控制冰的形成和生长对于成功的细胞、组织和生物制品的低温保存至关重要。当前寻找能够调节冰生长的材料的工作主要依赖于迭代的变更和人类直觉，重点集中在蛋白质和聚合物上。然而，数据的有限性限制了发现过程，主要是因为对机制的理解不足以及底层结构-活性关系的不明确。鉴于此，来自华威大学的Matthew I. Gibson和Gabriele C. Sosso及其团队通过构建能够预测小分子冰晶重结晶抑制活性的机器学习模型克服了这一障碍。

文章要点：

 (1) 该研究通过实验测量了冰生长的数据集，随后结合分子模拟中的状态描述符和特定领域的特征来开发预测模型，利用机器学习模型，成功预测和发现了小分子冰晶重结晶抑制剂，展示了数据驱动在低温保存中的重要应用。

 (2) 此外，研究结果表明，这些模型能够准确识别出商业化化合物库中的有效小分子冰晶重结晶抑制剂。确定的化合物在低温保存的红细胞中能够有效减轻细胞损伤，展示了如何利用数据驱动方法来发现创新的低温保护剂，并能够为冷链的下一代低温保存解决方案提供支持。

参考资料：

Warren, M.T., Biggs, C.I., Bissoyi, A. et al. Data-driven discovery of potent small molecule ice recrystallisation inhibitors. Nat Commun 15, 8082 (2024). 10.1038/s41467-024-52266-w

https://doi.org/10.1038/s41467-024-52266-w