1 205.6 ± 15.5 pMETAC-OM 0 23.9 ± 6.4 137.5 ± 5.4 阴离子聚合物 pSPMA 与 $\ce{Ca^{2+}}$ 接触数高达 56.6 ± 1.4，与 LPS 接触数达 96.8 ± 9.3，表明它拖拽了这些离子向内推进。阳离子聚合物 pDMAEMA 和 pMETAC 与 $\ce{Ca^{2+}}$ 几乎没有接触，但与 LPS 分子保持大量接触，渗入阶段分别达 205.6 ± 15.5 和 137.5 ± 5.4，解释了它们为什么更容易在界面站住脚。本文明确观察到阳离子聚合物转运过程中 LPS 分子被从膜外叶拖向内叶，这一点与接触数统计高度一致：所有聚合物与磷脂（DPPE 和 DPPG）的接触数均为 0，说明转运过程中只有 LPS 分子被聚合物从外叶拖向内叶。pDMAEMA 甚至携带吸附的 LPS 到达膜内介质。 pSPMA 体系还表现出 $\ce{Na^+}$ 在 LPS 叶中的优先积累，这是由阴离子聚合物骨架携带配位 $\ce{Na^+}$ 离子驱动的。这里有一个容易忽略的细节：原文观察到，平均意义上 $\ce{Na^+}$ 和 $\ce{Cl^-}$ 不会穿膜扩散，后半程的主角是聚合物、LPS 和桥联离子的协同重排。后半程阻力主要来自三部分：空间位阻效应。整个聚合物结构，包括其溶剂化壳，在膜内产生空间位阻。 LPS 拖拽。阳离子聚合物会携带 LPS 分子从外叶拖向内叶。局部瞬态膜缺陷。这会导致局部变薄和水渗透。从设计角度看，这意味着增加电荷主要改善前半程（增强与LPS的静电吸附），但后半程推进仍面临上述三个挑战。这里的核心物理图像是：界面吸附的热力学有利性不等于向内推进的动力学可行性。自由能计算允许我们将热力学有利过程（如吸附）与动力学受限过程（如渗入）分离开来，这在实验上很难区分。结果四：水合层是两性离子与阴离子体系的重要缓冲器为了理解为什么有些聚合物更容易“穿透”膜，需要回答一个基本问题：聚合物在推进过程中会失去多少水合壳层？这是第四条验证线索：如果两性离子聚合物真的“不愿意黏附”，那么它们应该在整个过程中保持更高的水合。本文用两种互补的方法来回答这个问题：图5给出径向分布函数 $g(r)$，定性分析“水还围在链周围有多紧密”。图6给出配位数 CN，定量统计 4.0 nm 范围内有多少个水珠。图5：四阶段中聚合物与水珠的径向分布函数。这里的径向分布函数记作 $g(r)$。图5A–图5D对应接近、黏附、渗入、内化阶段的 polymer–TW 统计。纵轴是 $g(r)$ 强度，反映水分子在聚合物周围的概率密度；横轴是与聚合物质心的距离。关键信息：峰高降低对应去溶剂化，峰高保持对应水合壳保存。图5显示了一个清晰的对比： pSPMA 在渗入和内化阶段，即图5C–5D，仍然保持较高的 $g(r)$ 峰，说明水合壳保存得更好。 pDMAEMA 和 pMETAC 在后期阶段的峰强明显降低，说明去溶剂化更严重。本文明确指出：pSPMA的强水合暗示其与OM的相互作用较弱，这与阴离子聚合物和LPS之间的静电排斥一致。图6：四类聚合物在跨膜转运各阶段的水合配位数。CN 统计四种聚合物在 4.0 nm 径向范围内水珠（TW 珠，MARTINI 3 力场）的配位数，反映聚合物在转运各阶段的水合壳层稳定性。每个数值代表三次独立重复的平均值。配位数的定义：在 4.0 nm 径向距离内的水珠数量，用来定量分析聚合物周围的水合结构。四个阶段对比：依次展示接近、黏附、渗入、内化阶段的配位数变化。颜色说明：不同颜色条形代表四种聚合物，高度反映配位数大小。