大分子相分离与自组装中的凝聚态化学

史绍康; 赵莉; 吕中元

doi:10.7536/PC20250722

化学进展 ›› 2026, Vol. 38 ›› Issue (1) :141-150 DOI: 10.7536/PC20250722

综述与评论

扫码查看或转发全文

大分子相分离与自组装中的凝聚态化学

史绍康 ¹ ,
赵莉 ² ,
吕中元 ¹^,^*

作者信息 +

Condensed Matter Chemistry in Macromolecular Phase Separation and Self-Assembly

Author information +

文章历史 +

摘要

本文综述了大分子相分离与自组装领域中凝聚态化学的研究进展，重点关注聚合物凝聚态结构与形貌调控、生物大分子凝聚体的功能机制，以及多尺度理论模拟方法的应用。研究显示，化学反应对聚合物凝聚态结构具有显著影响，其多层次结构的演化过程高度依赖于具体的凝聚态反应条件。聚合诱导的相分离与自组装是调控其结构与形貌的重要手段，而动力学因素的耦合在斑图形成中具有关键作用。在生物体系中，固有无序蛋白的液-液相分离及其凝聚体的形成对细胞功能至关重要，这些凝聚体不仅能调节细胞内部生化反应，还通过反馈机制影响自身形成，构成复杂的动态网络。上述过程对研究方法提出了更高要求。多尺度理论模拟，尤其是分子动力学与蒙特卡罗相结合的杂化方法，为揭示不同反应条件下多层次结构的演化提供了有力工具。然而该领域目前仍存在诸多挑战，包括聚合物相分离驱动力的精准调控、生物大分子凝聚体结构与功能的高精度模拟等。未来研究应聚焦于凝聚态反应对聚合物结构动态演化的影响机制，系统解析生物大分子凝聚体的结构调控规律，并进一步探索化学修饰对其多层次结构的作用模式，以期为凝聚态化学的发展提供新的理论支撑与研究方向。

Abstract

This review summarizes recent advances in condensed matter chemistry within the field of macromolecular phase separation and self-assembly， with emphasis on polymer structure and morphology regulation， functional mechanisms of biomolecular condensates， and the application of multiscale theoretical simulations. Studies have shown that the hierarchical structures of polymers are highly sensitive to reaction conditions. Polymerization-induced phase separation and self-assembly represent key strategies for controlling structural evolution， while the coupling of kinetic factors plays a pivotal role in pattern formation. In biological systems， liquid–liquid phase separation of intrinsically disordered proteins and the subsequent formation of condensates are critical for cellular function. These condensates not only regulate biochemical reactions within their compartments but also undergo feedback regulation by these reactions， thereby forming complex dynamic networks. These intricately coupled processes call for more advanced methodologies. In this context， multiscale theoretical simulations， particularly hybrid approaches that integrate molecular dynamics and Monte Carlo methods， provide powerful tools to probe the formation and evolution of hierarchical structures under varying reaction conditions. Despite significant progress， several challenges remain. For instance， precise control over the driving forces of polymer phase separation and high-fidelity simulations of biomolecular condensate structure and function continue to be pressing issues. Future studies should focus on elucidating the dynamic effects of condensed-phase reactions on polymer hierarchical structures， systematically dissecting the structural regulation of biomolecular condensates， and further exploring the impact of chemical modifications on their multiscale organization. Such endeavors will not only deepen our understanding of the fundamental principles of condensed matter chemistry but also provide new theoretical support and research directions for the advancement of this field.

Contents

1 Introduction

2 Condensed phase structures and morphologies of polymers

2.1 Structures and morphologies of polymers

2.2 Mechanisms of polymerization-induced phase separation（ PIPS） and self-assembly（ PISA）

2.3 Role of kinetic coupling in pattern formation

3 Biomolecular condensates and functional phase separation

3.1 Liquid-liquid phase separation （LLPS） of intrinsically disordered proteins

3.2 Formation and function of biomolecular condensates

3.3 Feedback between biochemical reactions and condensate formation

4 Multiscale theoretical modeling approaches

4.1 Coarse-grained modeling of macromolecular systems

4.2 Hybrid molecular dynamics/Monte Carlo （MD/MC）techniques

4.3 Simulation of structure evolution under condensedphase conditions

4.4 Modeling challenges in reactive and biological systems

5 Challenges and future perspectives

Graphical abstract

关键词

凝聚态化学 / 聚合物 / 液-液相分离 / 多层次结构 / 多尺度模拟

Key words

condensed matter chemistry / polymer / liquid-liquid phase separation / hierarchical structure / multiscale simulation

引用本文

引用格式 ▾

史绍康, 赵莉, 吕中元. 大分子相分离与自组装中的凝聚态化学[J]. 化学进展, 2026, 38(1): 141-150 DOI:10.7536/PC20250722

Shaokang Shi, Li Zhao, Zhongyuan Lü. Condensed Matter Chemistry in Macromolecular Phase Separation and Self-Assembly[J]. Progress in Chemistry, 2026, 38(1): 141-150 DOI:10.7536/PC20250722

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

“凝聚态化学”一词最早由徐如人等提出，其核心观点是：化学反应的过程和产物不仅取决于反应物本身的结构与组成，还受到物理和化学环境，特别是具有多层次结构复杂体系的共同影响^［1］。近年来，凝聚态化学在解析复杂分子体系的结构-功能关系以及实现其精准调控方面展现出广阔前景。随着材料科学与生命科学的深度交叉，聚合物与生物大分子的凝聚态行为逐渐成为该领域的重要研究对象。与传统的物理状态转变过程不同，凝聚态化学反应往往伴随着从分子尺度到宏观尺度的多层次结构动态演化，其背后蕴含着复杂的热力学与动力学耦合机制。因此，系统总结大分子凝聚态结构的形成机制、功能调控策略以及相应理论模拟方法，对于推动该领域的理论发展与实验设计具有重要意义。

