《Journal of Membrane Science》:Discovery of High-Diffusivity COF Fillers for Mixed-Matrix ECMO Membranes via Integrated Molecular Simulation and Active Learning
编辑推荐:
•整合分子动力学(MD)、机器学习(ML)和主动学习(AL),发现适用于ECMO的高扩散性共价有机框架(COF)。•UCB采集策略加速了筛选效率和模型收敛。•低骨架密度和大孔径主导了快速的CO2传输。•弱极性、π共轭通道使得跳跃扩散成为可能,实现ECMO中的CO2去除。引言自
- •
整合分子动力学(MD)、机器学习(ML)和主动学习(AL),发现适用于ECMO的高扩散性共价有机框架(COF)。
- •
UCB采集策略加速了筛选效率和模型收敛。
- •
低骨架密度和大孔径主导了快速的CO2传输。
- •
弱极性、π共轭通道使得跳跃扩散成为可能,实现ECMO中的CO2去除。
引言
自1953年Gibbon首次成功临床试用人工肺以来[1],体外生命支持技术历经数十年的完善。体外膜肺氧合(ECMO)现可为严重心脏或呼吸衰竭患者提供临时机械支持[2]。ECMO系统的核心是中空纤维膜模块,它介导血-气交换,因此直接决定氧输送和CO2去除[3]。聚(4-甲基-1-戊烯)(PMP)是目前长期ECMO氧合器的主流膜材料[4]。其不对称结构可实现高O2和CO2渗透率,同时有效防止血浆渗漏[3]。近年来,聚砜(PS)和聚醚砜(PES)[5], [6]作为有前景的替代材料,具有良好的机械强度、热稳定性和化学稳定性。此外,与化学惰性的PMP不同,PS和PES允许多种表面改性以提高血液相容性[7]。然而,PS和PES固有的致密分子结构严重限制了气体渗透率[8],其本征气体渗透率通常比PMP低1至3个数量级[9], [10]。克服这一传输限制对于开发具有临床相关气体交换性能的PES基ECMO膜至关重要。
混合基质膜(MMM)将多孔填料嵌入聚合物基质中,为致密聚合物增强气体传输性能提供了直接策略,它将聚合物的可加工性和机械完整性与多孔材料的分子传输特性相结合[11], [12]。该方法在气体分离和人工肺应用中已被广泛探索[12], [13]。例如,Wang等[14]通过将亲CO2的PFC-11纳米颗粒嵌入聚(2,6-二甲基-1,4-亚苯基氧化物)(PPO)基质,开发了基于氢键有机框架(HOF)的MMM用于人工肺应用。共价有机框架(COF)作为MMM填料尤其具有吸引力,因为其全有机组成可以促进与聚合物基质的相容性,同时其可调的孔结构和化学环境为控制气体传输提供了相当大的灵活性[15]。实验研究已展示了COF基MMM在CO2/CH4[16]、CO2/N2[17]和H2/CO2[15]分离中的应用,在适当的填料负载下,TpPa-1[18]和亚胺键连接的COF[19]等框架产生了显著的渗透率增强。然而,现有研究主要评估膜级分离性能,COF填料内部CO2传输的分子机制尚未得到充分了解。
这一知识空白尤为重要,因为COF的结构空间极其庞大。构筑单元、连接化学、拓扑、穿插、孔径和表面化学的变化产生了数千种具有显著不同传输特性的框架。因此,经验性试错筛选无法高效地识别最优填料或建立普遍的结构-传输关系。分子动力学(MD)模拟可以通过显式捕捉框架-气体相互作用和随时间变化的分子运动,为CO2传输提供原子级描述[20]。然而,对数千种COF进行MD模拟在计算上仍然难以实现。因此需要一种高通量代理策略来架通原子模拟与大规模材料筛选之间的桥梁。
机器学习(ML)提供了一种有效的方法,可从计算生成的数据集中学习结构-性质关系,并以显著降低的计算成本预测材料性质[21]。ML已成功应用于一系列聚合物和膜性质,包括热导率[22]、介电常数[23]、界面键合强度[24]和分率自由体积(FFV)[25]。它也被用于加速共价有机框架在过氧化氢光合成[26]方面的发现,并展示了在指导气体分离[27]、渗透汽化[28]和纳滤[29], [30]膜设计方面的潜力。这些进展表明,将MD导出的传输数据与ML结合,可以实现对大型COF文库的高效筛选。更重要的是,主动学习(AL)可以迭代识别最具信息量或最有前景的候选体以进行模型优化,从而减少所需昂贵模拟的数量。这种MD-ML-AL策略特别适合发现高扩散性COF填料,因为目标不仅仅是重现现有数据,而是高效探索广阔且稀疏采样的材料空间。
本文开发了一种整合计算框架,用于理性发现面向ECMO应用的PES基MMM的高扩散性COF填料(图1)。我们重点关注CO2扩散作为填料级筛选的主要描述符,因为高效的CO2去除是ECMO气体交换的关键要求,而CO2的较低扩散率和较大的动力学直径使其传输与膜性能尤为相关。首先,对98种代表性的CoRE-COF结构进行MD模拟,建立CO2扩散基准数据集。然后,使用结构、化学和理化描述符训练随机森林模型,并通过主动学习迭代优化,从ReDD-COFFEE数据库筛选超过1,700种候选COF。最后,基于溶解-扩散模型将预测的填料扩散率转化为MMM级CO2渗透率和CO2/O2选择性。该框架实现了对COF设计空间的系统性探索,揭示了快速CO2传输背后的结构和分子因素,为ECMO混合基质膜中高性能COF填料提供了通用设计原则。
章节摘要
COF数据库预处理
我们从两个成熟的数据库中选择了COF:CoRE-COFs v7.0[31](1,242种实验结构)和ReDD-COFFEE数据库中10,000种结构的一个多样子集[32]。由此得到的超过11,000种COF的文库涵盖了广泛的孔几何形状、拓扑和化学组成,为机器学习辅助高通量筛选提供了理想的基础。首先,为确保CO2分子的孔道可及性并避免过于开放的结构,
结果与讨论
我们首先分析了来自CoRE-COF和ReDD-COFFEE两个数据库的模拟CO2扩散数据,以及它们在t-SNE降维后的结构特征空间中的分布。这些数据建立了训练ML模型的基础结构-性质关系,而其分布特征决定了这些关系在AL迭代过程中泛化的有效性。然后我们对SHAP导出的特征重要性进行了详细分析,以评估
结论
本研究结果表明,COF的孔架构和骨架化学共同控制CO2传输,且这些关系可被有效利用以发现ECMO膜的高扩散性填料。在所考察的结构因素中,骨架密度、孔极限直径(PLD)和可及表面积(ASA)被确定为CO2扩散率的主要决定因素。特别是,具有足够大且
CRediT作者贡献声明
赵长生:写作–审阅与编辑,监督,方法论。王茂:写作–审阅与编辑,监督,项目管理,资金获取,形式分析,概念化。谭昊天:写作–初稿撰写,形式分析,数据整理,概念化。郭瑞倩:写作–审阅与编辑,资金获取,概念化。李震:形式分析,数据整理
利益冲突声明
? 作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
我们衷心感谢国家自然科学基金(52403195, 82502381)、四川省科技计划(2025YFHZ0145)和中央高校基础研究基金的资助。
谭昊天|李震|郭瑞倩|王茂|赵长生