在 permeation 阶段，四类体系的配位数下降比例如下，显示了去溶剂化差异：聚合物配位数下降比例 pDMAEMA 25.5% pMETAC 21.8% pMEDSAH 22.7% pSPMA 19.1% 定量结论：四类聚合物在推进过程中都会失去一部分水合壳层，但 pSPMA 和 pMEDSAH 丢得更少。这说明它们在进入膜内时更不愿意完全脱水，也更不愿意和膜内部环境形成紧密耦合。这与它们较弱的深层耦合行为是一致的。图5和图6的关系是：图5负责定性分析，看 $g(r)$ 峰高变化，直观感受“水合壳有多紧密”；图6负责定量统计，给出具体的配位数值。两者结合说明，pMEDSAH 和 pSPMA 在后期更容易保留一层含水外壳，这是它们抗污行为的关键机制。到这里，正文已经把“膜怎么变”、“离子怎么变”、“水怎么变”讲清楚了。下一步要问的，就是这些结构变化最后会不会在受力曲线和自由能曲线上留下同样的排序。如果会，前面的结构解释才算真正闭环。结果五：从受力到自由能的证据闭环前面的 Figure 3–6 已经说明，推进过程会伴随膜重排、离子重排和去溶剂化。这是最后一条验证线索：这些结构变化，最后能不能在力学和自由能上闭合成一个一致的解释？如果四阶段划分是真实的，那么 SMD 受力曲线和 US 自由能曲线应该在同样的位置出现信号转折——这就是“证据闭环”。图7：SMD 模拟中聚合物跨膜转运的受力时序曲线。展示四种聚合物在 320 ns SMD 模拟中跨膜转运时的受力 $F$ 随时间变化。每条曲线代表三次独立重复的平均值。聚合物从膜左侧接近并推向右侧。受力曲线特征：不同颜色曲线对应四种聚合物，峰值位置反映各阶段的动力学阻力。阶段分界：受力增长对应黏附建立，膜中心附近的峰值对应渗入和内化的势垒。颜色说明：四种聚合物分别用不同颜色曲线表示，曲线高度反映该时刻施加的力大小。图7的核心结论：最高力峰位于膜中心，说明 permeation 是阻力最大的步骤。阳离子聚合物（pDMAEMA 和 pMETAC）的力峰更高，说明它们与膜相互作用更强、推进时需要更大的力。相比之下，两性离子和阴离子聚合物（pMEDSAH 和 pSPMA）的力峰更低更窄，反映它们与膜的亲和力更弱——因为“不怎么粘”，所以通过更快，没有长时间持续的相互作用。这里有一个容易混淆的细节：pMETAC 的黏附力（292.9）比 pDMAEMA（236.6）更高，但最大受力却相反（pMETAC 1855.7 < pDMAEMA 1940.0）。这并不矛盾——$F_{\mathrm{adh}}$ 反映的是“界面一旦接触，谁更容易被膜抓住”，而 $F_{\max}$ 反映的是“推进过程中哪里最难”。pMETAC 虽然更容易被界面捕获，但后续推进相对顺畅；pDMAEMA 虽然界面捕获稍弱，但一旦深入膜内，需要克服更大的阻力才能继续推进。这说明界面吸附和深层推进是两个独立的物理过程。图8：聚合物向细菌外膜中心推进的势函数曲线。PMF 展示四种聚合物向细菌外膜（OM）中心转运过程的势函数。聚合物从左侧接近膜，沿反应坐标向右侧推进，黑色虚线标示细菌外膜中心位置 $z = 0$。自由能极小值：反映黏附稳定性，阳离子聚合物在 LPS 内核区域约 $z = 2.0$ nm 处出现更深极小值。中心势垒：膜中心区域的能量抬升反映渗入和内化阶段的自由能势垒。图8的核心结论：阳离子聚合物在 LPS 内核区（z ≈ 2.0 nm）有更深的自由能极小值，说明它们与带负电的糖残基（KDO 和 HEP）的静电相互作用更强。相比之下，pMEDSAH 和 pSPMA 的极小值更靠外（z ≈ 2.7 nm），且数值更接近零，说明它们的黏附更不利。从黏附态到膜中心，所有体系都需要克服显著的自由能势垒（$\Delta G^{\ddagger}$），证实 permeation 是动力学不利步骤——尤其 pMEDSAH 的势垒高达 266.4 kJ/mol。