数据驱动模型揭示真菌蛋白材料力学对称性：结构各向异性不等于功能各向异性

1. 项目概述：当结构不等于对称性

在材料科学和工程领域，我们常常被教导一个看似直观的“常识”：材料的内部结构决定了它的宏观性质。比如，一块木头顺着纹理方向（纵向）比横着纹理方向（横向）更结实，这就是典型的各向异性——性质随方向而变化。这种认知根植于连续介质力学的基本框架：我们通过构建本构模型，用一组数学不变量（如I1, I4, I5）来描述材料的应变能，这些不变量对应着材料的对称性。一个高度定向的纤维结构，理应对应着一个横观各向同性甚至正交各向异性的力学响应。然而，现实世界中的软材料，从生物组织到食品，常常给我们出难题。你有没有想过，一块看起来纤维纹理分明的“植物肉”，咬下去的口感在不同方向上真的会有天壤之别吗？或者说，我们肉眼可见的“结构”，就一定能预言其“功能”吗？

最近，斯坦福大学和KU Leuven的研究团队在真菌蛋白材料（一种前景广阔的肉类替代品）上的工作，恰恰挑战了这一固有认知。他们选取了三种具有明显纤维状微观结构的真菌基材料：菌丝体、子实体和蛋白质-菌丝体混合物。通过精密的力学实验和前沿的数据驱动模型发现技术，他们得到了一个反直觉的结论：微观结构的各向异性，并不总是转化为宏观力学或感官感知的各向异性。简单说，看起来有方向，测起来可能没差别。这项研究不仅颠覆了材料力学中“结构决定对称性”的经典假设，更重要的是，它展示了一套强大的“数据驱动”方法论，让我们能够抛开先入为主的偏见，直接从实验数据中“聆听”材料自己的“力学语言”，从而发现其真实的对称性类别。这对于设计下一代具有定制化质地和功能的软材料，尤其是在食品科技、生物医学工程和软体机器人领域，具有深远的意义。

2. 核心思路与实验设计拆解

2.1 为什么选择真菌蛋白材料作为模型系统？

要挑战一个根深蒂固的范式，选择一个合适的“擂台”至关重要。研究团队选择了真菌蛋白材料，这绝非偶然，而是基于其多重独特优势的深思熟虑。

首先，结构清晰且可调。真菌材料由菌丝（hyphae）——一种管状真菌细胞——相互交织形成网络。这种网络天然具有层次化的纤维结构，从微米级的单根菌丝到毫米级的菌丝束，排列方式（有序或无序）可以通过培养条件进行调控。这为研究“结构-性能”关系提供了一个近乎理想的、生物来源的模型系统。它不像许多合成聚合物那样结构过于复杂难解，也不像一些简单凝胶那样完全无序。

其次，兼具基础科学与应用价值。在基础研究层面，真菌网络与许多经典纤维增强复合材料（如碳纤维复合材料）或生物组织（如肌肉、肌腱）在结构上具有相似性，是研究软物质和生物材料力学的绝佳载体。在应用层面，真菌蛋白正是当下热门的肉类替代品的核心原料。其质地（如纤维感、多汁性、咀嚼性）直接决定了消费者的接受度。因此，理解其力学各向异性，就等于在解码其“口感”的物理基础。

最后，便于进行多尺度关联。从微观的细胞壁（几纳米到几百纳米）到介观的菌丝网络（几十微米），再到宏观的“肉排”（厘米级），真菌材料提供了完整的尺度跨越。这使得研究人员能够相对清晰地将微观观察、宏观力学测试和感官评价联系起来，形成一个闭环的研究链条。

2.2 实验策略：正交力学测试与数据驱动模型的联姻

研究的核心实验策略可以概括为“多模式加载、多方向测试、数据驱动建模”。这是一个非常系统且有力的组合拳。

1. 多方向取样： 研究没有想当然地认为材料是各向同性的或横观各向同性的。他们制备了两种取向的样品：

• 面内方向：沿着样品表面可见的纤维主要排列方向。
• 面外方向：垂直于上述纤维排列方向。 这种设计直接针对“各向异性”这一核心问题：如果材料是各向异性的，那么这两个方向上的力学响应应该有显著差异。

