最近，美国圣母大学罗腾飞教授和合作者，首次揭示了自然界海水中纳米塑料的形态。
研究中，他们利用一种独特的气泡沉积技术（SSBD，shrinking surface bubble deposition），来捕获和观察海水中极微量的纳米塑料。
期间，课题组检测了来自中国深圳、美国加利福尼亚州、美国德克萨斯州、韩国蔚山、以及墨西哥湾的海水样品。
该团队发现世界各地海水中都都会存在纳米塑料，并且形态和化学成分各异。更令人惊讶的是，他们在墨西哥湾 300 米深的海水里发现了来自矿泉水瓶材料分化来的纳米塑料颗粒。
由于气泡沉积能把这些纳米颗粒集中在一个基地表面，课题组使用扫描电子显微镜，第一次直观展现了自然界中包括聚苯乙烯、尼龙、和聚对苯二甲酸乙二酯多个种类的纳米塑料的形态和尺寸。
这项研究不仅解决了当前自然界中纳米塑料检测和可视化问题，同时也为环境与生物毒理性研究提供了新见解。
总的来说，这项研究证明了纳米塑料在海洋中的普遍存在性，并第一次通过扫描电子显微镜和透射电子显微镜可视化，呈现了自然界中纳米塑料的真实形态，为纳米塑料的毒理性研究和海洋生态的研究提供了关键信息。
针对相关论文，评审专家这样认为通过使用多种分析技术结合的方式，能更加彻底地分析纳米塑料的方法。
例如在观察聚苯乙烯时，尽管其在海洋中含量丰富，由于其极易分解成更小的苯乙烯低聚物，因此这些低聚物尺寸太小，无法通过扫描电子显微镜技术捕获，而拉曼光谱的使用则可以检测到聚苯乙烯。
据介绍，SSBD 技术能直接将待测样品与纳米金属颗粒悬浮液混合。研究中，课题组使用 10nm 的银颗粒，在脉冲激光的激发作用下产生等离子体效应从而生成气泡。
等离子体效应导致的温度场变化，使得气泡周围形成“马兰戈尼流”——这是一种由表面张力梯度而造成的传质现象。
形成的“马兰戈尼流”会将液体中悬浮的颗粒运送到气泡表面，从而被气泡“捕获”，最终被堆积到三相接触线处。
当停止激光激发，气泡慢慢变小并最终消失，气泡捕捉的颗粒被最终沉积在基底上，以供后续的拉曼光谱和扫描电子显微镜等技术检验测试分析。
相比于其他检测的新方法要求对样品进行繁琐的过滤，SSBD 无需复杂的预处理操作便能检测到超低浓度下的目标样本。
除此之外，该团队于 2020 在 Advanced Materials Interfaces 上发表的一项论文表明，SSBD 技术能减轻传统光热沉积技术中生物分子降解的问题，即能在不损坏生物功能的情况下提高检测极限。
基于这两点，课题组认为这项研究成果在超低浓度下的微小固体污染物检测和生物传感上，能发挥较大的潜力。
比如，利用 SSBD 来浓缩血液样本中的生物标志物，来提升灵敏度并改善早期癌细胞检测，进而更早地检测和治疗癌症。
作为日常生产和生活的主要材料，塑料的全球产量每年高达 4 亿吨，而其中有多达数百万吨塑料垃圾会进入海洋。
随着时间推移，这些塑料会由于紫外线的照射和海洋湍流的力学破坏，分解成肉眼不可见的微米或纳米尺度的小颗粒。
通过目前的技术如扫描电子显微镜和拉曼光谱等，已经能在海洋和淡水水域中观察到微米尺度（1-5000 微米）的塑料颗粒。
但是，当这些塑料颗粒的尺度到达纳米尺度（1 微米）时，现有的技术和手段便无法再观察到自然环境下的纳米塑料。
此前已有研究之后发现：微米塑料和纳米塑料对生物体的毒性，与颗粒尺寸和颗粒形态呈负相关。
这意味着更小的塑料颗粒更容易穿透生物的保护膜，并且可能携带未知的有毒物质或重金属渗透进入生物和人体系统。
