Carbon Innovation | 南昆士兰大学Ashok Kumar Nanjundan教授：机器学习助力抗菌聚合物研究新突破

本文针对抗生素滥用导致的耐药性危机，研究利用机器学习模型预测并筛选针对革兰氏阳性菌（金黄色葡萄球菌）的有效抗菌聚合物。背景：抗生素耐药性预计到2050年每年造成1000万人死亡，合成聚合物因其低耐药风险成为替代方案，但针对革兰氏阳性菌的系统性研究不足。研究目的：基于129个数据点，采用决策树、随机森林和K近邻三种分类模型，通过交叉验证与SHAP分析，识别有效抗菌聚合物的关键结构特征及其最优范围。结论：研究发现七项关键特征（按重要性排序）：净电荷不超过+30、聚合度限制在40以内、疏水/阳离子比0.6–1、疏水组分比例35%–50%、阳离子组分比例45%–55%、预测cLogP在0至+1.5之间、引入芳香环结构。其中较低的聚合度和净电荷有助于穿透细胞壁，适度的阳离子与疏水比例协同破坏质膜。三种模型准确率达0.95，为高效抗菌聚合物设计提供了可靠指导框架。