2. 多模式加载： 对于每种材料和每个方向，他们进行了三种基本的力学测试：

• 单轴拉伸：模拟材料在被拉长时的行为（如咀嚼时的撕扯）。
• 单轴压缩：模拟材料在被挤压时的行为（如牙齿咬合）。
• 简单剪切：模拟材料在内部层间发生滑动时的行为（如咀嚼时的剪切变形）。 每种测试进行10次重复，总计180次实验，确保了数据的统计可靠性。测试应变控制在10%以内，这属于小变形范畴，便于进行线性刚度分析，同时也捕捉了初始非线性响应。

注意：选择拉伸、压缩、剪切这三种基本加载模式至关重要。它们共同构成了描述材料力学行为最基础的“信息集”。仅靠一种加载模式（如只做拉伸）无法完整刻画材料的本构关系，特别是无法区分某些材料模型。组合测试提供了更全面的应力-应变状态信息。

3. 数据驱动的自动化模型发现： 这是本研究的方法论精髓。传统做法是：研究者根据经验或微观结构观察，先“假设”一个材料模型（例如，横观各向同性的纤维增强模型），然后用实验数据去拟合这个模型的参数。这种方法风险很高，如果假设的模型不对，拟合再好也是错误的。 本研究反其道而行之：他们构建了一个包含可能对称性（从各向同性到横观各向同性）的本构神经网络。这个网络的输入是变形梯度F，输出是应变能函数ψ。网络结构允许其以稀疏组合的方式，从一组候选的应变不变量函数（基于I1, I2, I4, I5构建）中，自动“选择”出那些对描述当前材料响应真正重要的项。通过训练网络拟合所有力学实验数据，并施加L1正则化（促使不重要的项权重归零），最终“发现”了一个简洁的、数据支持的本构模型。这个模型的数学形式直接揭示了材料的有效对称性：如果只包含I1, I2, I3，则是各向同性；如果包含了I4或I5，则表明存在一个优先方向，即具有各向异性。

3. 材料制备、表征与力学测试细节

3.1 三种真菌材料及其微观结构

研究使用了三种商业来源的真菌蛋白产品，但为了强调普适性，文中仅以其结构起源命名：

1. 菌丝体：来源于蘑菇根部菌丝网络。
2. 子实体：来源于蘑菇的果实部分（如常见的伞盖和菌柄）。
3. 蛋白质-菌丝体混合物：由菌丝体与其他植物蛋白混合制成。

宏观与微观形貌：

• 宏观：所有材料在肉眼和低倍镜下都显示出纤维状纹理。菌丝体相对均质，纤维走向不明显；子实体具有最显著的定向纤维结构；蛋白质混合物则呈现不均匀结构，伴有局部排列区域和较大孔隙。
• 微观：通过冷冻切片和光学显微镜观察（图3）。菌丝体呈现大片层状结构，排列有限；子实体显示密集连接、具有优先取向的纤维；蛋白质混合物则是局部排列区域与大量空隙的结合体。

实操心得：对于这类含水率高、质地柔软的食品材料，冷冻切片是制备微观观察样本的关键。使用OCT包埋剂快速冷冻可以很好地保存原始微观结构，避免因化学固定或脱水导致的收缩变形。切片厚度（本研究用40µm）需要权衡：太薄可能无法代表三维网络，太厚则影响透光率和成像清晰度。

3.2 样品制备与力学测试协议

样品制备：

• 拉伸样品：切割成10mm x 10mm x 20mm的长方体。分别沿面内和面外方向切割。
• 压缩与剪切样品：使用活检针钻取直径8mm、高10mm的圆柱体。同样区分面内和面外方向（即圆柱轴平行或垂直于纤维主方向）。

测试设备与参数：

• 拉伸测试：使用Instron 5848万能材料试验机。样品两端用胶水固定在玻片上，再夹持到定制夹具中，以最小化夹持效应。拉伸应变率为0.002/s，至名义应变10%（λ=1.1）。
• 压缩与剪切测试：使用HR20发现型混合流变仪。样品置于40mm底板和8mm平行板之间，板面经过喷砂处理以增加摩擦防止滑移。压缩测试同样以0.002/s的应变率压缩至λ=0.9。剪切测试则是在先施加10%的压缩预载（λ=0.9）后，再以0.002/s的剪切应变率施加10%的剪切应变。
• 预载：所有测试前均施加0.01-0.05N的小预载力，以确保样品与夹具接触良好，初始读数为零。