在大分子体系中，相分离与自组装现象普遍存在，是理解其凝聚态行为的核心要素。对于合成大分子而言，聚合诱导相分离（Polymerization-induced phase separation， PIPS）和聚合诱导自组装（Polymerization-induced self-assembly， PISA）已成为构筑有序形貌与多层次结构的重要策略。在此过程中，化学反应条件、反应速率与扩散行为之间的耦合直接决定了多层次结构生成的方式与稳定性。

在生物体系中，液-液相分离（Liquid-liquid phase separation， LLPS）同样展现出重要的功能性。尤其是由固有无序蛋白驱动形成的生物大分子凝聚体，其结构演化不仅决定了细胞器的功能状态，还能够通过调节内部生化反应实现生命活动的精准控制。这些现象的本质在于反应-扩散过程与分子识别作用的协同，是当前凝聚态化学研究的重要前沿方向之一。

2 聚合物的凝聚态结构与形貌

聚合物凝聚态结构呈现出多尺度、多层次的复杂特征。这一结构特征不仅源于链状分子的化学组成与构象，还受到聚集态形貌演化的显著影响。在合成化学、材料科学以及生物医药等领域，深入阐明聚合物在凝聚态下的反应机理与结构形成机制，是实现材料精细调控与功能化设计的关键基础。

近年来，聚合诱导相分离和聚合诱导自组装方法的发展，为聚合物结构的精准调控开辟了新的路径。在这些过程中，动力学因素在斑图（Pattern）形成与结构演化中发挥着核心作用。动力学过程不仅决定了结构形成的速率和演化路径，还深刻影响了最终结构的稳定性和有序性。因此，系统探索动力学因素对聚合物凝聚态结构形成与调控的作用机制，不仅有助于丰富高分子科学的理论体系，也为推动其在功能材料与先进制造中的应用提供重要支持。

2.1 聚合物的结构与形貌

聚合物的结构多样性由其基本化学组成、链构型以及分子间相互作用等多重因素协同决定。在此基础上，聚合物可表现为线型、高支化或网络状等基本拓扑结构类型。通过对共聚物组成、聚合策略及溶剂环境等条件的精细调控，研究者能够进一步实现结构复杂性的拓展，从而获得球状、棒状、层状及网状等多样化的聚合物聚集形态。图1展示了不同化学连接方式下聚合物所形成的独特分子结构。这些结构的丰富性不仅反映了高分子化学本身的高度可塑性，也为材料科学及相关领域的功能化设计与应用提供了广阔的空间。因此，深入理解并有效调控聚合物结构多样性的形成机制，是推动其在高性能材料、生物医药及其他前沿领域实现创新应用的重要基础。

聚合物相态结构对材料性能（如机械强度、光电性质、生物相容性等）具有重要影响。在描述聚合物混合体系这一方面，Flory-Huggins理论提供了重要的热力学基础。该理论通过定义混合自由能（

Δ F

）与相互作用参数（χ），成功描述了聚合物组分间的相容性及其对相行为的影响（式（1））。

Δ F = k B T ϕ A N A l n ϕ A + ϕ B N B l n ϕ B + χ ϕ A ϕ B

（1）

式中：

ϕ A 、 ϕ B

表示聚合物A和B的体积分数；

N A

、

N B

表示聚合物A和B的链长，χ为Flory相互作用参数；k _B为玻尔兹曼常数。混合自由能（

Δ F

）由熵贡献和焓贡献组成，其中熵贡献反映了混合过程中聚合物链段的分布，而焓贡献则与聚合物组分间的相互作用能量有关。相互作用参数χ是一个量纲为一的参数，用于衡量不同聚合物组分间的相互作用强度。其中χ与温度T的经验关系可以用式（2）表示。

χ ⋍ a + b T

（2）

式中：与温度无关的项

a

称为χ的熵部分；

b T

称为焓部分。当体系的χN值超过临界点时，聚合物混合物会发生宏观相分离，从而形成不同的材料织态结构。这一理论不仅揭示了链长、组成和温度对聚合物相行为的影响规律，也为设计可控形貌的自组装体系提供了理论依据。

Flory-Huggins理论以及后续发展起来的自洽场理论（Self-consistent field theory， SCFT）已被广泛应用于预测聚合物体系的相行为和形貌演化。例如，在嵌段共聚物的微相分离相图构建中，研究者常通过调节嵌段组成比、链长和温度，结合Flory-Huggins相互作用参数χ的计算，预测体系可能出现的有序结构。如图2所示，Matsen等^［2］基于自洽场理论，系统描绘了二嵌段共聚物在不同χN条件下的稳定形貌区域，为高分子自组装纳米材料的设计与构建提供了重要的理论依据。

Flory-Huggins理论与自洽场理论不仅是理解聚合物混合行为的热力学基础，更通过与模拟方法和实验研究相结合，成为凝聚态化学中实现聚合物体系“结构-功能”调控的重要理论支柱。应用这些理论和方法，研究者能够更精确地调控嵌段共聚物的自组装过程，从而为开发新型功能材料和纳米技术提供新思路。

2.2 聚合诱导相分离与自组装机制

2.2.1 聚合诱导相分离

聚合诱导相分离是指在聚合反应过程中，由于体系内部组分间相容性发生变化而引发的相分离现象。在PIPS过程中，单体聚合生成的链段使体系的Flory-Huggins相互作用参数χ与聚合物链长N的乘积发生动态变化。当χN值增大并超过临界阈值时，体系相分离的趋势显著增强，最终由初始的均相状态转变为两相结构。该过程所形成的相分离形貌具有高度的反应调控特征。

