基于核磁共振（NMR）数据科学的多模态与多任务协同策略，适用于多种可生物降解聚合物的研究

本研究提出一种多模态、多任务深度学习框架，整合分子描述符、热力学性质及核磁共振（NMR）动态信号，用于预测可降解聚合物的机械性能与降解动力学。通过SHAP分析，揭示了材料柔韧性与热稳定性对降解-力学平衡的关键影响，为可持续材料设计提供理论支持。

　　
本研究聚焦于可降解聚合物在海洋环境中的性能与降解平衡问题，通过整合多模态NMR动态数据与机器学习技术，建立了首个同时预测材料机械强度与长期质量损失的多任务分析框架。研究团队来自 Nagoya 大学生物农业研究生院，针对当前可降解材料研发存在的两大核心矛盾展开突破：一方面需要材料具备优异的机械性能以应对使用环境中的物理应力，另一方面材料必须具备足够的降解活性以减少环境累积。传统研发模式往往采用单一测试指标或孤立分析分子结构，导致难以系统解析材料性能与降解机制的内在关联。

在实验设计层面，研究选取了海洋环境中具有代表性的七种可降解聚合物（包括聚丁二酸丁二酯、聚己二酸/对苯二甲酸丁二酯等），通过真空过滤后的河口水体进行为期30天的降解实验。同时，构建了包含分子结构、热力学参数和NMR动态特征的多维度数据集。其中，NMR测试创新性地结合了时域弛豫谱（TD-NMR）的三种实验方法（Magic Sandwich Echo、Double Quantum、Magic and Polarization Echo），以及碳氢核的常规谱学分析，完整覆盖了材料分子链的静态结构特征和动态行为。

研究开发的核心工具是多模态-多任务深度学习框架，其创新性体现在三个方面：首先，突破性地将NMR动态弛豫时间（反映分子链运动能力）与热力学参数（玻璃化转变温度、结晶度等）进行数据融合；其次，建立同时优化四项关键指标的联合预测模型（包括拉伸强度、弹性模量、断裂应变和30天质量损失率）；最后，通过SHAP可解释性分析，成功揭示材料性能与分子结构之间的作用路径。

在关键发现方面，NMR动态数据展现出显著预测价值。TD-NMR测得的分子链弛豫时间与机械强度呈现负相关，这为理解材料降解机制提供了新视角：当分子链运动受阻（高弛豫时间）时，材料趋向于高强度但难降解的特性。SHAP分析进一步揭示，13C NMR主成分通过反映材料中酯基、酰胺基等降解敏感官能团的空间分布，与机械性能形成调控平衡。特别值得注意的是，氢谱中观察到的动态异构体比例与拉伸强度存在量纲关系，这种微观动态特性对宏观性能的预测贡献度超过40%。

研究团队还构建了多源数据融合的标准化流程：首先通过SMILES编码将分子结构转化为可计算的化学特征，然后采用溶剂峰校正和主成分分析优化NMR谱数据的输入格式，最后将热力学测试结果（DSC分析结晶行为、TGA测定热降解动力学）与动态NMR参数进行特征级融合。这种数据预处理策略有效解决了多源异构数据整合的难题，使模型在训练过程中能够自然捕捉结构-动态-性能的耦合关系。

模型验证阶段采用严格的交叉验证策略，将七种聚合物数据分为训练集（n=5）和验证集（n=2）。结果显示，在预测30天质量损失率时，模型RMSE达到0.18%，与实验误差控制在±3%范围内。在机械性能预测方面，最大应力预测值与实测值的平均偏差为8.7%，这主要源于不同测试标准（真空过滤环境与实验室标准环境）引起的降解速率差异。通过引入环境校正因子，可将偏差降低至5%以内。

研究提出的"结构-动态-性能"三维分析模型，为可降解材料设计提供了全新方法论。其核心价值在于：1）首次将NMR动态弛豫参数纳入材料性能预测体系，揭示分子链运动能力与降解速率的定量关系；2）通过多任务协同优化，发现材料机械强度与降解活性存在非线性平衡点，当弹性模量超过2.5GPa时，质量损失率会以指数形式下降；3）建立特征重要性评估系统，明确指出分子链柔顺性（由TD-NMR参数表征）和官能团空间排布（由13C NMR特征向量表示）是影响性能的关键变量。

在工程应用层面，研究团队已开发出配套的智能设计软件包，包含以下功能模块：分子结构优化器（基于SMILES特征提取）、动态特性模拟器（兼容多种NMR谱学数据）、多目标性能预测引擎以及降解路径可视化工具。该软件包已在实际研发中验证，成功指导出新型聚酯材料PBAA-2，其拉伸强度达到35MPa的同时，30天质量损失率达到82%，显著优于传统材料组合。

未来研究将重点拓展至三个方向：首先，构建覆盖更多降解敏感官能团的NMR特征库，计划新增酯基水解动力学和芳香环氧化特征参数；其次，将机器学习模型与高通量实验平台结合，实现从分子设计到性能验证的闭环研发；最后，开发基于本研究的材料生命周期评估模型，量化可降解聚合物的海洋环境贡献值。

本研究不仅为可降解材料开发提供了高效的技术路径，更重要的是建立了环境响应型高分子材料的系统理论框架。通过揭示分子动态特性与宏观性能的定量关联，为精准调控材料性能提供了理论支撑。这种多模态数据驱动的研发模式，预计可使新型材料从实验室到产业化周期缩短60%，同时降低30%以上的实验试错成本。