简单盐类对带混合配体壳层的充电金纳米晶的聚集效果：一项高通量研究

《ACS Materials Au》：Agglomeration Efficacies of Simple Salts on Charged Gold Nanocrystals with Mixed Ligand Shells: A High-Throughput Study

　　高分辨率图像
下载MS PowerPoint幻灯片

盐类能够诱导金纳米晶体的聚集和组装，这些纳米晶体由带电配体壳层稳定。这种不稳定性部分偏离了经典DLVO理论对较大胶体颗粒的预测，但现有研究主要关注有限的浓度范围或离子类型。在这里，我们采用高通量方法测试了17种不同盐类在0.16 mM至2 M浓度范围内对带负电纳米晶体的聚集效果，这些纳米晶体的表面覆盖有11-巯基十一烷酸和/或三乙二醇单-11-巯基十一烷基醚壳层。通过自动移液技术，我们收集了接近10000个紫外-可见光吸收光谱的数据集。我们分析了光谱变化以确定聚集开始的时刻，识别出关键的盐浓度，并表征了聚集转变的性质。结果与经典DLVO理论进行了比较，发现离子浓度和阴离子价态的影响与DLVO预测一致。阳离子价态的变化仅部分符合预测，这表明在筛选长度达到分子尺度时，局部离子特异性相互作用起主导作用。我们还使用随机森林回归模型作为额外的“黑箱”分析方法，将离子强度、配体壳层组成和离子本身的性质关联起来，并对其对金纳米晶体胶体稳定性的相对重要性进行排序。这种排序结合了经典DLVO效应和特定离子相互作用以及影响等离子体共振位移的微妙效应，为数据提供了补充解释。

特刊
本文发表在ACS Materials的“Au特刊”《复杂材料的设计》中。

1. 引言
胶体金纳米晶体（Au NCs）的光学性质取决于其尺寸、形状、晶体结构和化学表面状态。(1,2) 它们被应用于光子超材料、(3) 印刷电子学、(4) 医学检测、(5,6) 以及治疗等领域，其中利用了它们的低毒性。(5) 局域表面等离子体共振（LSPR）峰的位置被用于传感，例如，能够通过肉眼观察到强烈的光学响应来检测葡萄球菌肠毒素A。(6) 具有红外LSPR的棒状Au NCs已被用于光热疗法，并已进入临床试验（ClinicalTrials.gov，ID: NCT02680535）。

聚集和组装会影响Au NCs的光学和化学性质。它们的胶体稳定性取决于金属核心之间的吸引性范德华（vdW）相互作用与排斥性相互作用（静电、空间位阻或熵力）之间的平衡。(8,9) 聚集也可以由特定相互作用引起，例如通过附着在Au NC表面的DNA介导的相互作用，(10,11) 但这不在本文讨论范围内。聚集会导致无序的颗粒排列，这些排列通常介于反应限制结构（RLA）和扩散限制结构（DLA）之间(12?14)，而组装则可以产生有序排列，例如“超晶格”、“超晶体”或“超粒子”。(15?17) 是否出现有序或无序取决于颗粒之间的相互作用势以及它们在自由能景观中的路径。(18) 这种景观会随时间变化，例如当分散的Au NCs因添加盐而逐渐失稳时。(18) 通常通过吸附在表面的带电物种（如負电荷的柠檬酸盐、(20) 卤化物、(21) 正电荷的十六烷基三甲基铵溴化物（CTAB）或聚乙烯亚胺（PEI）)来调节Au NCs的胶体稳定性。(22) 虽然这些物质在合成过程中就已经被吸附，但也可以在合成后通过添加有机硫醇来调整电荷。(23?25) 硫醇能够快速吸附，形成Au–S共价键（184 kJ/mol），并在自组装单层（SAMs）中密集覆盖金核心。(26,27)