Seo等^［4］在大分子链转移剂（Macromolecular chain transfer agent， macro-CTA）存在的条件下，对多功能单体混合物进行聚合，将PIPS与原位嵌段共聚物的形成过程相结合。通过在设计中引入可被化学蚀刻的嵌段，他们成功制备出具有渗滤孔结构的纳米多孔材料。此外，所采用的可逆加成-断裂链转移聚合（Reversible addition-fragmentation chain transfer， RAFT）技术具有优异的可控性，使嵌段共聚物分子量能够实现线性增长^［5］。图3展示了整个过程的示意图。

近年来，PIPS技术与3D打印、电化学聚合等先进加工手段的结合，进一步拓展了其在纳米材料、生物医用材料及能量存储材料等领域的应用前景。迄今为止，PIPS已被成功应用于聚合物电解质膜^［6］、催化材料^［7］、介孔材料^［4］、尺寸选择性半透膜^［8-9］、生物医用材料^［10］、荧光传感器^［11］以及离子交换材料^［12］等的制备，并在性能方面展现出优势^［13-14］。

与此同时，PIPS的形成机制也受到理论模拟领域的广泛关注。研究者们借助蒙特卡罗模拟、相场模型以及反应-扩散模型等方法，对PIPS过程中的形貌演化、斑图形成以及动力学窗口进行了系统研究，揭示了反应速率与扩散速率的耦合作用对最终结构形成的关键性影响。这些理论研究为多尺度、可编程的结构设计提供了坚实的理论基础。Liu等^［15］通过耗散粒子动力学（Dissipative particle dynamics， DPD）模拟系统研究了聚合作用对二元不相容混合物相分离过程的影响，发现其相行为具有高度复杂性。随着聚合反应的推进，体系中一方面随着热力学驱动力增强而促进相分离，另一方面又因黏度升高而抑制相分离，从而形成了二者之间的动态竞争关系。Kawagoe等^［16］将耗散粒子动力学与反应模型耦合用于固化模拟，成功再现实验中观察到的PIPS过程，并揭示了热塑性树脂浓度、分子质量及固化条件对相分离形貌的影响，确认了由不同模量树脂相分离所引起的非均匀应变场。此外，Stevens等^［17］开发的粗粒化分子动力学模型通过引入合适的相互作用参数，系统考察了反应过程中组分的流动、分相与结构重组，揭示了形成有序微观结构的调控规律。

2.2.2 聚合诱导自组装

聚合诱导自组装是一种在聚合反应过程中实现自组装，从而形成纳米结构的有效策略。通过控制疏水-亲水片段比例、聚合度以及反应介质条件，PISA可实现从球状、棒状到囊泡状等多种纳米形貌的可控构建。PISA的显著优势在于其能够在高浓度条件下获得稳定的自组装结构，为纳米材料的规模化制备提供了新的可能。在PISA过程中，研究者可通过追踪反应过程中χN值的动态演变，分析聚合物链从相容到相分离的转变路径，并进一步预测所得纳米粒子的结构与形貌。

Qiu等^［18］在2023年的综述中系统总结了PISA技术在构建基于聚合物的生物杂化纳米结构（Polymer-based biohybrid nanostructures， PBBNs）方面的研究进展，特别强调了通过“grafting-from”策略将亲水性生物分子（如蛋白质和核酸）转化为可控的自组装体。图4展示了利用嫁接策略制备由生物分子-聚合物偶联物（Biomolecule-polymer conjugates，BPCs）组成PBBNs的过程。

在PISA体系的理论模拟框架中，通常将Flory-Huggins相互作用参数作为耦合自由能项中的核心热力学参数，用于描述聚合物-溶剂间相容性变化及其对结构形成的驱动作用^［19］。例如，在模拟中赋予疏水链段与溶剂更高的χ值时，可观察到体系自发形成micelle或vesicle的过程，这与实验结果^［20］高度一致。这些研究表明，Flory-Huggins参数不仅是理解聚合物相行为的热力学基础，更是连接理论模拟与实验验证的关键“桥梁”，在纳米材料的可控合成与功能化设计中具有不可替代的价值。

2.3 动力学耦合在斑图形成中的作用

在聚合物材料的结构形成过程中，体系的相分离动力学与反应动力学之间往往存在复杂的耦合关系。这种耦合不仅决定了聚合物材料的微观形貌特征，还深刻影响其宏观稳定性与功能表现。在PIPS或PISA过程中，单体扩散速率、聚合反应速率与相分离速率之间的协同作用，直接决定了最终形成的结构类型及其有序程度。

研究表明，当扩散速率与聚合反应速率处于不同时间尺度时，体系能够演化出周期性条纹、斑点等典型斑图。此类斑图形成现象通常可通过反应-扩散方程进行建模与预测，其中关键参数包括反应速率常数、扩散系数以及界面张力等。通过对这些参数的调控，研究者能够在理论上重现实验中观察到的多样化结构演化过程，为实现聚合物形貌的可预测性与可设计性提供了重要基础。

Gray-Scott模型是一个描述化学物质反应-扩散的简单模型^［21］。在这个模型中，化学物质A以给定的“供给”速率f添加至系统之中，而2个B可以将1个A“反应转化”为B（式（3））。

A + 2 B → 3 B

（3）

此外，物质B会以给定的“清除”速率k从系统中被移除。在二维网格上可以清晰地展现A、B 2种化学物质反应和扩散的过程。模拟过程中，在每个网格单元上计算A和B的局部浓度，且两种化学物质都在网格上扩散，但A的扩散速度比B快。使用以下方程（式（4）、（5））反复更新每个单元中A和B的浓度来模拟上述行为。

A' = A + D A ∇ 2 A - A B 2 + f 1 - A ∆ t

（4）

B' = B + D B ∇ 2 B + A B 2 - k + f B ∆ t

（5）

式中：

A' 和 B'