因此，了解自然界中纳米塑料存在的形态，对其毒理性和环境研究特别的重要。当前，对于纳米塑料的检测主要是基于热解耦合气相色谱-质谱法。
但是，这项技术需要大量的过滤步骤和浓缩步骤，并且纳米塑料会在热解偶的高温环境下气化，没办法提供有效的自然环境下的尺寸和形态信息。
而针对气泡生成，罗腾飞此前拥有一些成果积累。基于此，他想更深刻地理解微观尺度下的传热传质规律。
后来，他和团队在实验中观察到气泡收缩后形成的高浓缩沉积物，这为本次课题的确定打开了大门。
在与美国德州农工大学海洋生态学家胥炜教授交流之后，罗腾飞决定利用这项技术对海水纳米塑料污染物进行“捕获”和识别。
之前，他们曾证明这项浓缩技术并不会因为高温造成有机物分子降解的问题，其能在极低浓度条件下捕获到样本，并能最大限度上保留样本原有的结构。
基本确定实验可行性之后，他们便开始收集全世界的海水样本，一共获取到来自中国深圳、美国加利福尼亚州、美国德克萨斯州、韩国蔚山、以及墨西哥湾的海水样品。
之后，他们便开始使用 SSBD 技术分析这些样品，借此成功浓缩到了海洋中有几率存在的数种纳米塑料，最终通过拉曼光谱和扫描电子显微镜完成了识别和可视化。
罗腾飞表示：“研究的成功离不开德州农工大学的胥教授，我们是读博时一起踢球的好友。
几年前胥教授看到我的气泡实验第一次在国际空间站完成的新闻媒体报道，便问我有没考虑过将这项技术应用到海洋的纳米塑料检测。”
基于这个想法，他们制定了详细的实验方案，并发动好几个球友帮忙在全世界取水样。
正是因为多方好友的帮助，才促成了这一系列从太空到海底纵跨 400 多公里的研究。
Seunghyun Moon 是第一作者，胥炜和罗腾飞担任共同通讯作者。
此外，尽管在这项研究中他们目前还未使用到 AI 技术，但是在罗腾飞的其他研究中，AI 已经发挥了至关重要的作用。
据了解，该团队的大多数课题与计算机科学联系紧密，比如在之前的聚合物的研究中，他们基于循环神经网络对现有最大的聚合物数据库进行训练，生成了一个包含约一百万个聚合物的基准数据库——PI1M，这为高分子信息学研究提供了良好的数据信息。
而事实也确实如此，PI1M 在此后的聚合物信息研究中，多次成为该领域研究人员所使用的测试数据库。
除此之外，他们还使用主动学习策略来探索具有高热导率的聚合物，这种机器学习与分子动力学相结合的研究，极大的提升了他们对于大通量聚合物数据库的筛选能力，并为工程领域发现了更多具有优秀性能的聚合物。
类似的机器学习策略，他们还应用在了热电材料优化上。在 2023 年于 Advanced Materials 发表的论文里，他们提出了一种集成贝叶斯优化和高斯过程回归的混合数据驱动策略，以优化热电材料中各种元素的成分。
人工智能的参与加速了很多材料系统的开发和优化，同时减少实验次数，节约了时间和成本。
而对于本次研究来说，鉴于 SSBD 在超低浓度条件下的检测灵敏度，他们目前正在尝试将这项技术用于不一样的品牌的瓶装水，对其中含有的纳米塑料种类进行统计并对其形态进行可视化研究。预计 AI 技术会极大地提升测试通量和灵敏度。
作为比较，他们还希望使用热解耦合气相色谱-质谱法来量化水样中的总塑料含量。
而为了了解颗粒密度与水中纳米塑料颗粒浓度之间的关系，他们计划在特定海域海滩和远海进行采样，并将 SSBD 技术应用于这些样品，最后进行不一样的种类和形态塑料颗粒的统计分析。
同时，他们也想通过机器学习方法，将累积流量与实验测量的沉积物密度关联起来，借此建立非线性的相关性，从而确定纳米塑料检测极限的最佳实验条件。