经典DLVO理论预测电解质中离子的浓度和价态会影响胶体稳定性。随着离子强度的增加，德拜屏蔽长度减小，从而降低了聚集的能量障碍。(28) 该理论没有考虑尺寸依赖的表面曲率或离散离子效应。(29) 已知它低估了高盐度介质中纳米晶体的稳定性，在这种情况下，非DLVO力（如水合作用或吸附配体的空间位阻排斥）成为主导因素。(29) DLVO理论假设颗粒表面是惰性的，但Au NCs是催化剂，可能会发生结构或表面变化。(30) 因此，当前的胶体科学研究旨在通过模拟和实验扩展和修正DLVO理论。(31?33) 最近的研究测试了现有的非DLVO概念是否适用于Au NCs的稳定性。(34?38) 例如，Hofmeister系列对盐类对蛋白质溶解度的影响进行了排序，并定义了强水合离子和弱水合离子。(31) 强水合离子会稳定蛋白质，降低其溶解度，并最终导致沉淀，而弱水合离子则会增加溶解度。(31) 最近的研究评估了这些原理是否也适用于Au NCs的稳定性。(34?38) Christau等人测试了不同卤化碱离子对涂有聚(N-异丙基丙烯酰胺)（PNIPAM）的Au NCs分散液的影响。(34) 盐类的聚集效率依次为NaF < NaBr < NaCl < KCl，这与Hofmeister系列中的离子性质没有明显关系。其他研究人员量化了MCl（M = Li+, Na+, K+, Rb+, Cs+）水溶液中带11-巯基十一烷酸壳层的Au NCs的胶体稳定性。(38) 它们的聚集效率顺序为CsCl > KCl > LiCl > NaCl > RbCl。(38) 这种顺序与水合阳离子M+的尺寸无关，也不符合Hofmeister系列。对于M = Na+的情况，三种阴离子Cl–、NO3–和SO42–产生了相同的聚集效率。(38) 对于涂有硫醇的Au NCs进行的实验表明，二价离子（Mg2+, Ca2+）在比单价离子（Na+, K+）更低的浓度下就能引起聚集。(39) 最后，Ritzert等人报告说，像I–和SCN–这样的可极化阴离子在共价结合的巯基丙酸Au NCs分散液中引起了化学反应：I–促进了颗粒融合并迅速破坏了纳米粒子结构，而SCN–则引起了聚集，但在沉降前保持了纳米粒子结构更长时间。(35) 鉴于DLVO理论未考虑的效应在胶体纳米粒子稳定性中的相关性仍然是一个挑战。目前还没有一个全面的DLVO扩展模型能够涵盖所有相关效应。逐渐或部分聚集难以量化，而且定义合适的终点（例如，根据离子浓度将分散液分类为“稳定”或“不稳定”）也并不是一件容易的事。如果没有理论指导浓度选择，并且终点难以定义，那么需要进行大量的实验以避免误解。目前采用的实验技术相对耗时，且难以扩展到数百甚至数千种组合及其重复实验。此外，目前通过电子显微镜或X射线散射来检测聚集体的差异和有序组装结构的出现，这些方法比使用传统方法的样品制备速度还要慢。

高通量实验的最新进展以及基于“机器学习”或更广泛的探索性数据分析的强大“黑箱”模型的出现，可以为克服这些限制提供方向。(40?42) 在这里，我们采用了一种不可知论的方法，不对Au NCs聚集和组装的潜在机制做出假设。我们结合了并行机器人移液、微孔板和自动化光学分析来诱导和分析聚集现象。虽然离子的选择受到了Hofmeister系列研究的启发，但我们并没有基于此做出任何假设，并测试了广泛的浓度范围。我们使用两种不同的硫醇独立改变了Au NCs的表面电荷。类似的自动化过程已经被应用于发现新催化剂(40?42)和新有机分子的放大(43)，但据我们所知，尚未用于分析Au NCs的胶体稳定性。

我们将高通量实验与随机森林回归结合使用，这是一种可扩展的集成学习算法，其结果可以与经典解释进行比较。(44) 我们使用的Au NCs带有带有负电或中性ω基的有机硫醇自组装单层（SAMs）。选择这些分子是因为它们具有相对强的吸附性，且溶液中自由配体的浓度较低，从而避免了干扰。相比之下，柠檬酸盐(34,35)的吸附性较弱，容易在洗涤步骤中被去除。聚合物(45)在释放到电解质中时可能会引起额外的消耗作用。最后，SAMs在一定程度上保护了金表面，防止离子侵蚀AuNP。(34,35)