是网格更新后的浓度；A和B是网格更新前的浓度；

D A

和

D B

是物质A和B的扩散速度；

∇ 2 A

和

∇ 2 B

是物质A和B的浓度梯度。f和k分别是A的“供给”速率和B的“清除”速率，

∆ t

为模拟步长。如图5所示，调整f和k可以产生一系列不同的稳态斑图结构。

此外，实验与模拟结果都表明，通过调节动力学参数（如温度、光照、催化剂浓度等）可有效调控斑图尺度及其有序性。这一发现对凝聚态化学中实现结构可控的生物仿生材料设计和功能梯度材料构建具有重要意义。

3 生物大分子凝聚体与功能性相分离

在细胞微环境中，众多生物大分子可通过聚集形成无膜亚细胞结构，即生物大分子凝聚体（Biomolecular condensates）^［22-24］。这类凝聚体被认为通过液-液相分离机制形成，广泛存在于细胞核、细胞质以及细胞器界面，调控着诸如转录^［25］、翻译^［26］、信号转导^［27］、应激响应^［28］等核心生物过程。

3.1 固有无序蛋白的液-液相分离机制

固有无序蛋白（Intrinsically disordered proteins， IDPs）由于缺乏稳定的三级结构，展现出高度的柔性和多价相互作用能力，成为驱动LLPS的关键分子^［29］。一些IDPs对氨基酸组成具有高度的偏向性，富含特定种类的氨基酸残基（如甘氨酸、谷氨酰胺和丝氨酸），这些结构域也被称为低复杂度结构域（Low-complexity domains， LCD）^{［27，30-31］}。LCD中灵活的构象以及大量相同的氨基酸残基，满足了驱动蛋白质LLPS的需求^{［29，32］}。如图6所示，在生物大分子凝聚体中，IDPs的自发聚集主要通过静电作用、π-π堆积、氢键与疏水相互作用等非共价相互作用实现^［33］。此类相分离行为通常具有高度可逆性和环境响应性，能够快速响应外界刺激（如温度变化、浓度变化等），调控细胞活动的时空分布。LLPS不依赖于生物膜的存在，提供了一种新的细胞空间组织形式，其微观机制为生物大分子凝聚体的功能研究奠定了物理和化学基础。

3.2 生物大分子凝聚体的形成与功能

生物大分子凝聚体（如核小体、P-颗粒^［28］、核仁等）的空间组织形式在细胞调控中具有重要意义。一方面，这类凝聚体能够通过局部富集和构象调控激活蛋白活性，进而启动下游细胞通路；另一方面，通过区室化作用，它们能够阻断特定的生化反应，从而实现对细胞内环境的精细调控。以环状GMP-AMP合成酶（Cyclic GMP-AMP synthase， cGAS）为例，该蛋白在检测到细胞质中异常DNA时，会迅速结合并形成凝聚体，合成环状GMP-AMP（Cyclic GMP-AMP， cGAMP），从而激活cGAS-STING信号通路，这是细胞固有免疫的核心反应途径之一^［35-36］。另一典型实例是细胞质中的应激颗粒。在应激条件下，细胞会以G3BP蛋白家族为核心，协同信使RNA及多种蛋白及核酸组分形成应激颗粒凝聚体，从而中止翻译过程^［37］。这一机制使细胞能够在不利环境中通过抑制潜在有害蛋白的合成而获得保护。

生物大分子凝聚体的物理状态包括液态、凝胶态或固态，与其在细胞内的生理功能及病理表现密切相关。在神经退行性疾病（如额颞叶痴呆和阿尔茨海默病等）中，研究者们大多认为凝聚体的异常演变是导致病理性症状的关键因素^［34］。例如，在额颞叶痴呆中，TDP-43的突变往往发生在LCD区域，从而显著增加其聚集倾向，导致其不可逆聚集并且在神经元中随时间积累。在阿尔茨海默病中，tau蛋白的异常聚集可形成神经纤维缠结，这是该疾病的标志性病理特征。值得注意的是，tau蛋白的聚集和纤维化与LLPS过程中物理状态的转变密切相关，这些转变可能促进了病理性异常聚集的发生与进展。

3.3 生化反应与凝聚体形成之间的反馈调控

凝聚体的形成与细胞内的生化反应之间存在着复杂的相互作用和反馈机制。凝聚体不仅能够调控生化反应的进行，而反应产物或局部微环境的变化也能够反过来影响凝聚体的稳定性和组成^［38］。例如，RNA分子的生成可促进蛋白质聚集，而RNA降解则可能诱导凝聚体解体^［39］；磷酸化^［40］、乙酰化、聚（ADP-核糖）化^［41］等翻译后修饰（图7）通过改变IDPs的电荷分布、疏水性或分子间相互作用，可显著改变IDPs的相分离能力^［26］。

以转录过程为例，在转录起始阶段，RNA聚合酶最初合成的一系列RNA通常不超过10个核苷酸，这一现象被称为“流产性转录起始”。为解释这一过程，研究者提出了多种模型，而基于生物大分子凝聚体的模型为这一现象提供了新的解释^［25］。在该模型中，短链RNA的合成促进了局部凝聚体的形成；然而，当RNA的合成量逐渐增加到一定阈值时，凝聚体则趋向于解体，从而推动转录过程由起始阶段平稳过渡至延伸阶段。在此过程中，新合成RNA的逐步累积引发了局部负电荷浓度的升高，并在调控转录动力学中发挥关键作用。

这种由RNA浓度驱动的反馈调控机制构建了一个“结构-功能-调控”的耦合网络，使细胞能够根据功能需求动态调节凝聚体状态，从而实现对反应路径的精细调控。这种复杂而高度协调的机制不仅展示了生命体系中凝聚态化学的典型范例，也为理解细胞稳态维持与疾病发生提供了新的视角，同时对相应理论模型与模拟方法提出了更高要求。

