在化学材料领域中，深度学习已经展现出了巨大的影响力，加速了复杂化学体系的发现与理解。然而，由于聚合物结构高度复杂，聚合物化学，还缺少统一的深度学习框架。现有的自监督学习方法，通常将聚合物简化为重复单元，忽视固有的周期特征，从而限制模型在任务间的泛化能力。
近日，浙江大学Yuhui Wu, Cong Wang.，计剑/张鹏团队在Nature Computational Science上发文，提出了一种面向聚合物的周期感知深度学习框架，PerioGT。
在预训练阶段，构建了基于化学知识的周期先验，并通过对比学习整合进模型；在微调阶段，引入基于该先验的周期提示。同时，还构建了图增强策略，通过虚拟节点的方式融入额外条件，以建模复杂化学相互作用。在 16 个下游任务中，PerioGT 取得了领先性能。
实验验证还表明，PerioGT 成功发现了两个具有强抗菌能力的聚合物，展示了潜在的实际应用价值。结果表明，在模型中引入周期先验显著增强性能。
Periodicity-aware deep learning for polymers.聚合物的周期感知深度学习。
图1: 聚合物的周期感知深度学习periodicity-aware deep learning framework for polymers，PerioGT概述。
图2: 周期感知能力分析。
图3: 实例级别相似性。
图4: 潜在空间质量分析。
该项研究，提出了“周期性感知”的聚合物深度学习框架PeriodT。通过引入周期性先验知识与虚拟节点增强的图神经网络，显著提升了聚合物性质预测的准确性与泛化能力。在16项下游任务中，PeriodT均达到最优性能，并在湿实验中发现两种对MRSA具有强抗菌活性的聚合物。该研究为聚合物功能设计与高通量筛选提供了强大工具，推动了高分子材料智能化开发的进程。实验采用约100万条未标记聚合物数据进行自监督预训练，构建了基于图Transformer的编码器，引入周期性增强 与掩码节点建模 策略。在微调阶段，通过虚拟节点 集成分子量、共聚类型等附加信息，并使用周期性提示
增强结构感知。实验涵盖10项均聚物与6项共聚物性质预测任务，并与随机森林、polyBERT、TransPolymer等基线模型对比。在抗菌聚合物筛选中，研究团队通过迈克尔加成反应合成624种候选聚合物，构建含150个标记样本的训练集，并对模型预测的Top 30候选物进行湿实验验证。Wu, Y., Wang, C., Shen, X. et al. Periodicity-aware deep learning for polymers. Nat Comput Sci (2025). https://doi.org/10.1038/s43588-025-00903-9声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
