贝叶斯优化与基于图的流变学实现了DNA材料的序列依赖建模

连接分子性质与涌现性质对于软物质设计至关重要。合成 DNA 材料在这一背景下具有吸引力，因为其序列设计空间支持广泛的材料性质。DNA 材料的定向设计受限于尺度差异以及对庞大设计空间的人工探索。我们通过一种计算工作流程来应对这一挑战，该流程将序列层面的设计与流变学材料性质联系起来。具体而言，我们利用机器学习对可扩展、具备 DNA 序列感知能力的模拟进行参数化，并随后采用基于图的方法评估其流变学性质。在我们的示例中，我们研究由单链组装而成、具有自相互作用和多价性的 DNA 纳米星所构成的材料。纳米星的结构与柔性通过核苷酸层面的 oxDNA 模拟进行量化，从而实现对更粗粒化的珠-弹簧模型的贝叶斯优化。该珠-弹簧模型能够高效模拟纳米星之间的网络形成过程，其行为受杂交自由能控制，而该自由能通过 oxDNA 和 NUPACK 计算得到。纳米星的价态和网络连通性通过我们扩展以纳入流体动力学相互作用的基于图的方法，被转化为流变学材料性质，并与实验参考数据表现出良好一致性。我们通过分析 DNA 材料的理论图表示对研究结果进行了推广，并展示了机器学习如何优化序列亲和性以产生期望的流变学响应。我们的工作表明，机器学习能够跨越尺度并自动化粗粒化过程，从而通过序列—性质关系促进 DNA 材料的定向设计。

连接分子层面与涌现性质对于软物质设计至关重要。合成 DNA 材料在这一背景下具有吸引力，因为其序列设计空间支持广泛的材料性质。DNA 材料的定向设计受限于尺度差异以及对庞大设计空间的人工探索。我们通过一种计算工作流程应对这一挑战，该流程将序列层面的设计与流变学材料性质联系起来。具体而言，我们利用机器学习对可扩展的、具有 DNA 序列感知能力的模拟进行参数化，并随后采用基于图的方法评估其流变行为。

在本文的示例中，我们研究由单链组装而成、具有自相互作用和多价特性的 DNA 纳米星所构成的材料。纳米星的结构与柔性通过核苷酸层级的 oxDNA 模拟进行量化，从而能够对一个更粗粒化的珠簧模型开展贝叶斯优化。该珠簧模型允许高效模拟纳米星之间的网络形成，其过程由杂交自由能控制，而这些自由能通过 oxDNA 和 NUPACK 计算得到。纳米星的价态和网络连通性通过一种基于图的方法转化为流变学材料性质；我们对该方法进行了扩展以纳入流体动力学相互作用，从而与实验参考数据取得了良好一致性。

我们通过分析 DNA 材料的理论图表示对上述发现进行了推广，并展示了机器学习如何优化序列亲和性以产生期望的流变响应。我们的工作表明，机器学习能够弥合尺度差异并自动化粗粒化过程，从而通过序列—性质关系促进 DNA 材料的定向设计。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.27.728076v1?rss=1

🏷️ DNA材料 贝叶斯优化 图方法 流变学 序列-性质关系 机器学习建模