4 多尺度理论模拟方法

在凝聚态化学研究领域，尤其是针对复杂聚合物与生物大分子的相分离、自组装及凝聚体形成等动态过程，传统实验技术往往难以精准捕捉纳米至微米尺度下的结构演变及其潜在驱动力^［42］。为克服这一局限，多尺度理论模拟方法展现出独特价值。这些方法能够在不同物理尺度间实现耦合建模，从而为解析和预测这些复杂体系的结构-功能关系提供了强有力的工具支持。

4.1 大分子体系的粗粒化模拟

粗粒化（Coarse-grained， CG）建模通过将原子群或结构基元映射为单一粗粒化粒子，从而显著降低计算复杂度^［43-44］。该策略已广泛应用于聚合物相分离、自组装体系以及生物大分子凝聚体的研究。例如，基于Martini力场的粗粒化分子动力学模拟^［45-46］、耗散粒子动力学方法，以及以结构一致性为导向的自适应粗粒化策略^［47］，均被用于探索长时间尺度与大体系尺寸下的大分子聚集态行为。粗粒化模型能够较好地再现聚合物溶液的相行为以及生物大分子凝聚体的动态重构过程，成为连接微观相互作用与宏观现象的重要桥梁。

4.2 杂化分子动力学/蒙特卡罗（MD/MC）技术

将分子动力学（Molecular dynamics， MD）与蒙特卡罗（Monte Carlo， MC）方法相结合的杂化模拟策略为复杂体系建模提供了兼具精细与高效的路径。MD方法适合刻画体系在给定势能面下的连续动力学轨迹，而MC方法则能有效采样体系的多态构象与聚集态空间^［48］。在聚合诱导相分离、生物大分子凝聚体及反应性体系的模拟中，MD/MC杂化策略能够更为真实地还原体系多层次结构的演化过程，尤其适用于探索动力学与热力学因素耦合下的斑图形成、成核与生长，以及化学反应对稳态结构形成的影响机制^［49］。

4.3 凝聚态条件下结构演化的模拟

凝聚态体系通常处于非均匀、多种相互作用耦合以及非平衡状态下，其结构演化的模拟需同时考虑多个物理尺度。常见方法包括反应动力学模拟、受拉伸/剪切作用下的形貌演变研究，以及在不同溶剂、pH、电场等外部刺激下的结构响应预测。例如，在PISA过程中，通过模拟单体扩散、嵌段链增长及界面张力变化，揭示纳米颗粒形成的动力学机制；在IDPs的LLPS行为模拟中，则需考虑分子间弱相互作用与热涨落对聚集体结构的协同调控作用。这类研究不仅为材料合成条件的优化提供了理论依据，也为生物过程的模拟与分析提供了重要参考。

4.4 反应性与生物体系建模中的挑战

尽管理论模拟已在自然科学多个领域取得突破性进展，但在涉及化学反应与生物复杂体系建模时仍面临若干挑战^［42］。首先，反应性力场的准确构建高度依赖实验与高精度量子化学数据，限制了其通用性与适用范围。其次，生物大分子凝聚体的非均质性、非平衡性及多组分协同作用使得模拟体系的构建与参数化更加复杂。此外，模拟尺度的权衡亦是瓶颈：原子尺度模型虽然精度较高，但计算量庞大，而粗粒化模型虽效率较高，却难以还原关键化学细节。因此，未来亟须发展具备自适应精度、多分辨率耦合及机器学习驱动建模等方法，以更好地应对复杂凝聚态化学体系的理论模拟需求。

5 结论与展望

本文围绕大分子体系相分离与自组装过程中的凝聚态化学问题，系统总结了聚合物结构与形貌调控、生物大分子凝聚体的形成与功能，以及多尺度模拟方法的发展现状。通过理论与实验的结合、热力学与动力学的耦合，揭示化学反应对大分子聚集态多层次结构的影响规律，对材料设计与生命体系解析具有重要意义。

在聚合物体系中，PIPS与PISA为精确调控材料形貌与性能提供了有效途径。结构演化过程中，动力学与热力学因素的协同作用起到决定性作用。在生物体系中，生物大分子的液-液相分离揭示了无膜细胞器的物理基础，其凝聚态状态与细胞功能密切相关。生物大分子凝聚体不仅作为生化反应的空间组织平台，还能够在病理条件下发生不可逆的聚集转变，从而参与疾病的发生机制。多尺度理论模拟的发展为理解这些复杂体系的结构形成与调控机制提供了强有力的支持。

尽管近年来凝聚态化学在大分子相分离与自组装研究中取得了显著进展，但仍存在诸多挑战。首先，大分子相分离的驱动力及其调控规律尚不清晰，尤其在复杂共聚体系、带电体系以及可逆聚合物体系中，仍需深入解析其微观机制。其次，生物大分子凝聚体的结构-功能映射关系仍然模糊，如何建立IDP的序列特征、翻译后修饰与凝聚行为之间的联系，是当前研究的重点和难点。此外，多组分体系中高度复杂的相互作用导致理论模拟不得不依赖大量近似与假设，难以与实验实现严格的定量对比，而凝聚态化学反应的建模更需跨越多个时间与空间尺度，现有模型尚不足以全面描述。

展望未来，该领域的发展有赖于三个方向的突破。其一，构建动态结构调控理论，实现从静态结构预测到动态演化过程的理论描述，尤其要关注非平衡态下的聚合物与生物大分子行为。其二，发展结构-功能-调控的系统耦合模型，整合高通量实验、机器学习算法与多尺度模拟，实现复杂体系的跨尺度建模。其三，推动理论与实验的紧密结合，在揭示普适规律的同时，服务于功能材料设计和生命医学问题解析。

综上所述，大分子相分离与自组装中的凝聚态化学研究，不仅为理解复杂物质行为提供了坚实的理论基础，也为材料科学、生物物理与医学等交叉领域开辟了新的研究机遇。随着新理论、新工具的不断涌现，该领域有望向着“结构可调控、功能可设计、行为可预测”的目标迈进，成为化学及相关学科的重要增长点之一。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Xu R. Natl. Sci. Rev.， 2018， 5（1）: 1.

