卢滇楠

男， 清华大学化学工程系， 教授/研究员/教授级高工或同等级别

学习/工作经历

1996.09-2000.07 清华大学化学工程系，本科，化学工程与工艺专业
2000.09-2006.01 清华大学化学工程系，博士，化学工程与技术，导师：刘铮教授
2005.02-2005.08 加州大学河边分校，交换学生，导师：吴建中教授
2006.04-2008.01 清华大学化学工程系，博士后，合作导师：刘铮教授
2008.01至今 清华大学化学工程系，历任助理教授、副教授、教授
2011-2012 普林斯顿大学化学与生物工程系，访问学者，合作导师：Pablo G Debenedetti院士

研究领域和兴趣

限域空间分子工程理论、物性预测、酶分子智能设计

主要业绩

将经典分子热力学理论、多尺度模拟与深度学习技术相结合，提出了“理论与数据融合驱动”生物分子设计和过程强化方法，建立了具有自主知识产权的AIMD/CDFT理论/连续性方程多尺度计算方法和深度学习力场函数，为工业新酶设计、限域空间传质与反应过程强化、物性精准预测提供了新的底层算法逻辑构架和工具库支持。
累计发表科学引文索引（SCI-Expanded）论文140余篇，授权发明专利14项，国际专利1项，软件著作权2项，为生物工程领域权威手册Methods in Molecular Biology（Nature Springer）撰写专章，开发了通用型Uni-MOF算法(Nat. Commun., 2024)并将软件（https://github.com/dptech-corp/Uni-MOF/tree/main/unimof)开源。
一、工业新酶分子设计与反应过程强化
基于动态催化理论的活性位点设计（理论）与基于数据库的多功能序列筛选与生成（数据）相结合，实现了“非天然底物、非天然环境、非天然产物、非天然酶”的全新工业酶分子设计与催化过程强化。首先解析了金属离子“进入-结合-离开”关键氨基酸残基位点的路径及其调控机制(Phys. Chem. Chem. Phys., 2021)；阐明了铁蛋白中金属离子的扩散机制和关键金属结合位点(Langmuir, 2022)；预测、设计和制备了全新的铁蛋白四倍体通道中金离子结合位点；合成了铁蛋白-纳米金团簇新晶体结构并提交PDB库收录（7个晶体结构）（Commun. Chem., 2022）；基于铁蛋白框架的人工金属酶实现了非天然底物四戊炔酸水合生成非天然产物γ-亚甲基-γ-丁内酯，催化转化数（TOF）达到25/Fr-Au（ACS Catal., 2023，ACS Nano.Materials, 2023）。
建立了一种通用的分子动力学（MD）模拟辅助的计算酶设计新方法及其标准流程(J. Chem. Inf. Model., 2023)，用于青霉素G酰化酶（PGA）新酶构建，其催化效率是野生型的2.6倍，为目前已知催化效率最高的PGA工业酶。这证明该通用酶设计新方法可有效地提高工业酶的设计效率，为具有自主产权新酶设计提供了有效工具。将理性设计与机器学习结合，成功设计了全新嗜热塑料降解酶MHETase（Commun. Biology, 2023）；结合机器学习和化学描述符的技术，用来预测酶与化学物质之间相互作用的模型（Synth. Syst. Biotechnol. 2024），新酶活性筛选成功率达到70%以上。
二、AIMD/CDFT理论/连续性方程多尺度计算方法及其在纳微限域反应与传递中的应用
纳微限域反应与传递行为是酶催化和离子分离等过程的共性科学问题，其难点在于限域（组成和结构）对于电子密度分布、化学键形成与断裂概率影响的多态性与多尺度性解析。以仿生纳米器件构建为切入点，发展了融合AIMD/CDFT理论/连续性方程的多尺度计算方法，并将之与机器学习相结合，揭示离子主动输运和高效分离机制。
所建立的CDFT/MD/PB方程方法(Phys. Chem. Chem. Phys., 2020)阐释了氧化石墨烯纳米狭缝中光致离子抗浓度梯度快速输运的微观机制(Nat. Commun., 2019(a))，揭示了光致氧化石墨烯表面局部低电势是离子主动运输的驱动力，指导构建了光致超快离子主动运输(Adv. Mater., 2019; Small, 2019; 2020)、纸质纳流电路(Adv. Funct. Mater., 2020(a))、水盐高效分离(Adv. Mater., 2020; Adv. Funct. Mater., 2020 (b))和钠钾离子完美分离（NSR, 2023）等仿生纳米器件。开发了纳米限域空间中石墨烯-水体系机器学习势函数(ACS Omega, 2023)，开发了用于新结构不确定度量化的采样算法，建立了评估MLPs迁移能力的有效标准，实现了对大尺度的界面/溶液体系的长时间高精度反应性MLPs-MD模拟(JCP, 2024)。氧化石墨烯纳米狭缝中光致离子快速输运微观机制(Nat. Commun., 2019(a))被Nat. Nanotechnol.、MRS Bulletin等多篇评述文章进行了亮点报道，指出“该项研究提出了一种新策略，通过耦合氧化石墨烯的光学和电子学特性，实现主动输运，为纳米离子学和纳米流体研究开辟了新途径”。
三、深度学习力场函数（MLP）构建及其在复杂物系物性预测中的应用
复杂物系物性快速和精准预测的关键科学问题在于构建热力学理论与数据可解释性融合规则。将从头算分子动力学模拟(AIMD)、经典分子动力学模拟(CMD)、经典密度泛函理论（CDFT）和机器学习相结合，构建了深度学习力场函数（MLP），构建了实验数据与理论计算数据相融合的数据库，并发展了可解释性融合规则，实现气体吸附容量预测、醌基电解质溶液预测、同位素分离材料和石油烃混合物性质精准预测。开发出Uni-MOF算法与软件（Nat. Commun., 2024），并应用于同位素分离材料(Green Energy Environ., 2021)、惰性气体分离材料 (ACS Appl. Nano Mater., 2022)以及液流电池的醌类分子设计和筛选(Chin. J. Chem. Eng., 2021; Front. Chem. Eng., 2023)。
开发了带有校正力场的分子动力学石油烃计算软件包，发展了实验数据-模拟数据自学习-自校正方法，结合机器学习建立了纯物质和混合物的物性计算模型。该模型对石油烃混合物密度、粘度、焓值、扩散系数预测误差分别小于5%、20%、3%和15%(J. Chem. Eng. Data, 2020; Fuel, 2021; Chem. Eng. J., 2022)，发展了基于人工智能的气液相平衡相图预测模型及其软件。

