基于GNN的MXene-MOF纳米酶设计与高性能葡萄糖生物传感研究学术报告
一、 研究作者、机构与发表信息
本研究的主要作者为 F. F. Tong 和 J. L. Han。第一作者及通讯作者为 F. F. Tong。研究机构均为中国泰州职业技术学院的二级学院，分别为医药与制药工程学院（College of Medicine & Pharmaceutical Engineering）和中德学院（Sino-German College）。该研究成果以学术论文形式发表在期刊《digest journal of nanomaterials and biostructures》的2025年10月至12月刊（Vol. 20, No. 4）上，具体页码为1539至1556。论文标题为“GNN-Directed Design of MXene–MOF Nanozymes Enabling High-Performance Peroxidase-like Biosensing for Glucose Assay”。
二、 学术背景与研究目的
本研究的科学领域聚焦于纳米酶（Nanozymes）、生物传感（Biosensing）以及人工智能驱动的材料设计（AI-directed materials design）。具体而言，研究旨在开发一种新型的、具有过氧化物酶（Peroxidase, POD）样活性的纳米酶，并将其应用于葡萄糖检测。
研究的背景源于当前全球糖尿病管理的迫切需求，即开发准确、稳定且易于获取的血糖监测技术。传统的生物传感器高度依赖天然酶（如辣根过氧化物酶，HRP），但这些生物催化剂存在成本高、储存条件苛刻、在非生理条件下易失活等固有缺陷，限制了其在即时检测和资源有限环境中的应用。为此，纳米酶——即具有类酶催化活性的纳米材料——作为天然酶的稳定且经济的替代品应运而生。其中，二维过渡金属碳化物/氮化物（MXenes）和金属有机框架（Metal-Organic Frameworks， MOFs）是构建高性能纳米酶的两个极具前景的平台。MXenes以其类金属导电性、亲水性和丰富的表面官能团著称；MOFs则拥有极高的比表面积、可调的孔隙结构和均匀分布的金属活性位点。然而，两者单独使用时各有短板：MXene纳米片易因范德华力而堆叠团聚，导致活性位点减少；而大多数MOFs导电性差、结构稳定性不足，不利于催化过程中的电荷转移。
基于此，研究团队提出了一个核心假设：通过构建MXene-MOF杂化材料，可以实现协同增效。即利用高导电的MXene作为支撑骨架，促进电子快速传输至MOF的活性位点；同时，MOF晶体可作为间隔物，防止MXene片层的重新堆叠，从而创造出性能超越单一组分的复合材料。
本研究的创新之处在于，它彻底摒弃了传统的“试错法”材料发现模式，转而采用一种现代的数据驱动范式。其核心目标是：利用图神经网络（Graph Neural Network， GNN）这种特别适合处理材料原子图结构的人工智能模型，从大量虚拟候选结构中逆向设计并预测出具有最优POD样活性的MXene-MOF杂化结构，并通过实验验证，最终构建一个高性能的葡萄糖比色生物传感器。这代表了材料科学从“偶然发现”到“理性计算设计”的根本性转变。
三、 详细研究流程
本研究是一个完整的集成工作流，包含以下几个主要环节：
流程一：GNN导向的计算设计与筛选 此流程的核心是利用人工智能模型预测并筛选最佳材料结构。 1. 虚拟库构建与数据准备：研究首先构建了一个包含1500个假设性杂化结构的虚拟库。这些结构通过系统改变MOF的连接体类型、金属节点（如Cu, Fe, Co）、MOF负载密度以及在Ti₃C₂Tₓ MXene基底上的界面几何构型而生成。 2. 关键活性描述符计算：为了评估催化活性，研究采用密度泛函理论（Density Functional Theory, DFT）计算了每个杂化结构中羟基自由基（•OH）的结合能。•OH是过氧化物酶样催化反应中的关键中间体，其结合能是催化活性的有效描述符。 3. GNN模型的训练与验证：研究利用上述DFT计算得到的150个MXene-MOF结构数据作为训练集，训练了一个图注意力网络（Graph Attention Network, GAT）模型。该模型将原子结构转换为图模型（原子为节点，化学键为边），学习结构与•OH结合能之间的复杂非线性关系。模型在独立验证集上表现优异，预测结合能与DFT计算值相比，平均绝对误差（Mean Absolute Error, MAE）仅为0.08 eV，决定系数（R²）高达0.985，证明了其作为DFT低成本、高精度替代模型的可靠性。 4. 高通量虚拟筛选：训练好的GNN模型被用于对1500个候选结构进行高通量虚拟筛选。筛选结果以“火山图”形式呈现，揭示了催化活性与材料组成/负载量之间的“火山型”关系。模型成功识别出一个位于火山顶附近的、预测活性最优的结构：质量比为2:1的Cu-BTC MOF生长在Ti₃C₂Tₓ MXene片上形成的复合材料。这为后续实验合成提供了明确、理性的目标。