这里需要强调一个常被误解的点：图7的受力曲线和图8的 PMF 曲线是互补的，而不是重复。SMD 给出的是“沿着特定路径推进时遇到多大的阻力”，而 US/PMF 给出的是“去掉外力后，系统本身的热力学偏好”。两者结合才能完整回答“能不能继续往里走”：图7说动力学上多费力，图8说热力学上多不利——如果两个都说“很难”，那才是真的很难。统一指标表：把排序和设计建议放在一张图景里聚合物 $F_{\mathrm{adh}}$ $F_{\max}$ $\Delta G_{\mathrm{adh}}$ $\Delta G^{\ddagger}_{\mathrm{per}}$ pMETAC $292.9 \pm 11.7$ $1855.7 \pm 228.4$ $-761.3 \pm 12.1$ $82.8 \pm 12.1$ pDMAEMA $236.6 \pm 19.1$ $1940.0 \pm 102.2$ $-585.6 \pm 2.1$ $75.9 \pm 5.4$ pMEDSAH $154.3 \pm 31.7$ $1762.9 \pm 215.2$ $-440.4 \pm 2.1$ $266.4 \pm 4.4$ pSPMA $85.5 \pm 4.1$ $1704.3 \pm 97.2$ $-284.4 \pm 5.2$ $134.6 \pm 7.2$ 指标解释 $F_{\mathrm{adh}}$（黏附力）：聚合物到达膜表面时（反应坐标约4.4 nm处）的受力，反映界面捕获的难易程度。数值越大说明越容易被膜“抓住”。 $F_{\max}$（最大力）：跨膜全程中的最大受力值，通常出现在膜中心附近，反映 permeation 阶段的动力学阻力。 $\Delta G_{\mathrm{adh}}$（黏附自由能）：聚合物从体相到最稳定位置的自由能变化（PMF极小值），负值越大说明热力学上越有利于黏附。 $\Delta G^{\ddagger}_{\mathrm{per}}$（渗入势垒，per = permeation）：PMF极小值与膜中心（z=0）自由能的差值——像从山脚爬到山顶的高度差，数值越大说明越难向内推进。数据解读这张表把全文最重要的排序浓缩在一起。pMETAC 和 pDMAEMA 的 $\Delta G_{\mathrm{adh}}$ 更负（-761.3 和 -585.6 kJ/mol），说明它们更容易在界面建立稳定吸附——这与阳离子-LPS 的静电匹配一致。但 $\Delta G^{\ddagger}_{\mathrm{per}}$ 呈现不同排序：pMEDSAH 的渗入势垒高达 266.4 kJ/mol，远高于其他体系，说明它虽然能到达界面，但很难继续深入。这里有一个常被误解的细节：pMEDSAH 的”高势垒”不是缺陷，而是抗污优势。它的 $\Delta G_{\mathrm{adh}}$ 不够负（-440.4 kJ/mol），说明界面吸附不强；$\Delta G^{\ddagger}_{\mathrm{per}}$ 很高（266.4 kJ/mol），说明即便吸附了也不容易穿透。这种双重保守正是抗污材料需要的特性：既不愿意黏上去，就算黏上了也扒拉不进膜内。相比之下，阳离子聚合物虽然界面吸附更强，但渗入势垒相对较低（75.9 和 82.8 kJ/mol），说明它们一旦被膜”抓住”，后续推进反而相对容易——这对抗菌有利，但对膜扰动风险更高。把这张表和前面的 Figure 7、Figure 8 合起来看，本文其实是在反复强调同一个结论：界面捕获能力和向内推进能力需要分开判断。