精准预测DNA序列用于目标手性碳纳米管分离及性能调控
单壁碳纳米管（SWCNTs）因其优异的电学、光学和力学性能，已广泛应用于电子器件、光学仪器、疾病检测、能量储存等多个领域。SWCNTs的结构由手性向量(n, m)定义，每一个向量坐标(n, m)都赋予碳纳米管不同的结构特点与功能特性。根据不同的应用需求，往往需要选择具有特定手性(n, m)的SWCNTs，以实现最佳性能表现。因此，发展高效的单手性SWCNTs分离方法，对于推动基础研究和实际应用具有重要意义。DNA在分离单手性SWCNTs方面有独特的优势。筛选有效的DNA序列是实现单手性SWCNTs分离的前提条件。近些年发展的“机器学习+实验迭代”方法大大提高了筛选可识别序列的成功率。然而，预测用于分离特定手性SWCNTs的DNA序列仍是一项艰巨挑战: 针对筛选用于分离碳纳米管的DNA序列存在效率低、准确率低的问题，本文发展了一种基于深度学习模型的DNA序列筛选方法，实现了对于分离目标手性碳纳米管的DNA序列的精准预测。该模型对(6,5)、(6,6)和(7,4)识别序列的预测准确率分别达到87.5%、90%和70%。在此基础上，通过模型预测和实验探索获得了大量(6,5)的识别序列，从而实现对于DNA-(6,5)复合物性能的系统调控，进一步揭示其潜在机制。
https://mp.weixin.qq.com/s/o8tSyoWiu5NHhKmbRBvr5g