流程二：GNN指导下的MXene-MOF杂化材料合成与表征 根据GNN筛选结果，研究团队进行了目标材料的实验制备与全面表征。 1. 材料合成：采用原位生长法合成GNN预测的最优结构。首先将剥离的Ti₃C₂Tₓ纳米片分散在溶剂中，通过静电引力吸附铜前驱体（Cu(NO₃)₂·3H₂O），然后缓慢加入有机连接体（H₃BTC）溶液，最后通过水热反应（120°C, 12小时）使Cu-BTC MOF在MXene片表面结晶生长。作为对比，也合成了纯的Cu-BTC MOF。 2. 结构与形貌表征： * 扫描电子显微镜（SEM）：显示了从层状Ti₃AlC₂ MAX相到剥离的Ti₃C₂Tₓ纳米片，再到纯Cu-BTC MOF规则八面体晶体，以及最终MOF晶体均匀锚定在MXene片上的杂化材料形貌演变，证实了MOF有效阻止了MXene的再堆叠。 * 透射电子显微镜（TEM）与高分辨TEM（HRTEM）：确认了MOF晶体与MXene薄片的紧密接触。HRTEM图像清晰显示了来自MXene (100)晶面（晶面间距0.25 nm）和Cu-BTC MOF (222)晶面（晶面间距1.1 nm）的两套晶格条纹，证明了二者在界面处形成了高质量的直接异质结。 * X射线衍射（XRD）：谱图表明，杂化材料的衍射峰是剥离MXene的宽化(002)峰与Cu-BTC MOF尖锐特征峰的叠加，证实了复合材料中两者晶体结构的完整性。 * 傅里叶变换红外光谱（FTIR）与拉曼光谱（Raman）：FTIR光谱中Ti-O键和羧酸盐峰在杂化材料中发生轻微位移，表明MXene与MOF之间存在强烈的电子相互作用（如配位或氢键）。拉曼光谱进一步证实了杂化材料中两种组分特征振动模式的存在。 * X射线光电子能谱（XPS）：宽扫谱证实了材料含有Ti, C, O, Cu元素。Cu 2p谱显示Cu²⁺的特征峰及卫星峰，证实了MOF金属节点的氧化态。最重要的是，O 1s高分辨谱显示了一个位于531.2 eV的新峰，归属于Ti–O–Cu界面键，为两者间的强共价/配位连接提供了直接光谱证据。 * 氮气吸附-脱附分析：测得杂化材料的比表面积（BET）高达820 m²/g，其等温线兼具I型（微孔，来自MOF）和IV型（介孔，来自MOF晶体与MXene片间的空隙）特征，表明材料具有丰富且可及的孔道结构，有利于底物扩散。
流程三：过氧化物酶样活性评估与动力学分析 此流程旨在定量评估所合成纳米酶的催化性能。 1. 活性评估实验：以3,3‘,5,5’-四甲基联苯胺（TMB）为显色底物，H₂O₂为氧化剂，通过监测652 nm处氧化TMB（oxTMB）吸光度随时间的变化，评估材料的POD样活性。 2. 结果分析：时间分辨紫外-可见光谱显示，MXene-MOF杂化材料的催化速率远高于纯MOF、纯MXene以及两者的物理混合物。定量比较初始反应速率表明，杂化材料的催化性能是纯MOF的近8倍，是纯MXene的20倍以上，展现了显著的协同增强效应。该活性在pH 4.0和45°C时最优。 3. 稳态动力学分析：通过改变H₂O₂或TMB浓度并测定初始反应速率，获得米氏曲线（Michaelis-Menten plot）。经Lineweaver-Burk变换后，计算出动力学参数。杂化材料对H₂O₂的米氏常数（Km）低至0.12 mM，比天然HRP（3.7 mM）低30倍以上，表明其对底物H₂O₂具有极高的亲和力。同时，其最大反应速率（Vmax）也显著高于单一组分，证明了其优异的催化转化效率。