四阶段如何被交叉验证本文最重要的方法论贡献，是用五类独立观测量交叉验证了四阶段的边界：阶段构象特征受力信号自由能位置水合变化离子/接触变化接近（0-18 ns）聚合物距膜>6 nm 受力接近零 PMF平台区开始去溶剂化无膜接触黏附（18-34 ns）贴近LPS外层受力开始抬升 PMF极小值区（z≈2.0-2.7 nm）水合层部分保留阳离子与LPS inner core接触渗入（34-112 ns）向膜内推进受力持续增大 PMF爬坡区持续去溶剂化 $\ce{Ca^{2+}}$重排，LPS开始被拖拽内化（112-320 ns）到达膜内叶受力达到峰值 PMF势垒顶部两性离子保持高水合 LPS完全拖入内叶，形成瞬态nanopore 为什么这个交叉验证重要：单一指标容易误判。如果只看受力曲线，可能认为“力大 = 难推进”；但结合 PMF 会发现，力大可能是因为相互作用强（热力学有利），也可能是因为势垒高（动力学不利）。五类观测量互相印证。构象快照告诉你“聚合物在哪”，受力告诉你“推进多费力”，PMF 告诉你“热力学偏好什么”，水合告诉你“为什么两性离子不粘”，离子和接触告诉你“静电匹配在哪发生”。五条线索指向同一个四阶段边界，这才是可信的机制图景。拆解了“界面吸附”和“向内推进”。黏附阶段的 PMF 极小值说明界面热力学有利，但渗入阶段的 PMF 势垒说明继续推进动力学不利——这两个过程的物理驱动力不同，不能用单一电荷指标覆盖。设计建议的物理基础设计目标更关注的指标倾向的化学策略抗污优先高水合、低深层耦合提高两性离子特征，维持稳定水合壳层抗菌黏附优先更负的 $\Delta G_{\mathrm{adh}}$、更高 $F_{\mathrm{adh}}$ 保留阳离子单元并控制局部电荷分布穿膜递送优先较低 $\Delta G^{\ddagger}_{\mathrm{per}}$ 与适中吸附平衡电荷驱动与去溶剂化代价，避免过强界面“滞留” 结果逻辑图：从观测到结论 graph TB A("观测1：阳离子体系黏附更强") --> D("中间解释：LPS界面静电匹配更强") B("观测2：两性/阴离子体系水合保持更高") --> E("中间解释：水合壳层抑制深耦合") C("观测3：PMF显示中心区仍有势垒") --> F("中间解释：推进受结构重排与脱水代价限制") D --> G("结论：高黏附不等于高穿透") E --> G F --> G G --> H("设计建议：把界面捕获与深层推进分开优化") SI 数据如何增强正文可信度 SI 提供主结论的统计支撑： Table S1 给出四类聚合物净电荷与体积差异，为后续力学排序提供物理背景。 Table S3 给出 1.0 μs 自由链的 RMSD 与 Rg，证明比较是在已平衡链构象上进行。 Table S4 给出外膜面积与厚度收敛指标，证明膜基线结构可靠。 Table S5 给出各阶段 CN 绝对值，避免只看百分比造成误判。 FigS5 和 FigS6 给出 US 窗口重叠与分块分析，支撑 PMF 收敛。图S6：PMF 分块分析与收敛性检查图S6把每条 PMF 轨迹按采样时间分成多个 block，分别重建自由能曲线，用来判断不同时间块之间的轮廓是否一致。读图重点是不同 block 的极小值位置、中心势垒高度和整体轮廓是否基本重合。如果这些 block 曲线彼此接近，就说明 Figure 8 里的 PMF 不是某个短时间窗口偶然得到的结果；再结合 SI Figure S5 的窗口重叠情况，才能较有把握地说明 US 采样已经达到可接受收敛。关键结论与批判性总结核心结论这篇工作最重要的结论，是把“界面吸附”和“向内推进”明确拆成两个物理问题。阳离子聚合物更容易在外膜表面建立有利黏附，但这并不等于更容易完成后半程渗入。四阶段路径之所以有解释力，是因为构象、受力、自由能、水合和离子重排彼此能对上。