我们使用连接到微孔板吸收光栅的微量移液机器人来提取Au NCs的LSPR吸收峰的波长，以快速筛查胶体稳定性。这些纳米晶体是水溶性的，并用11-巯基十一烷酸（以下简称MUA，一种负电荷配体）和三乙二醇单-11-巯基十一烷基醚（以下简称TEG，一种中性配体）的混合物进行功能化，以调节表面电荷。然后，我们将涂有硫醇的Au NCs暴露于不同的盐类中，并通过微孔板进行光学检测。我们分析了分散液的光学性质变化，这些变化取决于MUA:TEG配体的比例（仅MUA、过量MUA和等摩尔比）、盐中离子的性质（强水合和弱水合）、离子的半径（范围从60到240 pm）和价态（1、2或3），以及它们的浓度（0.00016到2 M）。生成的数据通过机器学习算法进行分析，其中我们使用等离子体峰位移作为Au NCs聚集的指标。

2. 材料与方法
2.1 材料
四氯金(III)酸三水合物（≥99%微量金属基）、柠檬酸三钠二水合物（≥99%）、柠檬酸一水合物（≥99%）和单宁酸（MW = 1701 g/mol）用于颗粒合成，均购自Sigma-Aldrich。配体11-巯基十一烷酸（95%，MUA）和三乙二醇单-11-巯基十一烷基醚（TEG）以及所有盐类均购自Sigma-Aldrich。

2.2 金纳米晶体的合成
柠檬酸涂层的Au NCs是通过种子生长法合成的，(19) 并对协议进行了略微调整。简要来说，在一个250 mL的三颈烧瓶中，加入含有柠檬酸钠（150 mL，2.2 mM）、单宁酸（0.1 mL，2.5 mM）和碳酸钾（1 mL，150 mM）的水溶液。使用油浴加热混合物。当温度达到70 °C时，迅速注入1 mL的HAuCl3水溶液（25 mM）。溶液的颜色在2分钟内迅速从黑色变为红色。让混合物在此温度下继续反应5分钟以确保完全反应。这些所得的Au NCs（直径3.5 nm）立即被用作种子。(19) 首先，将55 mL的制备好的种子溶液与55 mL的2.2 mM柠檬酸钠水溶液在同一个三颈烧瓶中稀释并加热。然后，在70 °C下，每隔10分钟分别注入两次0.5 mL的HAuCl3水溶液。这两个步骤分别重复6次和12次，直到Au NCs的大小达到大约12 nm，如先前报道。(19) 所得到的Au NCs分散液的浓度为1 mg/mL，且颗粒表面覆盖有柠檬酸离子。

2.3 配体交换
将不同摩尔比的硫醇MUA和TEG溶液（2.4 mM MUA；2.4 mM MUA和1.2 mM TEG；以及2.4 mM MUA和2.4 mM TEG）加入12 nm Au NCs的分散液中。(46,47) 加入等摩尔的NaOH溶液以帮助MUA在蒸馏水中的溶解。分散液在室温下搅拌过夜。然后通过10500 rpm离心1小时将含有MUA或混合配体壳层的Au NCs浓缩至2 mL，随后用Millipore水洗涤两次，如先前报道。(46,47)

2.4 纳米晶体的表征
柠檬酸涂层的Au NCs的尺寸和形状是通过在JEOL JEM 1010显微镜上记录的TEM显微照片确定的。将大约15 μL的柠檬酸涂层Au NCs水溶液滴涂在碳涂层网格上，并在室温下干燥约24小时。使用ImageJ软件测量了约100个单个纳米颗粒的大小分布。为了更准确地分析柠檬酸涂层Au NCs的形状和尺寸，我们还进行了小角X射线散射（SAXS）分析。SAXS图谱是使用Xeuss 2.0实验室设备（Xenocs SAS，法国格勒诺布尔）记录的。来自铜Kα源的入射光束波长为λ = 0.154 nm，经过准直后聚焦在样品上，形成0.25 × 0.25 mm2的斑点。二维散射图谱由Dectris Pilatus 3R 1M探测器记录，采集时间为3600秒，样品与探测器的距离为1214毫米，该距离通过银 behenate标准品进行校准。散射图谱经过方位角平均处理，以获得依赖于动量转移量q = 4πλ–1sin θ的散射强度I，其中θ为散射角。紫外-可见光谱使用Cary（美国）300 UV–vis光谱仪在400至800纳米的波长范围内进行测量，样品为装有1 mg/mL金纳米晶体分散液的水石英比色皿。纳米颗粒的平均流体动力学直径通过Anton Paar Litesizer 500的动态光散射（DLS）技术确定。一次性使用的聚（甲基丙烯酸甲酯）比色皿中装有水溶性金纳米颗粒。光源为发射波长为658纳米、功率为40 mW的半导体激光二极管。使用对数正态函数来计算纳米颗粒的流体动力学直径。吸附配体的数量比通过核磁共振（1H NMR）进行分析。消化样品（去除金核心以避免峰 widened）的1H NMR数据在Bruker Avance 300光谱仪上获得，参考溶剂为D2O，扫描次数为512次，松弛延迟为10秒，操作温度为298 K。金纳米颗粒的1H NMR样品是通过在20 μL王水中过夜消化后，再用500 μL D2O稀释制备的。光谱数据使用TopSpin软件进行后处理。巯基涂层纳米颗粒的ζ电位使用Nano ZS90（Malvern，美国）Zetasizer仪器测量。

