图 周期性感知的高分子深度学习框架（PerioGT）示意图。（a）化学知识驱动的周期性增强和模型预训练过程；（b）基于周期性增强的对比学习；（c）模块化的图构建策略（PolymerGraphs）；（d）周期性提示增强的微调过程
在国家自然科学基金项目（批准号：52293381）等资助下，浙江大学高分子科学与工程学系计剑教授团队围绕高分子材料的智能设计与建模，提出了一种周期性感知的图神经网络学习框架PerioGT，有效应对了聚合物结构复杂性与数据稀缺性的双重挑战。相关成果以“周期性感知的高分子深度学习框架（Periodicity-aware deep learning for polymers）”为题，于2025年11月20日在线发表于《自然•计算科学》（Nature Computational Science）期刊上，论文链接：https://www.nature.com/articles/s43588-025-00903-9。
高分子材料由于结构复杂多样，具备高度可调的物理化学性质，被广泛应用于多个关键领域。结构的灵活性赋予材料极为广阔的性能设计空间，但也导致构效关系高度复杂，严重制约了理性设计效率。近年来，人工智能在小分子化合物、蛋白质等体系中取得重大进展，但在高分子领域的迁移应用仍面临结构难以表达、数据严重稀缺等挑战。针对上述难题，该研究构建了一种以自监督学习为核心的框架，提出以化学知识驱动的“周期性增强”策略作为结构先验。模型基于大规模无标签高分子结构数据进行预训练，通过对比学习，引导模型识别高分子重复单元的周期性模式，从而学习高分子通用的结构特征。同时，在微调阶段引入“周期性提示”机制，进一步提升对结构上下文的理解和泛化能力。此外，该研究还提出了一种模块化的图构建策略（PolymerGraphs），通过引入虚拟节点灵活融合全局与局部条件信息，实现对不同类型共聚物体系的适应性建模。
相较于现有主流方法，PerioGT不再将高分子简化为小分子处理，而是将高分子链结构的周期性作为模型训练的显式先验，增强了模型对高分子结构的理解。同时，PerioGT通过构建PolymerGraphs，可灵活整合分子量、组成比例、共聚方式等多维度信息，实现对多类型高分子体系的统一建模。与已有方法相比，PerioGT在基于公开数据集的全部16项高分子结构-性能预测任务中均取得最优效果。在此基础上，该研究以抗菌材料为例，展示了PerioGT在真实材料研发场景中的应用潜力。研究团队构建了一个包含数百种候选结构的高分子文库，PerioGT从中成功识别出2种具有强效抗菌活性的高分子结构。实验结果表明，PerioGT的预测成功率高达83%，显著优于既有方法。PerioGT为高分子材料的结构表示与性能预测提供了一种兼具可泛化性与可扩展性的统一建模方案，能够极大缩短高分子材料的迭代实验周期、提升研发效率，进一步推动了高分子材料研究从经验驱动迈向数据驱动的范式转变。