注意事项：对于软质、多孔的材料，测试中的边界条件（如夹持、摩擦）影响巨大。本研究采用胶粘和粗糙板面的方法，旨在尽可能实现理想的加载条件。在实际操作中，需要反复验证方法的可重复性，例如检查样品是否在夹具处断裂（应力集中），或是否在压缩/剪切时发生桶状变形或滑移。

3.3 力学数据分析：从应力-应变曲线到刚度与对称性判定

获得原始力-位移或扭矩-角度数据后，需转换为有意义的材料参数。

1. 应力-应变计算：根据样品初始尺寸和加载几何，计算工程应力（力/初始面积）和工程应变（长度变化/初始长度）或剪切应变。
2. 刚度提取：在10%的小应变范围内，假设材料响应近似线性。通过线性回归拟合应力-应变数据，得到：
   • 拉伸刚度 E_ten
   • 压缩刚度 E_com
   • 剪切刚度 E_shr (由剪切模量μ换算，E_shr = 3μ，假设泊松比ν=0.5，即不可压缩)
   • 平均刚度 E_mean = (E_ten + E_com + E_shr)/3
3. 统计检验：对面内和面外方向的各项刚度进行Welch t检验（假设方差不相等），以p值（如p<0.05）判断差异是否具有统计学显著性，从而定量判定各向异性程度。

4. 核心发现：结构各向异性 ≠ 力学各向异性

实验数据清晰地展示了三种材料截然不同的力学对称性类别，完美地构成了一个从强各向异性到完全各向同性的连续谱。

4.1 菌丝体：典型的强各向异性材料

菌丝体的微观结构（大片层状）看起来纤维取向并不强烈，但其力学响应却表现出最强的方向依赖性。

• 应力-应变曲线：在拉伸、压缩、剪切三种模式下，面内和面外方向的曲线分离明显。例如，其峰值拉伸应力，面内方向（9.7 kPa）是面外方向（2.4 kPa）的四倍以上。
• 刚度分析：所有加载模式下的面内与面外刚度差异均具有统计学显著性（p<0.01-0.05）。拉伸刚度的差异最为悬殊：面内106 kPa，面外仅29 kPa。
• 本构模型发现：自动化模型发现为其“找到”的应变能函数为： ψ = 5.07 kPa [ I1 −3 ] + 1.64 kPa ⟨I5 −1⟩² 这个模型包含两项：一项是代表基质响应的各向同性neo-Hookean项（仅含I1），另一项是强烈的各向异性项，依赖于纤维方向的不变量I5。这确认了其横观各向同性的力学对称性。I5项前的系数（1.64 kPa）显著大于子实体中的对应项，反映了其更强的各向异性。

4.2 子实体：弱各向异性/过渡状态

子实体在显微镜下显示出最清晰的定向纤维排列，但其力学各向异性却相对温和。

• 应力-应变曲线：面内和面外曲线存在差异，但分离程度远小于菌丝体。例如，拉伸峰值应力面内为4.9 kPa，面外为3.5 kPa，差异不足50%。
• 刚度分析：虽然数据显示出各向异性趋势（如剪切刚度），但多数刚度的方向差异在统计上不显著（p>0.05）。这表明其处于各向同性与各向异性之间的过渡区。
• 本构模型发现：发现的模型为： ψ = 4.42 kPa [ I1−3 ] + 0.69 kPa [ exp( 0.70⟨I5 −1⟩² ) −1 ] 模型同样包含各向同性和各向异性两项。关键区别在于：1) 各向异性项的权重（0.69 kPa）远小于菌丝体；2) 该项是I5的指数函数形式，表明其纤维方向的力学响应可能具有更强的非线性。模型拟合优度（R²均值=0.755）低于菌丝体，也反映了其行为的复杂性。

4.3 蛋白质-菌丝体混合物：有效的各向同性材料

蛋白质混合物在微观上呈现局部排列与大量孔隙共存的异质结构，但其宏观力学响应却近乎完美的各向同性。

• 应力-应变曲线：面内和面外方向的曲线在拉伸、压缩、剪切中几乎完全重叠。
• 刚度分析：所有刚度的方向差异均无统计学显著性（p>0.05）。
• 本构模型发现：发现的模型极其简洁： ψ = 14.30 kPa [ I1 −3 ] 这是一个纯粹的各向同性neo-Hookean模型，仅由第一不变量I1决定。自动化模型发现过程没有选择任何与纤维方向相关的I4或I5项。尽管视觉上仍有结构，但力学上它表现为各向同性体。其整体刚度（14.30 kPa）也高于前两者。