流程四：葡萄糖比色生物传感性能测试 将高性能纳米酶应用于实际生物传感。 1. 传感原理与构建：构建了一个双酶级联反应体系。第一步，葡萄糖氧化酶（GOx）特异性氧化葡萄糖生成H₂O₂；第二步，MXene-MOF纳米酶利用生成的H₂O₂催化TMB氧化显色。显色强度与初始葡萄糖浓度成正比。 2. 分析性能评估：优化条件后，建立了吸光度与葡萄糖浓度的标准曲线。在1.0 μM至250 μM范围内呈现优异的线性关系（R² = 0.998）。采用3σ/S方法计算出检测限（Limit of Detection， LOD）低至0.72 μM。 3. 选择性与稳定性测试：在10倍过量的抗坏血酸、尿酸、果糖、乳糖等常见干扰物存在下，传感器对葡萄糖的响应信号变化可忽略，显示出高特异性（源于GOx的特异性）。将纳米酶悬浮液在4°C储存30天后，仍保留超过95%的初始活性，表现出卓越的长期稳定性。 4. 实际样品分析：将传感器应用于加标的人血清样本进行回收率实验。测得回收率在97.2%至104.5%之间，相对标准偏差（RSD）均小于5%，结果与商用血糖仪测定值高度一致，证明了其在复杂生物基质中的准确性和可靠性。
四、 主要研究结果及其逻辑关联
研究各流程的结果环环相扣，逻辑严密： 1. GNN筛选结果（流程一）：GNN模型以高精度（MAE=0.08 eV， R²=0.985）预测了•OH结合能，并从1500个候选者中成功逆向了最优结构——2:1的Cu-BTC/Ti₃C₂Tₓ。这不仅是本研究的起点，更关键的是，它以一种数据驱动的方式取代了传统试错法，为后续的合成实验提供了明确且有理据的目标，这是整个研究的方法论基石。 2. 材料表征结果（流程二）：系列表征（SEM, TEM, XRD, FTIR, XPS, BET）全面证实了GNN预测结构被成功合成。SEM/TEM证明了MOF在MXene上的均匀锚定与防止堆叠的形貌；XRD/FTR/Raman证实了两者结构的完整性及界面相互作用；XPS直接证实了关键的Ti-O-Cu界面化学键；BET则展示了高比表面积（820 m²/g）。这些结果从物理化学层面验证了GNN设计的可行性，并为解释后续的优异催化性能提供了结构基础：高导电MXene骨架、丰富的MOF活性位点、防止堆叠的高比表面积、以及促进电荷转移的强界面耦合。 3. 催化性能结果（流程三）：活性测试证实了杂化材料显著的协同增强效应（8倍于MOF，20倍于MXene）。动力学分析揭示了其超低的Km值（0.12 mM）和高Vmax。这些定量结果直接验证了GNN模型预测的高活性，并将前一步的结构优势（如强界面耦合促进电子转移）与功能优势（高亲和力、高转化率）联系起来。文中提出的催化机制图（图9）进一步阐释了这种联系：MOF中的Cu²⁺位点通过类芬顿反应产生•OH，而导电的MXene作为“电子高速公路”加速了Cu²⁺/Cu⁺氧化还原循环，从而极大提升了整体催化速率。 4. 传感应用结果（流程四）：基于优异的纳米酶性能，构建的生物传感器实现了对葡萄糖的高灵敏（LOD=0.72 μM）、宽线性（1.0-250 μM）、高选择性、高稳定性的检测。实际血清样本中的高回收率和低RSD 最终证明了GNN设计的MXene-MOF纳米酶在真实、复杂的应用场景（临床诊断）中的有效性和实用价值，完成了从“理性设计”到“高性能应用”的闭环验证。
五、 研究结论与价值
本研究成功开发了一种由GNN模型指导设计的、具有高性能过氧化物酶样活性的Cu-BTC/Ti₃C₂Tₓ MXene-MOF杂化纳米酶。其主要结论与价值在于： 1. 方法论价值：研究展示了一种将人工智能（GNN）与实验材料科学相结合的高效范式。通过GNN进行逆向设计和虚拟筛选，能够快速探索广阔的化学空间，精准定位最优材料架构，极大地加速了高性能功能材料的发现与理性设计进程，代表了材料科学研究范式的转变。 2. 科学价值：成功揭示了MXene与MOF杂化产生的协同催化机制。高导电MXene促进电子转移，多孔MOF提供高密度活性位点，两者通过强界面耦合（Ti-O-Cu键）实现功能集成，产生了远超单一组分的催化性能，特别是对H₂O₂表现出远高于天然酶的超强亲和力（Km值极低），这为设计新型高效纳米酶提供了重要的理论依据和设计思路。 3. 应用价值：基于该纳米酶构建的葡萄糖比色生物传感器，具备灵敏度高、检测限低、线性范围宽、选择性好、稳定性强等优点，并且在复杂的人血清样本中表现出优异的准确性和可靠性。这证明了其在临床血糖监测、特别是即时检测（POCT）领域的巨大应用潜力。
六、 研究亮点
七、 其他有价值内容
本研究还提供了详实的实验细节，如具体的合成步骤、反应条件、表征参数和分析方法（如稳态动力学分析、检测限计算方法、回收率实验等），使其具有高度的可重复性。此外，论文在结果部分将所开发传感器的性能与近期报道的其他纳米酶基葡萄糖传感器进行了列表对比（表1），直观地展示了其在检测限、线性范围等关键指标上的竞争优势，进一步突出了本项工作的先进性和实用价值。文末明确提供了数据和材料的获取途径，符合开放科学的原则。