传统的高催化活性的纳米酶的设计开发依赖于不断的实验室合成筛选，面临着耗时耗力的挑战。如何采用智能化的方法，进行纳米酶催化类型和活性的预测，成为了摆在研究人员面前的难题。借助人工智能手段，如机器学习（ML）来预测纳米酶的性能是一个富有潜力的解决方案，有望加速高催化活性的纳米酶的发现。

本研究优化了ChatGPT提示工程技术，并证明了ChatGPT可以与人类合作高效地收集数据。然后，利用获得的数据来训练ML模型，用于预测纳米酶的催化类型和活性。对于预测纳米酶的催化类型，建立了RF、DT、adaboost-RF和adaboost-DT四种定性模型，发现adaboost-DT模型具有优异的预测能力。对于预测纳米酶的催化活性，使用了RF、DT、SVR、GBR和DNN五种定量模型，发现GBR模型对纳米酶催化活性的预测性能优于其他模型。最后，开发了一个开放的网络资源AI-ZYMES（网址：aizymes.github.io），用于预测纳米酶的催化类型和活性。此外，还开发了一个基于ChatGPT的纳米酶机器人，用于指导纳米酶的实验室合成。这项研究展示了ChatGPT如何改变研究人员与文献的交互方式，并为ChatGPT在纳米酶领域的潜在应用提供了新的可能性。（孙利平/文图 高霞/审核 刘晨/编发）

论文链接：https://pubs.acs.org/doi/abs/10.1021/acs.jcim.4c00600