[2]	Matsen M W， Bates F S. Macromolecules， 1996， 29（4）: 1091.

[3]	Zhang B， Zheng C N， Bates F S， Lodge T P. ACS Appl. Polym. Mater.， 2023， 5（3）: 2223.

[4]	Seo M， Hillmyer M A. Science， 2012， 336（6087）: 1422.

[5]	Moad G， Rizzardo E， Thang S H. Acc. Chem. Res.， 2008， 41（9）: 1133.

[6]	Schulze M W， McIntosh L D， Hillmyer M A， Lodge T P. Nano Lett.， 2014， 14（1）: 122.

[7]	Kim S， Varga G， Seo M， Sápi A， Rácz V， Gómez-Pérez J F， Sebők D， Lee J， Kukovecz Á， Kónya Z. ACS Appl. Nano Mater.， 2021， 4（4）: 4070.

[8]	Oh J， Kim B， Lee S M， Kim S， Seo M. Chem. Mater.， 2018， 30: 273.

[9]	Jeon C， Han J J， Seo M. ACS Appl. Mater. Interfaces， 2018， 10（47）: 40854.

[10]	Xie Y H， Hillmyer M A. ACS Appl. Bio Mater.， 2020， 3（5）: 3236.

[11]	Satheeshkumar C， Seo H， Hong S， Kim P， Seo M. Polymer， 2023， 265: 125577.

[12]	Goldfeld D J， Silver E S， Valdez J M， Hillmyer M A. ACS Macro Lett.， 2021， 10（1）: 60.

[13]	Chopade S A， Anderson E L， Schmidt P W， Lodge T P， Hillmyer M A， Bühlmann P. ACS Sens.， 2017， 2（10）: 1498.

[14]	Peterson C H， Werber J R， Lee H K， Hillmyer M A. ACS Appl. Polym. Mater.， 2022， 4（6）: 4219.

[15]	Liu H， Qian H J， Zhao Y， Lu Z Y. D. J. Chem. Phys.， 2007， 127（14）: 144903.

[16]	Kawagoe Y， Kikugawa G， Shirasu K， Kinugawa Y， Okabe T. J. Phys. Chem. B， 2024， 128: 2018.

[17]	Stevens M J. J. Chem. Phys.， 2021， 155（5）: 054905.

[18]	Qiu L， Han X Y， Xing C F， Glebe U. Small， 2023， 19（18）: 2207457.

[19]	Yan Y D， Xue Y H， Zhao H Y， Liu H， Lu Z Y， Gu F L. Macromolecules， 2019， 52（16）: 6169.

[20]	Wan J， Fan B， Thang S H. Chem. Sci.， 2022， 13（15）: 4192.

[21]	Gray P， Scott S K. Chem. Eng. Sci.， 1983， 38: 29.

[22]	Brangwynne C P， Eckmann C R， Courson D S， Rybarska A， Hoege C， Gharakhani J， Jülicher F， Hyman A A. Science， 2009， 324（5935）: 1729.

[23]	Pappu R V. Dev. Cell， 2020， 55（1）: 1.

[24]	Banani S F， Lee H O， Hyman A A， Rosen M K. Nat. Rev. Mol. Cell Biol.， 2017， 18（5）: 285.

[25]	Henninger J E， Oksuz O， Shrinivas K， Sagi I， LeRoy G， Zheng M M， Andrews J O， Zamudio A V， Lazaris C， Hannett N M， Lee T I， Sharp P A， Cissé I I， Chakraborty A K， Young R A. Cell， 2021， 184（1）: 207.

[26]	Luo Y Y， Wu J J， Li Y M. Chem. Commun.， 2021， 57（98）: 13275.

[27]	Wright P E， Dyson H J. Nat. Rev. Mol. Cell Biol.， 2015， 16（1）: 18.

[28]	Decker C J， Parker R. Cold Spring Harb. Perspect. Biol.， 2012， 4（9）: a012286.

[29]	Posey A E， Holehouse A S， Pappu R V. Methods in Enzymology. Eds: Rhoades E. Cambridge: Academic Press， 2018， 611: 1.

[30]	Wang Z， Zhang H. Trends Cell Biol.， 2019， 29（5）: 417.

[31]	Kato M， Han T W， Xie S H， Shi K， Du X L， Wu L C， Mirzaei H， Goldsmith E J， Longgood J， Pei J M， Grishin N V， Frantz D E， Schneider J W， Chen S， Li L， Sawaya M R， Eisenberg D， Tycko R， McKnight S L. Cell， 2012， 149（4）: 753.

[32]	Wang J， Choi J M， Holehouse A S， Lee H O， Zhang X J， Jahnel M， Maharana S， Lemaitre R， Pozniakovsky A， Drechsel D， Poser I， Pappu R V， Alberti S， Hyman A A. Cell， 2018， 174（3）: 688.

[33]	Zhang H， Ji X， Li P L， Liu C， Lou J Z， Wang Z， Wen W Y， Xiao Y， Zhang M J， Zhu X L. Sci. China Life Sci.， 2020， 63（7）: 953.

[34]	Wang B， Zhang L， Dai T， Qin Z R， Lu H S， Zhang L， Zhou F F. Signal Transduct. Target. Ther.， 2021， 6: 290.