文章把接近、黏附、渗入、内化这四步做成了可交叉验证的过程图谱。两性离子和阴离子体系的高水合保持，是它们偏向抗污而非深层扰动的关键原因。这一点在 Figure 5、Figure 6 和 Table S5 中都有相互支撑的定量证据。阳离子链推进过程中伴随 LPS 拖拽、$\ce{Ca^{2+}}$ 重排和局部 nanopore 形成，说明后半程的代价不只是聚合物自己进入膜内，还包括外膜组分被一起重构。局限与边界自由链不等于真实刷层。本文研究的是自由聚合物链与 OM 的相互作用，而不是显式接枝、显式高密度刷层，因此更接近“刷层末端链段如何与膜相遇”的机制上限，而不是完整表面体系的直接数值预言。膜模型仍然是受控简化体系。虽然外膜做成了 LPS 外层 + DPPE/DPPG 内层的不对称模型，但真实菌膜中的蛋白、拥挤效应、剪切环境和多组分竞争吸附都还没进入模型。 nanopore 与 LPS 拖拽主要来自模拟轨迹观察。这部分可以作为机制候选或结构后果来讨论，但还不能直接当作已经被实验独立证实的普适结论。粗粒化力场的精度仍有限。MARTINI 3 能高效覆盖大体系和长时间尺度，但对氢键、局部构象和精细水合结构的描述不如全原子模型，某些定量值更适合被看作趋势判断。动力学时间尺度还缺少直接实验标定。PMF 给出了后半程势垒，但真实渗入速率还受扩散系数和动力学前因子控制，这部分仍需和单细胞力谱、QCM、AFM 或荧光示踪实验对接。后续方向扩展到多链刷层体系：研究接枝密度、链长分布和刷层厚度对界面吸附与渗入行为的影响，建立从单链到刷层的跨尺度模型。结合全原子模拟细化关键步骤：对黏附和渗入的关键构象用全原子MD进行精细化模拟，验证粗粒化模型的定量准确性，尤其是水合结构和氢键网络的细节。拓展到其他细菌外膜组成：本文使用的是rough LPS（缺少O-抗原），而完整的smooth LPS具有更长的多糖链，可能显著改变聚合物的界面识别和渗入路径，需要系统比较不同LPS类型的影响。与实验数据定量对接：结合单细胞力谱、石英晶体微天平（QCM）和原子力显微镜（AFM）等实验手段，验证计算预测的黏附力、黏附自由能和渗入势垒，建立计算-实验闭环验证体系。本文结果表明，界面黏附强弱和后续渗入难度并不是同一个维度。approach 与 adhesion 可自发发生，而 permeation 与 internalization 仍受较大自由能势垒限制，因此材料设计不能只看单一电荷指标。

Specific Sytems · 2026-04-08

偶极复合驱动的聚电解质凝聚：从离子熵到相图

Specific Sytems · 2026-03-01

均聚物也能自组装：驱动力、设计策略与应用全景

Specific Sytems · 2026-02-19

树枝状大分子纳米粒表面与膜相互作用机理

树枝状大分子/纳米粒表面π体系与膜相互作用机理表面含芳香π体系的纳米粒子在与磷脂双层接触时，可通过多种弱相互作用介导结合和穿透，包括π–π堆积、CH/π（芳香环与脂肪链CH键的相互作用）、阳离子–π作用以及疏水π作用等。研究表明，带电子云的芳香环能与膜中脂质的脂肪链或头部形成特殊稳定接触。例如，Cheng等发现在蛋白质中，磷脂酰胆碱(PC)头部的胆碱阳离子可通过形成”阳离子–π盒”与芳香残基（如酪氨酸）π平面发生强烈吸引：”the PC choline cation interaction with amino acid π systems forms the PC-specific site“。类似地，带氨基的磷脂酰乙醇胺(PE)或磷脂酰丝氨酸(PS)头部的铵离子也可与芳香π体系产生电荷–π相互作用；这些作用帮助粒子在膜表面定位。