核心启示：这一系列结果有力地证明，“看起来有方向”和“测起来有方向”是两回事。微观结构的排列是产生各向异性的必要条件，而非充分条件。力学响应还强烈依赖于纤维本身的力学性质、纤维与基质的相互作用（界面）、以及网络的拓扑结构（如纤维的连通性、纠缠程度）。在蛋白质混合物中，大量孔隙和异质界面可能“抹平”了局部纤维方向的影响，使得宏观响应表现为各向同性。

5. 感官感知：力学各向异性如何影响“口感”？

对于食品材料，力学性能的终极检验之一是感官体验。研究团队对三种材料进行了系统的感官评价（质地剖面分析），让受试者从12个属性（柔软度、硬度、脆性、咀嚼性、胶黏性、粘性、弹性、粘着性、纤维感、多脂感、多汁感、肉感）对面内和面外方向的样品进行评分。

结果同样揭示了复杂而有趣的现象：

1. 感知的各向异性与力学并不完全同步：
   • 菌丝体：在力学上强各向异性，在感官上也表现出柔软度和咀嚼性的显著方向差异。
   • 子实体：力学上弱各向异性，但在感官上表现出咀嚼性和弹性的显著方向差异。
   • 蛋白质混合物：力学上各向同性，感官上也未表现出任何属性的显著方向差异。
2. 关键的“纤维感”悖论：在所有三种产品中，“纤维感”这一属性均未表现出显著的方向依赖性（p>0.05）。这是一个极其重要的发现。它意味着，我们口腔感知到的“纤维质地”，并非直接来源于宏观力学刚度的方向差异，也不是微观排列的简单映射。它更可能是一个多感官整合的结果，由力学响应（如断裂方式、变形模式）、热学性质、以及唾液润滑下的摩擦学行为共同塑造。

实操心得：感官评价实验的设计至关重要。本研究采用了固定的评估流程（先测面外，再测面内，中间清水清口），并使用标准化的质地描述词和利克特量表，保证了数据的可比性和可重复性。在进行此类研究时，招募足够数量且经过一定培训的品评员，并采用盲测和随机顺序（本研究为固定顺序，但通常推荐平衡设计以消除顺序效应）是减少偏差的关键。

6. 自动化模型发现技术深度解析

6.1 本构神经网络：架构与工作原理

本研究采用的自动化模型发现，其核心是一个精心设计的本构神经网络。它不是普通的预测应力的黑箱网络，而是一个具有物理可解释性架构的“白箱”模型。

网络输入与输出：

• 输入：变形梯度张量 F。这是一个3x3的矩阵，完整描述了材料微元的变形（包括拉伸、收缩和旋转）。
• 输出：标量应变能函数 ψ。这是连续介质力学中定义超弹性材料的核心，应力可以通过对ψ求关于F的导数得到（P = ∂ψ/∂F）。

网络结构（两层隐藏层）：

1. 第一层（不变量生成层）：根据输入的F，计算一组预设的、具有明确物理意义的应变不变量。本研究考虑了横观各向同性材料的可能性，因此计算了：
   • 各向同性不变量：I1, I2, I3 (假设材料不可压缩，I3=1，故实际不使用)。
   • 各向异性（纤维方向）不变量：I4, I5。其中，I4 = λ_fiber²（纤维方向拉伸的平方），I5是更高阶的纤维方向度量。 这一层将原始的、高维的F映射到了低维的、包含对称性信息的特征空间。
2. 第二层（函数组合层）：对第一层输出的每个不变量（或它们的组合），施加两种简单的数学操作：恒等函数 (·) 和指数函数 exp(·)。同时，允许这些项以一次方和二次方的形式出现。这相当于构建了一个丰富的“本构模型库”，包含了从线性到非线性、从各向同性到各向异性的多种可能项。
3. 输出层：将第二层所有激活项加权求和，得到最终的应变能ψ。每个项前面都有一个待学习的权重系数w_i（单位kPa）。