[35]	Sun L J， Wu J X， Du F H， Chen X， Chen Z J. Science， 2013， 339（6121）: 786.

[36]	Du M J， Chen Z J. Science， 2018， 361（6403）: 704.

[37]	Yang P G， Mathieu C， Kolaitis R M， Zhang P P， Messing J， Yurtsever U， Yang Z M， Wu J J， Li Y X， Pan Q F， Yu J Y， Martin E W， Mittag T， Kim H J， Taylor J P. Cell， 2020， 181（2）: 325.

[38]	Zhu L C， Pan Y F， Hua Z Y， Liu Y， Zhang X. J. Am. Chem. Soc.， 2024， 146（20）: 14307.

[39]	Parker D M， Tauber D， Parker R. Mol. Cell， 2025， 85（3）: 571.

[40]	Gruijs da Silva L A， Simonetti F， Hutten S， Riemenschneider H， Sternburg E L， Pietrek L M， Gebel J， Dötsch V， Edbauer D， Hummer G， Stelzl L S， Dormann D. EMBO J.， 2022， 41（8）: e108443.

[41]	Leung A K L. Trends Cell Biol.， 2020， 30（5）: 370.

[42]	Shi S K， Zhao L， Lu Z Y. J. Phys. Chem. Lett.， 2024， 15（28）: 7280.

[43]	Shi S K， Zhao L， Lv Z Y. J. Jilin Univ. Sci . Ed.， 2025， 63（1）: 182.

[44]	史绍康，赵莉，吕中元. 吉林大学学报（理学版）， 2025， 63（1）: 182..

[45]	Shi R， Qian H J， Lu Z Y. Wires Comput. Mol. Sci.， 2023， 13（6）: e1683.

[46]	Marrink S J， Risselada H J， Yefimov S， Tieleman D P， de Vries A H. J. Phys. Chem. B， 2007， 111（27）: 7812.

[47]

Souza P C T， Alessandri R， Barnoud J， Thallmair S， Faustino I， Grünewald F， Patmanidis I， Abdizadeh H， Bruininks B M H， Wassenaar T A， Kroon P C， Melcr J， Nieto V， Corradi V， Khan H M， Domański J， Javanainen M， Martinez-Seara H， Reuter N， Best R B， Vattulainen I， Monticelli L， Periole X， Tieleman D P， de Vries A H， Marrink S J. Nat. Meth.， 2021， 18（4）: 382.

[48]	Wu K， Xu S， Wan B， Xiu P， Zhou X. J. Chem. Phys.， 2020， 152（11）: 114115.

[49]	Barhaghi M S， Crawford B， Schwing G， Hardy D J， Stone J E， Schwiebert L， Potoff J， Tajkhorshid E. J. Chem. Theory Comput.， 2022， 18（8）: 4983.

[50]	Zhang D Q， Yan L M， Yue B H， Hu Y D， Wang Z M， Lv W M， Wang H. Int. J. Hydrog. Energy， 2021， 46（52）: 26402.