在膜疏水区，纳米粒子的芳香环可以与脂质烷基链的碳氢键形成CH–π或普通的范德华疏水作用。Efimova等研究的阳离子吡啶苯基树枝状聚合物中指出，含π键的苯基单元通过疏水作用插入脂肪链区：”hydrophobic interactions of phenylene units with the hydrocarbon tails of lipids were observed“，导致脂质双层形成缺陷。此外，π–π堆积往往发生在纳米粒子自身的芳香链之间或与另一芳香表面之间。例如，电子丰富的苯环与电子缺乏的全氟苯环有相反的电荷分布，相对的π四极矩使它们形成强稳定的π–π堆积：”the equal but opposite quadrupole moments of benzene and its highly fluorinated aromatic analogs allow… stabilizing π–π stacking interactions“。总之，各类π相互作用共同影响粒子与膜界面的结合强度、定位和动力学。 π体系电子属性对膜作用的影响芳香基团的电子属性（富电子或缺电子）显著调节其与膜相互作用的模式。以Jordanova等人研究的两种喹啉（纳夫啶酰胺）树枝状聚合物为例：未取代的N,N-二甲基氨基-喹啉酰胺树枝体(Dab)（电子给予）深入并夹入了不饱和脂肪链的扭曲部位，使脂质尾部排序增强，而其3-溴衍生物Dab-Br（电子吸引）则主要留在脂质头部，通过静电与磷酸基作用。具体地说，作者报告：”Dab incorporates in the kink formed by POPC unsaturated tails… Dab-Br interacts electrostatically with the phosphate of phosphatidylcholine“。这表明电子丰富的π体系易插入膜疏水区，而带强吸电子基团的芳香环则倾向于停留在亲水头区，依赖静电结合。另一方面，芳香环的氟取代可彻底反转其电荷分布：蒙科维奇等指出，苯环密集的π电子云使其中心带负电，而全氟苯的π云被吸电子氟拉扯呈正电；两者形成互补四极矩，从而极易发生π–π叠加。全氟芳香族结构同时高度疏水，表现出类似”类疏水效应”的超疏水性，这意味着全氟芳香修饰的纳米粒表面对脂肪链区域具有更强的亲和力。因此，电子给出/吸引基团的引入不仅改变π–π和静电相互作用，还显著调控膜穿透和扰动能力。可见，通过化学修饰调节π体系的电子特性，是控制纳米粒膜结合方式的关键策略。磷脂分子直接互作机理及模拟/实验证据多项实验和模拟研究直接揭示了π基团与磷脂头部及尾部的相互机制。例如，阳离子吡啶苯基树枝体与含胆固醇的阴性脂质体研究发现：带高离子度外围（如D3^50+、D2^29+）的树枝体通过纯静电作用吸附于脂质体表面，这种结合可被盐洗脱，且不进入疏水层、对膜无破坏作用。相反，次生带负载（D2^15+）的树枝体在参与静电结合的同时，其内部苯基环还深入脂质尾部区与烷基链相互作用，形成难以逆转的缺陷。更极端的是小代（D1^6+），其高度疏水刚性结构直接破坏了膜结构，使脂质体崩解。这些结果强调了分子层面不同相互作用的协同效应。类似地，模拟研究也印证了π体系作用：All-atom MD显示，纯疏水的芳香聚合物纳米点（polydot）能自发穿透DPPC膜，而表面带羧基负电的polydot则被阻留在膜面。具体地，”不带电的芳香族polydot自发渗透膜，而羧基化的polydot需要外力才能进入膜内”。此外，石墨烯氧化物（GO）等二维π体系也与磷脂头区通过静电吸附，与尾区通过范德华力结合。一项Langmuir单层研究发现，GO同时插入DPPC的脂肪链、头部及水相中，其结合既有静电又有分散作用（类似CH/π与疏水作用）。