北京时间2026年3月29日上午，课题组硕士研究生李彬和程琬婷参加第十五届高聚物表征会议，硕士研究生程琬婷在会议研究生论坛上作题为“基于机器学习的IAJD结构表征、活性预测与分子优化设计”的学术报告。

报告中，程琬婷同学从 mRNA 递送材料面临的结构复杂、样本量有限以及结构—性能关系不清晰等问题出发，介绍了针对 IAJD 小样本体系构建的机器学习分析框架。该工作首先对不同分子表示方法进行了系统比较，结果表明 Count-ECFP 相较于传统 binary fingerprint 更适合表征 IAJD 的重复支化结构特征，结合 XGBoost 模型能够获得较优的活性预测性能。随后，通过特征重要性分析，将高贡献 bit 映射回具体化学子结构，识别出与递送活性相关的关键结构基元，揭示了模型在子结构层面的可解释性。在此基础上，进一步开展了候选分子生成与低活性分子优化设计，展示了机器学习从活性预测到候选分子设计的延伸应用潜力。

本次报告展示了课题组在高分子递送材料数据驱动设计方向的阶段性研究进展，也体现了机器学习方法在复杂高分子材料表征、性能预测与理性设计中的应用前景。报告结束后，与会师生围绕分子表征策略、模型泛化能力以及候选分子的实验验证等问题进行了深入交流和讨论。此外，程琬婷同学在本次会议研究生论坛中获得组委会评选的“研究生论坛优秀报告奖”。