训练与稀疏化： 网络通过最小化预测应力与实验测量应力之间的误差来训练。为了防止过拟合和得到一个简洁的模型，研究者引入了L1正则化（Lasso回归）。L1正则化会在损失函数中增加所有权重系数绝对值之和的惩罚项。这会产生一个“稀疏化”效果：那些对拟合数据贡献不大的项的权重会被“压缩”至零。最终，只有少数几个权重非零的项被保留下来，它们就构成了从数据中“发现”的最佳本构模型。

6.2 模型发现结果解读：从数据中“听”到的对称性

训练过程针对每种材料，分别使用仅拉伸、仅压缩、仅剪切以及三者联合的数据进行。联合训练得到的模型被认为最具普适性。

• 菌丝体：联合训练发现了两个非零项：w1*I1 和 w11*<I5-1>^2。I1项代表各向同性基质响应，I5项明确引入了纤维方向，证实了其横观各向同性对称性。
• 子实体：联合训练发现了 w1*I1 和 w12*exp(w*12*<I5-1>^2)。同样包含各向异性项，但形式是指数型且权重更小，表明其弱的、非线性的各向异性。
• 蛋白质混合物：联合训练只发现了一项：w1*I1。没有I4或I5项被激活，铁证如山地表明其力学行为是各向同性的，尽管结构看起来并非如此。

注意事项：自动化模型发现的成功，高度依赖于实验数据的质量和广度。本研究同时使用了拉伸、压缩、剪切三种不同应力状态的数据，这为模型识别提供了丰富的信息。如果只做单一类型的测试，发现的模型可能只在该特定加载模式下有效，缺乏普适性（正如文中单独训练时发现的模型泛化能力较差所示）。因此，在设计实验时，应尽可能覆盖材料在实际应用中可能遇到的各种变形模式。

7. 总结与展望：数据驱动范式下的材料表征

这项研究通过一个清晰的案例表明，在复杂软材料中，“力学对称性”由力学响应本身定义，而非由视觉结构预先规定。自动化模型发现技术提供了一条强有力的途径，可以绕过基于经验的模型假设，直接从数据中推断出控制材料行为的、最简化的本构方程和对称性类别。

对材料科学与工程的意义：

1. 打破“结构决定论”思维：在设计具有特定力学性能的材料时，不能仅依赖于调控微观结构排列。必须同时考虑组成相的力学性能、界面特性以及整体网络的拓扑结构。
2. 精准表征与预测：对于像真菌蛋白肉这类复杂材料，传统基于假设模型的拟合方法可能引入偏差。数据驱动方法能提供更可靠的本构描述，从而在计算机模拟中更准确地预测其在加工、运输和咀嚼过程中的行为。
3. 逆向设计与优化：如果我们希望一种肉类替代品在咀嚼时具有特定的各向异性口感（例如，像真肉一样顺着肌纤维容易撕开，垂直方向则需用力），我们可以利用这个框架。先设定目标力学响应（各向异性程度），再通过模型和实验反馈，指导微生物培养或加工工艺（如挤压、剪切），以“定制”出所需的微观结构-力学性能组合。

对研究方法的启示：

1. 多模态、多尺度实验的结合是理解复杂材料的基石。力学测试、微观结构表征、感官评价三者结合，提供了完整的“结构-性能-感知”链条。
2. 物理信息机器学习是未来的重要方向。本研究的本构神经网络是物理信息神经网络的一个特例，它将物理定律（如应变能函数、应力推导）嵌入到机器学习架构中，保证了模型的物理一致性和可解释性，远优于纯黑箱模型。
3. 从“假设验证”到“发现科学”：这套方法论代表了一种范式的转变——从“我有一个模型，看看数据是否支持它”转向“让数据告诉我们，哪个模型最能描述它”。这对于探索未知材料或非经典行为尤其有价值。

最后，这项研究也留下了一些开放性问题，例如，感官感知中的“纤维感”究竟由哪些微观力学机制主导？如何将这种数据驱动框架扩展到更大变形、率相关（粘弹性）或损伤行为？这些都将成为未来软物质力学和食品质构科学中有趣的研究方向。从个人经验来看，处理这类高度非线性、含水丰富的材料时，实验的可重复性是一大挑战，微小的湿度、温度变化或样品制备差异都可能导致结果波动。因此，严格的实验环境控制、标准化的样品处理流程以及大量的重复测试，是获得可靠数据、让材料“说出”其真实对称性的根本前提。