代表成果

1. Wang, J.; Liu, J.; Wang, H.; Zhou, M.; Ke, G.; Zhang, L.; Wu, J.; Gao, Z.; Lu, D.*, A comprehensive transformer-based approach for high-accuracy gas adsorption predictions in metal-organic frameworks, Nature communications, 15(1)(2024), DOI:10.1038/s41467-024-46276-x.
2. Du, L.; Li, J.; Kong, X.; Lu, D.*; Liu, Z.*; Guo, W, Understanding the K+/Na+-Selectivity-Enabled Osmotic Power Generation: High Selectivity May Not Be Indispensable, OURNAL OF PHYSICAL CHEMISTRY LETTERS, 15(30)(2024), DOI:10.1021/acs.jpclett.4c01689.11.
3. Zhang, J.; Wang, H.; Luo, Z.; Yang, Z.; Zhang, Z.; Wang, P.; Li, M.; Zhang, Y.; Feng, Y.;Lu, D.*, ; Zhu, Y*, Computational design of highly efficient thermostable MHET hydrolases and dual enzyme system for PET recycling, COMMUNICATIONS BIOLOGY, 6(1)(2023), DOI:10.1038/s42003-023-05523-5.
4. Lu, C.; Peng, X.; Maity, B.; Sheng, X.; Zhou, Y.; Ueno, T.; Liu, Z.; Lu,D.*, Novel Au(I)-Based Artificial Metallo-Cycloisomerase for Catalyzing the Cycloisomerization of gamma-Alkynoic Acids，ACS CATALYSIS,13(15)(2023), DOI:10.1021/acscatal.3c01197.
5. Zhou, Y.; Zheng, Y.; Lu, C.; Maity, B.; Chen, Y.; Ueno, T.; Liu, Z.; Lu, D.*, Apo-ferritin-Caged Pt Nanoparticles for Selective Hydrogenation of p-Chloronitrobenzene, ACS APPLIED NANO MATERIALS, 6(7)(2023), DOI:10.1021/acsanm.3c00231.
6. Wang, P.; Zhang, J.; Zhang, S.; Lu, D.*; Zhu, Y.*, Using High-Throughput Molecular Dynamics Simulation to Enhance the Computational Design of Kemp Elimination Enzymes, JOURNAL OF CHEMICAL INFORMATION AND MODELING, 63(4)(2023). DOI:10.1021/acs.jcim.3c00002.
7. Wang, J.; Zhou, M.; Lu, D.*; Fei, W.; Wu, J.*, Virtual Screening of Nanoporous Materials for Noble Gas Separation, Acs Applied Nano Materials, 5 (3)(2022), DOI:10.1021/acsanm.1c03907.
8. Jia, M.; Kong, X.*; Wang, L.; Zhang, Y.; Quan, D.; Ding, L.; Lu, D.*; Jiang, L.; Guo,W.*, Light-Powered Directional Nanofluidic Ion Transport in Kirigami-Made Asymmetric Photonic-Ionic Devices, Small, 16 (1)(2020), DOI:10.1002/smll.201905557.
9. Lu, C.; Maity, B.; Peng, X.; Ito, N.; Abe, S.; Sheng, X.; Ueno, T.*; Lu, D.*, Design of a gold clustering site in an engineered apo-ferritin cage, Communications Chemistry, 5 (1)(2022), DOI:10.1038/s42004-022-00651-1.
10. Yang, J.; Hu, X.; Kong, X.; Jia, P.; Ji, D.; Quan, D.; Wang, L.; Wen, Q.; Lu, D.*; Wu, J.; Jiang, L.; Guo, W.*, Photo-induced ultrafast active ion transport through graphene oxide membranes, Nature Communications, 10(2019), DOI:10.1038/s41467-019-09178-x.

*以上信息由高级会员个人更新和维护。