综合来看，这些建模与实验结果从多角度验证了π相互作用在粒子–膜结合和扰动中的关键角色。电子效应调控的实验与模拟支持除上述具体实例外，还有不少研究通过改变π系统电子性质来测试膜相互作用的变化。例如，弗氟富化策略常用于调节π表面的极性和疏水性。蒙科维奇等的综述指出，全氟芳香体系的超疏水特征可以明显增加与脂质尾部的亲和，暗示类似改性可增强穿膜能力。实验上，对比带有不同电子属性取代基的树枝体也证实了这一点：富电子纳夫啶系树枝体导致脂肪链排列有序，而缺电子衍生物则主要作用于头部。另外，对于肽/蛋白体系，使用氟化芳香氨基酸替代技术可以区分c-π与膜插入效应，佐证了π电子密度对结合模式的影响。总体而言，既有的模拟和实验数据一致表明：通过引入电子给出/吸引基团改变π平面的极性与疏水性，确实会调控纳米粒与膜相互作用的强度和性质。其他纳米粒示例虽然上述例子主要涉及树枝状聚合物，但类似机制也见于其他芳香表面纳米粒。例如，以DPPC为模型脂质，酯芳烃聚合物(polydots)插入研究表明，无论纳米粒大小如何，其表面疏水度决定了跨膜能力。图1示例中展示了DPPC分子和聚对苯乙炔(polydot)结构，对应模拟中中性polydot穿透膜层，而阴离子端基化polydot留在膜表面。此外，类似石墨烯、纳米颗粒或有机微球等，只要表面含芳香π体系，同样可通过上述π相互作用机制调节膜结合。综上所述，不论是树枝体还是其他纳米粒，修饰不同π体系（电子云密度或取代基）均能显著影响其与磷脂分子的相互作用模式和生物界面行为。表面刚性疏水结构对膜相互作用的影响疏水”锚定”作用：研究指出，金刚烷等刚性脂环可作为脂质双层膜的”锚”。例如，Štimac等提出了”adamantane as an ‘anchor’ in the lipid bilayer“的概念，实验证实将金刚烷锚基引入脂质体后可牢固插入双层膜。类似地，带有疏水金刚烷基团的氨基脲化合物被包封在磷脂胆固醇脂质体中，其与膜的相互作用”could be ascribed mainly to the adamantane moiety“，提示金刚烷基团是驱动插入脂双层的主要因素。因此，引入刚性疏水环烃显著增强粒子与疏水膜内核的亲和力，促进吸附和插入。与此相对，未修饰或强正电荷表面的树枝状大分子往往只能通过静电吸附于膜表面而不易穿透。膜结构扰动与通透性：疏水芳香环或烯烃基团可引发双层膜缺陷和通透性改变。Efimova等系统研究发现，当树枝状大分子外围带有一定量的疏水苯基单元时，苯基与脂质烷基链发生疏水相互作用，导致双层出现不可逆缺陷。例如，对应混合性树枝体 (D₂₁₅⁺) 在磷脂体中形成双层缺陷；而高度疏水且空间刚性的G1树枝体 (D₁₆⁺) 则”caused significant destruction of liposomal membranes“。相反，完全带电的树枝体 (D₃₅₀⁺、D₂₂₉⁺) 仅通过静电吸附在膜表面，不穿透内层，也不破坏膜结构。在脂质体模型中，带有疏水金刚烷基团的胍盐化合物使膜通透率略增（诱导约15%的荧光染料泄漏），但其结合疏水尾插入膜内核后并未引起剧烈破坏。相反，一旦外源疏水域在膜内形成有序域（如四氢萘或脂链聚集），可促进脂质重组。Verma等发现，表面具有有序排列的交替疏/亲水基团的纳米颗粒能”penetrate the plasma membrane without bilayer disruption“，而随机分布的则主要被内体捕获。这说明表面刚性序列化排列有利于非内吞通道穿膜。膜蛋白/脂质重排效应：高分子–膜相互作用可诱导膜成分重排。文献指出，大分子结合膜后常伴随脂质或膜蛋白的聚集，促进脂质跨膜迁移并提高膜离子通透性。