[1]	Xu R. Natl. Sci. Rev.， 2018， 5（1）: 1.
[2]	Matsen M W， Bates F S. Macromolecules， 1996， 29（4）: 1091.
[3]	Zhang B， Zheng C N， Bates F S， Lodge T P. ACS Appl. Polym. Mater.， 2023， 5（3）: 2223.
[4]	Seo M， Hillmyer M A. Science， 2012， 336（6087）: 1422.
[5]	Moad G， Rizzardo E， Thang S H. Acc. Chem. Res.， 2008， 41（9）: 1133.
[6]	Schulze M W， McIntosh L D， Hillmyer M A， Lodge T P. Nano Lett.， 2014， 14（1）: 122.
[7]	Kim S， Varga G， Seo M， Sápi A， Rácz V， Gómez-Pérez J F， Seb?k D， Lee J， Kukovecz á， Kónya Z. ACS Appl. Nano Mater.， 2021， 4（4）: 4070.
[8]	Oh J， Kim B， Lee S M， Kim S， Seo M. Chem. Mater.， 2018， 30: 273.
[9]	Jeon C， Han J J， Seo M. ACS Appl. Mater. Interfaces， 2018， 10（47）: 40854.
[10]	Xie Y H， Hillmyer M A. ACS Appl. Bio Mater.， 2020， 3（5）: 3236.
[11]	Satheeshkumar C， Seo H， Hong S， Kim P， Seo M. Polymer， 2023， 265: 125577.
[12]	Goldfeld D J， Silver E S， Valdez J M， Hillmyer M A. ACS Macro Lett.， 2021， 10（1）: 60.
[13]	Chopade S A， Anderson E L， Schmidt P W， Lodge T P， Hillmyer M A， Bühlmann P. ACS Sens.， 2017， 2（10）: 1498.
[14]	Peterson C H， Werber J R， Lee H K， Hillmyer M A. ACS Appl. Polym. Mater.， 2022， 4（6）: 4219.
[15]	Liu H， Qian H J， Zhao Y， Lu Z Y. D. J. Chem. Phys.， 2007， 127（14）: 144903.
[16]	Kawagoe Y， Kikugawa G， Shirasu K， Kinugawa Y， Okabe T. J. Phys. Chem. B， 2024， 128: 2018.
[17]	Stevens M J. J. Chem. Phys.， 2021， 155（5）: 054905.
[18]	Qiu L， Han X Y， Xing C F， Glebe U. Small， 2023， 19（18）: 2207457.
[19]	Yan Y D， Xue Y H， Zhao H Y， Liu H， Lu Z Y， Gu F L. Macromolecules， 2019， 52（16）: 6169.
[20]	Wan J， Fan B， Thang S H. Chem. Sci.， 2022， 13（15）: 4192.
[21]	Gray P， Scott S K. Chem. Eng. Sci.， 1983， 38: 29.
[22]	Brangwynne C P， Eckmann C R， Courson D S， Rybarska A， Hoege C， Gharakhani J， Jülicher F， Hyman A A. Science， 2009， 324（5935）: 1729.
[23]	Pappu R V. Dev. Cell， 2020， 55（1）: 1.
[24]	Banani S F， Lee H O， Hyman A A， Rosen M K. Nat. Rev. Mol. Cell Biol.， 2017， 18（5）: 285.
[25]	Henninger J E， Oksuz O， Shrinivas K， Sagi I， LeRoy G， Zheng M M， Andrews J O， Zamudio A V， Lazaris C， Hannett N M， Lee T I， Sharp P A， Cissé I I， Chakraborty A K， Young R A. Cell， 2021， 184（1）: 207.
[26]	Luo Y Y， Wu J J， Li Y M. Chem. Commun.， 2021， 57（98）: 13275.
[27]	Wright P E， Dyson H J. Nat. Rev. Mol. Cell Biol.， 2015， 16（1）: 18.
[28]	Decker C J， Parker R. Cold Spring Harb. Perspect. Biol.， 2012， 4（9）: a012286.
[29]	Posey A E， Holehouse A S， Pappu R V. Methods in Enzymology. Eds: Rhoades E. Cambridge: Academic Press， 2018， 611: 1.
[30]	Wang Z， Zhang H. Trends Cell Biol.， 2019， 29（5）: 417.
[31]	Kato M， Han T W， Xie S H， Shi K， Du X L， Wu L C， Mirzaei H， Goldsmith E J， Longgood J， Pei J M， Grishin N V， Frantz D E， Schneider J W， Chen S， Li L， Sawaya M R， Eisenberg D， Tycko R， McKnight S L. Cell， 2012， 149（4）: 753.
[32]	Wang J， Choi J M， Holehouse A S， Lee H O， Zhang X J， Jahnel M， Maharana S， Lemaitre R， Pozniakovsky A， Drechsel D， Poser I， Pappu R V， Alberti S， Hyman A A. Cell， 2018， 174（3）: 688.
[33]	Zhang H， Ji X， Li P L， Liu C， Lou J Z， Wang Z， Wen W Y， Xiao Y， Zhang M J， Zhu X L. Sci. China Life Sci.， 2020， 63（7）: 953.
[34]	Wang B， Zhang L， Dai T， Qin Z R， Lu H S， Zhang L， Zhou F F. Signal Transduct. Target. Ther.， 2021， 6: 290.
[35]	Sun L J， Wu J X， Du F H， Chen X， Chen Z J. Science， 2013， 339（6121）: 786.
[36]	Du M J， Chen Z J. Science， 2018， 361（6403）: 704.
[37]	Yang P G， Mathieu C， Kolaitis R M， Zhang P P， Messing J， Yurtsever U， Yang Z M， Wu J J， Li Y X， Pan Q F， Yu J Y， Martin E W， Mittag T， Kim H J， Taylor J P. Cell， 2020， 181（2）: 325.
[38]	Zhu L C， Pan Y F， Hua Z Y， Liu Y， Zhang X. J. Am. Chem. Soc.， 2024， 146（20）: 14307.
[39]	Parker D M， Tauber D， Parker R. Mol. Cell， 2025， 85（3）: 571.
[40]	Gruijs da Silva L A， Simonetti F， Hutten S， Riemenschneider H， Sternburg E L， Pietrek L M， Gebel J， D?tsch V， Edbauer D， Hummer G， Stelzl L S， Dormann D. EMBO J.， 2022， 41（8）: e108443.
[41]	Leung A K L. Trends Cell Biol.， 2020， 30（5）: 370.
[42]	Shi S K， Zhao L， Lu Z Y. J. Phys. Chem. Lett.， 2024， 15（28）: 7280.
[43]	Shi S K， Zhao L， Lv Z Y. J. Jilin Univ. Sci . Ed.， 2025， 63（1）: 182.
	史绍康，赵莉，吕中元. 吉林大学学报（理学版）， 2025， 63（1）: 182..
[44]	Shi R， Qian H J， Lu Z Y. Wires Comput. Mol. Sci.， 2023， 13（6）: e1683.
[45]	Marrink S J， Risselada H J， Yefimov S， Tieleman D P， de Vries A H. J. Phys. Chem. B， 2007， 111（27）: 7812.
[46]	Souza P C T， Alessandri R， Barnoud J， Thallmair S， Faustino I， Grünewald F， Patmanidis I， Abdizadeh H， Bruininks B M H， Wassenaar T A， Kroon P C， Melcr J， Nieto V， Corradi V， Khan H M， Domański J， Javanainen M， Martinez-Seara H， Reuter N， Best R B， Vattulainen I， Monticelli L， Periole X， Tieleman D P， de Vries A H， Marrink S J. Nat. Meth.， 2021， 18（4）: 382.
[47]	Wu K， Xu S， Wan B， Xiu P， Zhou X. J. Chem. Phys.， 2020， 152（11）: 114115.
[48]	Barhaghi M S， Crawford B， Schwing G， Hardy D J， Stone J E， Schwiebert L， Potoff J， Tajkhorshid E. J. Chem. Theory Comput.， 2022， 18（8）: 4983.
[49]	Zhang D Q， Yan L M， Yue B H， Hu Y D， Wang Z M， Lv W M， Wang H. Int. J. Hydrog. Energy， 2021， 46（52）: 26402.

基金资助

国家自然科学基金项目(22473048)

PDF (1184KB)

465

访问

被引

详细

导航

Received	Published
2025-07-21	2026-02-13
Online Date
2026-08-25

摘要