2.5 自动聚集体研究
使用配备Integra Voyager 8通道移液的Integra Assist Plus微移液机器人（INTEGRA Biosciences AG制造）来制备金纳米粒子（Au NC）分散液和盐溶液的混合物。该机器人通过Vialab软件控制，该软件具有创建自动化移液协议的算法（算法详见补充信息）。我们使用了康宁公司的一次性聚苯乙烯384孔板。针对三种类型的Au NC外壳，测试了总共17种不同的盐（见表1中的总结），每种盐有48种不同的浓度。每个样品制备了四个重复样品，因此共记录了9792个测量值。每种盐的储备浓度被制备出来，然后稀释成分散液中的最终浓度，范围从0.16 mM到2 M。每次制备所需的电解质并将其与Au NC混合的自动化移液过程大约需要40分钟，Au NC在过程的最后5分钟内加入。然后将孔板移动到配备Tecan Trading AG生产的Spark Multimode Microplate Reader的Cary UV–vis光谱仪（典型的运输时间为5分钟），该光谱仪装有氙弧放电灯。在450至750纳米的波长范围内记录吸光度，步长为6纳米，整个过程在30分钟内完成，每个孔的积分时间为5秒。这种有限的分辨率减少了读数的延迟，从而减少了不同样品之间的年龄差异。作为参考，在相同条件下记录了24个去离子水的光谱，取平均值后从数据中减去。

表1. 所有研究的盐类型及其价态、阳离子半径R+、阴离子半径R–、阳离子极化率α+和阴离子极化率α–

盐类型 | 阳离子价态 | 阴离子价态 | R+ [pm]/ref | R– [pm]/ref | α+ [?3]/ref | α– [?3]/ref |
| --- | --- | --- | --- | --- | --- |
| AlCl3 | 3 | 1 | 50/ (49) | 180/ (49) | 0.038/ (50) | 3.5/ (51) |
| CaCl2 | 2 | 1 | 103/ (49) | 180/ (49) | 0.44/ (51) | 3.5/ (51) |
| FeCl2 | 2 | 1 | 72/ (49) | 180/ (49) | 0.589/ (50) | 3.5/ (51) |
| GuaCl | 1 | 1 | 220/ (52) | 180/ (49) | 4.44/ (52) | 3.5/ (51) |
| KCl | 1 | 1 | 141/ (49) | 180/ (49) | 0.81/ (51) | 3.5/ (51) |
| MgCl2 | 2 | 1 | 70/ (49) | 180/ (49) | 0.08/ (51) | 3.5/ (51) |
| NH4Cl | 1 | 1 | 136/ (53) | 180/ (49) | 2.0/ (54) | 3.5/ (51) |
| SrCl2 | 2 | 1 | 125/ (49) | 180/ (49) | 0.81/ (51) | 3.5/ (51) |
| NaCl | 1 | 1 | 97/ (49) | 180/ (49) | 0.18/ (51) | 3.5/ (51) |
| Na2CO3 | 1 | 1 | 297/ (49) | 189/ (53) | 0.18/ (51) | 5.39/ (55) |
| Na2HPO4 | 1 | 1 | 297/ (49) | 238/ (49) | 0.18/ (51) | 6.84/ (56) |
| Na2S2O3 | 1 | 1 | 297/ (49) | 251/ (53) | 0.18/ (51) | 8.29/ (57) |
| Na2SO4 | 1 | 1 | 242/ (49) | 0.18/ (51) | 4.43/ (58) |
| NaBr | 1 | 1 | 197/ (49) | 198/ (49) | 0.18/ (51) | 4.6/ (51) |
| NaF | 1 | 1 | 197/ (49) | 124/ (49) | 0.18/ (51) | 1.3/ (51) |
| NaH2PO4 | 1 | 1 | 197/ (49) | 238/ (49) | 0.18/ (51) | 5.79/ (59) |
| NaI | 1 | 1 | 197/ (49) | 225/ (49) | 0.18/ (51) |