例如，AFM 实验证实，嵌入脂双层的金刚烷-肽链自发聚集成”域”（domain），将活性取代基（如糖基）暴露于膜外。这一”域”聚集机制表明，刚性疏水基团一面插入膜内，一面让亲水/活性团显示在外，可介导膜-膜间或膜蛋白识别、囊泡聚集，而无需破坏膜完整性。细胞摄取效率与途径摄取效率提高：引入疏水刚性基团通常能增强纳米粒子的细胞内化效率。树枝状大分子修饰大量疏水苯基或脂链后，整体疏水性提高，有利于跨膜扩散或内吞。例如，一项研究发现含ClPhIQ苯基配体的G4 PAMAM树枝体，其脂溶性显著上升，从而“allows for the dendrimeric molecule to pass into the cell”。相反，末端带亲水胺基的树枝体氨基质子化后很难穿透疏水膜。此外，多阳离子金刚烷基分支树枝体（HYDRAmers）在巨噬细胞和上皮细胞中表现出极高的摄取率，说明刚性疏水骨架有利于细胞吸收。内吞途径选择性：不同修饰可改变纳米粒子进入细胞的途径。Russier等报道，多阳离子金刚烷基树枝体的一/二代在不同细胞中主要通过不同途径内化：第一代主要经由clathrin介导内吞和巨胞饮，而第二代对这些通路抑制剂的敏感性明显降低。这提示，修饰基团的类型和构型可调控主要内吞途径。另有研究表明，若粒子表面排列有序，可实现部分能量无关的直接穿膜（见上文）。总体来看，正电荷和疏水性增强的粒子往往进入内体/溶酶体途径，而高度有序或超疏水表面则可能绕过传统内吞通路直接进入胞质。分子作用机理疏水相互作用：刚性疏水基团（环烃、芳香或烯烃）通过疏水嵌入膜内核，提高粒子–膜结合。例如，上述胍盐化合物表明其脂链”could interact with the lipid bilayer with hydrophobic interactions as well, and not only with electrostatic interactions“。同样，苯环单元与脂双链的强疏水相互作用可导致双层缺陷。因此，疏水相互作用是插入和膜扰动的主要驱动力。空间刚性诱导插入：刚性基团（如金刚烷笼）通过固定空间构型增强穿膜。金刚烷的笼状结构和高立体阻力使其在膜内形成稳定锚点。这种刚性使得带金刚烷的分子在膜内形成紧密”域”，难以散逸，同时将亲水部分推向膜外。与之类似，具有芳香环的刚性树枝体在插入膜时稳定性更高，可形成难逆转的膜缺陷。聚集行为：表面刚性疏水基团还可诱导纳米粒子自身和膜组分的聚集。如前述，胍盐金刚烷分子在载于脂质体后，促使互补载脂体粘附并形成多室结构。Verma等观察到的条纹状纳米粒子穿膜现象也暗示粒子可聚集形成有利于穿膜的排列。这种聚集与有序排列可改变局部膜曲率或张力，从而促进渗透。膜蛋白协同作用：虽然文献对膜蛋白特异性较少报道，但已有研究表明聚合物–膜相互作用可伴随膜蛋白的重排。例如，一些树枝体结合膜时可引起膜上蛋白和脂质的聚集。这可能意味着修饰表面基团还能影响纳米粒子与膜蛋白受体的相互作用，进而改变内吞和信号传导过程。综上所述，表面修饰的刚性脂环、芳香环或烯基通过增强疏水性和刚性，明显调控了纳米粒子与细胞膜的相互作用：它们作为膜内核的”锚”，促进纳米粒子插入和聚集，从而诱导双层膜缺陷或增强膜通透性；同时，这些修饰基团显著影响细胞摄取效率和途径，如金刚烷基树枝体可高效进入细胞并根据代数和官能团性质选择不同的内吞机制。这些发现为设计具有特定膜-粒子界面行为的表面工程纳米载体提供了指导：通过合理引入刚性疏水基团和调控其空间排列，可以实现对粒子吸附、穿膜和细胞内化路径的精确控制。

Specific Sytems · 2025-10-07

Mendelevium

Contact

Nano Polymers