新刊推荐 | npj Soft Matter 二月论文解读

表面活性剂-脂肪醇比例对层状凝胶相双层膜的物理机械性能的影响

Effect of surfactant-fatty alcohol ratio on physico-mechanical properties of lamellar gel phase bilayers

图1：以FAs和BTMS为表面活性剂组成的Lβ相双分子层的全原子分子模拟

这项研究针对层状凝胶网络（LGNs）在制药和化妆品（如护发素）中的关键作用，探讨了表面活性剂浓度对LGN双层膜物理性能和稳定性的影响，通过原子级分子动力学（MD）模拟填补了相关知识空白。作者模拟了不同重量百分比的鲸蜡醇和硬脂醇与山嵛三甲基硫酸甲酯（BTMS）表面活性剂的组合，在298K条件下保持双层膜处于层状凝胶相。研究发现，随着BTMS含量的增加，双层膜厚度、脂质面积增大，脂质有序参数降低，但这些变化呈非单调依赖性：机械性能如拉伸模量和剪切粘度在中等BTMS水平达到峰值后下降。作者观察到较高BTMS浓度导致脂肪醇链倾斜，以适应更长的表面活性剂分子，并从Lβ相向Lβ'相转变，从而增加分子无序度。结果表明，当BTMS含量低于特定阈值时，双层膜的机械抗性最高，建议存在着优化表面活性剂浓度的范围，以平衡厚度与脂质排列有序性。通过MD模拟，作者证明了增加BTMS重量百分比最初导致更硬的凝胶相双层膜，但最终因无序和倾斜加剧而变软。这种非单调变化突显了LGNs中分子力间的微妙平衡。该工作的方法包括使用PackMol生成Lβ相双层模型，GROMACS软件进行温度和压力控制下的MD模拟，并通过轨迹数据计算物理和机械性能。该研究为LGN配方设计提供了宝贵见解，有助于优化消费者护理产品的质地和性能，并为未来探索链长或头基化学变异的影响奠定基础。

深度神经网络方法预测低分子相变材料的熔点

A deep neural network approach for predicting the melting point of low-molecular phase change materials

图2： DNN-O模型的架构与工作流程

这项研究针对低分子相变材料（PCMs）在热管理中的高潜热存储能力、化学稳定性和非腐蚀性，强调其熔点对应用效率的关键作用，开发了一种深度学习神经网络（DNN）模型，以高效预测熔点，克服传统方法的费力和随机性。现有预测方法分为基于描述符的和分子动力学（MD）方法，前者高效但准确性低，后者准确但计算密集且不适合高通量预测。为此，作者引入了一种新型DNN模型，利用局部结构特征预测熔点，包括DNN-O（原始）、DNN-P（带相分类器）和DNN-CP（带化合物和相分类器）三种变体。研究使用t-分布式随机邻域嵌入（t-SNE）和主成分分析（PCA）可视化MD构型提取的潜在空间特征，揭示晶体和液体相的明显聚类模式。模型的核心在于局部结构特征的相关性，通过PCA应用于表示这些相关的张量，显示晶体和液体构型间的清晰分离，并与构型温度与熔点差（ΔTm）相关趋势。通过将相关张量与全局特征张量串联，模型有效捕捉不同构型的ΔTm。性能评估使用平均绝对误差（MAE）和均方根误差（RMSE），DNN-O变体在液体构型熔点预测中表现最佳，而额外输入特征改善了晶体构型的性能。对比分析显示，DNN模型在准确性上超越了以往机器学习方法。该研究得出结论，新开发的通用DNN模型通过处理单个构型而非广泛MD轨迹高效预测低分子PCMs熔点，大幅降低计算成本，同时保持高准确性。模型的物理基础透明，将局部结构相关性与相变温度变化联系起来。该工作为材料科学提供了强大工具，用于高通量PCM熔点预测，加速材料发现过程，并在各种应用中促进智能设计。未来可扩展至其他关键相变，潜在革新多学科材料设计策略。