2.6 数据分析
测量结果产生了9792组光学吸收数据集。为了考虑其有限的分辨率，我们通过插值法确定了最大吸收波长λLSPR。这个波长对应于局域表面等离子体共振（LSPR）频率的位置。使用Python中的SciPy包，在每个数据集的最大值附近的点之间拟合了分段三次多项式。接着使用SciPy包中的Brent方法进行标量最小化，以找到插值函数的最大值波长。

我们采用机器学习算法对数据进行自动解释（Zenodo链接：DOI: 10.5281/zenodo.19666143）。选择了四种常用的集成算法，因为它们对噪声具有鲁棒性，并且能够捕捉描述符和目标变量之间的非线性关系，即梯度提升回归（GBR）、XGBoost回归（XGBR）、CatBoost回归（CBR）和随机森林回归（RFR）。这些算法使用现有的Python库实现（GBR和RFR使用sklearn，XGBR使用xgboost，CBR使用catboost），并使用“决定系数”（R2）、“均方根误差”（RMSE）和“平均绝对误差”（MAE）等指标进行性能测试。通过对记录数据采用80/20的训练-测试分割，RFR在这些性能指标上表现最佳（见表S1，补充信息），因此被选为进一步的数据解释工具。该算法利用决策树集成来建模描述符与连续目标变量之间的关系。决策树根据描述符值递归地将数据分割成子集，使得每个子集内的目标变量尽可能相似。通过重复分割逐步减少子集内目标值的方差，从而提高树从描述符预测目标变量的能力。通过在数据的不同子样本上训练多棵决策树并平均它们的预测结果，RFR减少了过拟合，比单棵决策树具有更高的预测精度。发现由25棵决策树组成的RFR模型是最优的；增加决策树的数量并不会进一步提高决定系数R2。

3. 结果与讨论
3.1 金纳米晶体的合成、表征和配体交换
通过种子生长协议合成了表面涂有柠檬酸根离子的金纳米粒子（Au NC）水分散液。透射电子显微镜（TEM）图像显示纳米颗粒的平均直径为11.7 ± 1.2 nm（图1A）。高分辨率TEM图像显示出约0.22 nm的晶格条纹（图S1，补充信息），与面心立方（FCC）金晶格的[111]晶面相匹配。通过动态光散射（DLS）推断出流体动力学直径为11.4 nm（图1B）。小角X射线散射（SAXS）图谱在约0.5 ?–1处有一个肩峰，并在较大的q值处有一系列强度振荡，表明这些是分散的球形纳米颗粒，具有狭窄的大小分布（图1C）。使用具有高斯尺寸分布的球体模型对数据进行了拟合，得出平均直径为11.4 nm，标准差为0.12 nm。紫外-可见光谱显示在522 nm处有一个明显的LSPR峰（图1D），这与直径大约在15到20 nm范围内的分散良好的金纳米颗粒相符。总体而言，来自TEM、DLS和UV–vis的结果彼此高度一致，证实了金纳米晶体的成功形成。

图1
图1. 本研究中使用的带有混合配体层的金纳米晶体（Au NCs）。（A）TEM图像（比例尺：100 nm）显示核心，（B）DLS显示流体动力学直径分布，（C）SAXS散射和基于模型的拟合，以及（D）分散在水中的12 nm金纳米晶体的UV–vis吸收光谱。（E）去除金核心后，不同摩尔比的TEG和MUA巯基配体涂层的金纳米晶体的1H NMR光谱：仅MUA（灰色），等摩尔比（青绿色），以及过量MUA（黄色）。

我们通过配体交换将Au NC表面的柠檬酸根替换为11-mercaptoundecanoic acid（MUA）这种负电荷配体，或者MUA和triethylene glycol mono-11-mercaptoundecyl ether（TEG）这种中性配体的组合。据报道，溶液中的配体组合会在Au NC上形成混合层。反应中使用了不同的TEG:MUA摩尔比：纯MUA（灰色，图1E），等摩尔混合（青绿色，图1E），以及过量MUA（黄色，图1E）。

所得到的分散液经过清洗并分析以评估外壳的组成。巯基涂层的Au NC溶解在王水中，用D2O稀释后，通过1H NMR进行分析。通过积分两个峰区（MUA为2.25 ppm，TEG为3.40 ppm）的峰面积来提取巯基配体的摩尔比（图1E）。结果为nTEG/nMUA = 0/1（此后称为0），nTEG/nMUA = 1/0.8（此后称为1.25），以及nTEG/nMUA = 1/1.95（此后称为0.51）。在配体交换反应期间，配体比例的偏差（图1E）是由于两种配体的吸附/解离速率不同所致。以相同方式制备的Au NC的报道的配体密度分别为nTEG/nMUA = 0时为4.88、1.50和1.59个配体/nm2，nTEG/nMUA = 0.51时为1.50和1.59个配体/nm2。使用电泳光散射测量了Au NC的ζ电位。柠檬酸根涂层的Au NC显示负ζ电位为?41.7 ± 1.17 mV，MUA涂层的Au NC为?50.7 ± 1.22 mV。MUA和TEG混合外壳的ζ电位分别为nTEG/nMUA = 1.25时为?52.0 ± 1.07 mV，nTEG/nMUA = 0.51时为?60.8 ± 1.07 mV。

3.2 影响胶体稳定性的参数
我们使用UV–vis吸收光谱来量化Au NC在不同盐存在下形成聚集体或组装体的倾向，这些盐列在表1中，并给出了它们的浓度。监测了巯基涂层Au NC（nTEG/nMUA = 0、nTEG/nMUA = 0.51和nTEG/nMUA = 1.25）的LSPR位移，作为每种盐的离子强度??=12∑????????2的函数，其中ci是离子类型i的摩尔浓度，zi是离子的价态。微移液机器人提供了精确的计时，确保所有样品在5分钟内制备完成，从而减少了聚集混合物的年龄差异。浓度范围从0.16 mM到2000 mM的水盐溶液在大约40分钟内被移液到孔板的定义位置。巯基涂层的Au NC在最后5分钟内加入盐的水溶液中，静置5分钟，然后转移到UV–vis光谱仪。384孔板的读数在30分钟内完成，每个孔的读数大约需要5秒。通过Au NC的等离子体吸收带λLPSR（即Au NC的最大吸收波长）的红移来检测聚集现象。这种位移是由于粒子间耦合导致其局部介电环境的变化所致。

图2A展示了nTEG/nMUA = 0和NaCl在不同离子强度下的Au NC的示例吸收光谱。对于INaCl浓度在0.16 mM到40 mM之间，λLPSR保持在约530 nm，绝对峰吸收有轻微变化（图2A）。nTEG/nMUA = 0.51和nTEG/nMUA = 1.25的Au NC在低离子强度下显示出较低的λLPSR，表明配体壳层的类型影响了金属核心的局部介电环境（图S2）。当离子强度超过100 mM时，λLPSR移至约580 nm，表明由于聚集作用发生了粒子间耦合。与聚集前的光谱相比，SPR带的不对称展宽表明局部介电环境的变化增加，可能是由于不均匀的聚集结构所致（图S3）。其他盐也显示出类似的趋势，尽管λLPSR发生位移的离子强度不同（图S3）。颗粒聚集的等离子体特征：(A) 在不同NaCl离子强度下，MUA涂层的Au NCs的表面等离子体共振峰。 (B) 通过吸收光谱确定λLPSR：在λLPSR附近的数据用三次样条曲线（黑色线条）插值，以可靠地找到用于检测聚集的局部最大值。我们使用λLSPR的值来量化胶体稳定性。共振最大值λLPSR是通过将三次样条曲线拟合到等离子体峰周围的范围来确定的（见图2B；更多细节见实验部分）。对于nTEG/nMUA = 0的情况，其中Au NCs带有-50.7 ± 1.22 mV的ζ电位，对于大多数盐类，当I < 10–3 M时，λLSPR保持在大约530 nm，表明Au NCs分散得很好。注意AlCl3的例外：即使在最低测量电流下也引起了强烈的位移。当I增加到> 1 mM时，所有盐类的λLSPR都增加到了570–600 nm。我们将高于初始λLSPR的位移（根据nTEG/nMUA的不同，在525–530 nm范围内）解释为聚集的开始，并将Iagglo定义为相应盐类的临界离子强度（见图3A）。我们在电解质中测量了带有配体比的Au NC分散体的表面等离子体共振λLSPR：(A) nTEG/nMUA = 0，(B) nTEG/nMUA = 0.51，以及(C) nTEG/nMUA = 1.25，作为选定盐类离子强度的函数。对于AlCl3，最低的Iagglo出现在低于0.96 mM时，其次是CaCl2的1.1 mM，而Na2SO4的Iagglo最高出现在0.48 M时（见图3A）。阳离子（以Cl–为阴离子）的聚集效应遵循Al3+ > Ca2+ > Mg2+ ≈ Sr2+ > Fe2+ > Na+ ≈ Gua+ > NH4+ > K+的顺序。阴离子（以Na+为阳离子）的聚集效应遵循H2PO4– > Cl– > I– > CO32– ≈ F– > Br– > HPO42– > SO42– > S2O32–的顺序。二价阳离子的聚集效应比单价阳离子更强，而单价阴离子的聚集效应比二价阴离子更强。聚集效应并不遵循Hofmeister系列（70），也不符合涂有柠檬酸盐的Au NCs的报告顺序（35）。MUA涂层的金胶体的胶体稳定性遵循经典DLVO理论（71）的预测。随着离子强度的增加，Debye屏蔽长度和胶体稳定性降低。多价阳离子的聚集效应比单价阳离子更强，这符合DLVO的Schulze–Hardy规则（72,73）。对于阴离子，相反的趋势（“逆Schulze–Hardy规则”）也与DLVO一致：随着它们的价态增加，离子与带电粒子表面之间的静电排斥作用增强，阻碍了吸附（74）。我们对阴离子的聚集效应的观察无一例外地遵循这一规则。具有混合配体壳的纳米颗粒（nTEG/nMUA = 0.51，见图3B）和nTEG/nMUA = 1.25，并不总是遵循DLVO预测的趋势。与nTEG/nMUA = 0（见图3A）相比，这些颗粒通常需要更高的电流来使λLSPR红移，表明胶体稳定性增强。nTEG/nMUA = 0.51和nTEG/nMUA = 1.25的最大λLSPR位移低于nTEG/nMUA = 0时的位移。这个值在530到570 nm之间，具体取决于盐的类型，表明具有混合壳的Au NCs之间的耦合较弱。ζ电位测量表明，随着TEG比例的增加，Au NCs的电荷变得更加负：nTEG/nMUA = 0.51的电荷为-52.0 ± 1.07 mV，nTEG/nMUA = 1.25的电荷为-60.8 ± 0.92 mV。鉴于MUA的负电荷，这是令人惊讶的。这可能是由于分子配体壳的结构，因为在给定的pH和pI下，紧密排列的MUA比稀释的MUA更不容易被去质子化。无论潜在机制是什么，我们发现具有较大绝对ζ电位的颗粒在较高的电流下会聚集，这是预期的。目前我们还不知道这是由于较大的间距还是较低的聚集密度降低了耦合。我们假设MUA的酸度足够大，可以最小化未缓冲盐溶液中不同pH的影响。对于nTEG/nMUA = 0.51的阳离子和阴离子的聚集效应顺序为：Al3+ > NH4+ > Fe2+ > Ca2+ ≈ Mg2+ ≈ Sr2+ ≈ Gua+ ≈ K+ 与Cl–结合，以及H2PO4– > F– > Br– > SO42– > Cl– > I– > S2O32– 与Na+结合。这些趋势大致遵循阳离子的Schulze–Hardy规则和阴离子的逆Schulze–Hardy规则，但也有一些例外：单价NH4+的聚集效应第二强，而二价SO42–的聚集效应比Cl–和I–更强。具有nTEG/nMUA = 1.25的颗粒在较宽的电流范围内聚集。

总之，对于nTEG/nMUA = 0和nTEG/nMUA = 0.51的Au NCs，具有相同价态的离子的聚集效率不同。DLVO理论无法解释这些差异。特定离子效应可能发生在静电屏蔽长度变小时，此时离子的内在属性（如大小、形状和极化率）主导了局部离子-配体相互作用。在下文中，我们提出了一种机器学习方法来确定某些特定离子属性对MUA/TEG涂层Au NCs胶体稳定性的贡献程度。在I = 2 M时，λLSPR随α+的增加（图5F）与这一解释一致：阳离子-配体范德华（vdW）吸引力破坏了水化层或结合了相邻的金纳米颗粒（Au NCs），这导致了Au NCs的聚集。阴离子α–的极化率对λLSPR的影响不大（图5G）。阴离子不会被带相同电荷的配体吸引，其vdW吸引力作用也不显著。量化所有描述符（离子的性质、浓度和壳层组成）对模型预测准确性的相对重要性是很有趣的，这与解释解析表达式的偏导数类似。使用R2作为性能指标，确定了所有描述符的排列特征重要性（即当每个描述符的值被排列时模型准确性的下降程度）（84），并显示在图6中。nTEG/nMUA和I对聚集效应的影响大于离子本身的性质，特别是它们的q、R和α。这与λLSPR对I的依赖性（图3）一致，对于每种盐类型来说都是如此。

图6. 基于排列特征重要性对Au NCs胶体稳定性的描述符重要性排名。

配体比例决定了聚集发生的I范围宽度以及λLSPR的最大值。这个值与聚集体的结构有关，如上所述。盐的类型仅仅改变了Au NCs开始聚集的离子强度。离子价态q+和q–是影响胶体稳定性的最强内在离子性质。这与上述直接分析一致：许多盐-颗粒组合的聚集效应遵循阳离子的Schulze-Hardy规则和阴离子的逆Schulze-Hardy规则。具有相同共价或反离子价态的离子类型的影响是次要的。价态的排名与我们观察到的结果一致，即α+和R–对Au NCs的聚集效应影响大于R+和α–（图6）：由于阴离子主要通过静电作用与局部水环境相互作用，R–对其有强烈影响。另一方面，阳离子与局部水结构的显著vdW相互作用导致α+的相对重要性较高。最后，离子与带电Au NCs之间的直接vdW相互作用也受到离子极化率的影响。我们的Au NCs带负电荷，受阳离子的vdW相互作用的影响大于阴离子，因此α+的排名高于α–。除了屏蔽颗粒的表面电荷外，阳离子还可以作为“离子粘合剂”将Au NCs粘合在聚集体中。（33）需要注意的是，RFR排名是在没有预先将分散体分为“聚集”、“稳定”或“部分聚集”的情况下进行的。因此，图6中显示的不同参数的重要性并不像DLVO理论那样对聚集效应进行排序，在DLVO理论中会比较关键的离子浓度。相反，RFR排名指示了哪个参数对整体等离子体偏移的影响最大。这结合了聚集程度（聚集颗粒的比例）、聚集体内颗粒之间的间距以及聚集体的密度。从实际角度来看，这种排名特别有助于确定如何实现最大的光学效果。从基础角度来看，它提出了关于聚集体结构的问题，这些问题只能通过聚集体的结构分析来回答。

4. 结论

在这项研究中，我们使用紫外-可见吸收光谱评估了中性或负电荷金纳米颗粒（Au NCs）在水溶液中存在多种盐和盐浓度下的稳定性。通过表面等离子体共振的变化来识别聚集现象。我们选择了一种自动化的高通量方法，以便能够测试广泛的离子强度和狭窄的浓度范围，并找到聚集的关键浓度或聚集浓度范围。这使得我们可以测试大约10,000种不同的颗粒-盐-浓度组合，研究与传统胶体理论的微妙和显著偏差，并确定纳米颗粒聚集偏离传统胶体系统的区域。结果使用了传统的DLVO解释和基于随机森林回归的算法方法进行分析。这种机器学习算法可以处理大型参数空间，并区分静电和vdW相互作用在纳米颗粒聚集中的相对重要性。两种分析的结果在很大程度上是一致的，表明如果颗粒间的距离足够大，DLVO方法是适用的。

离子价态对负电荷Au NC表面的静电屏蔽影响与DLVO理论一致，遵循阳离子的Schulze-Hardy规则和阴离子的逆Schulze-Hardy规则。除了这些经典静电效应之外，还发现了DLVO理论未能捕捉到的其他贡献。阴离子不仅通过直接静电作用影响胶体稳定性，还通过其对局部水结构的影响。（87,88）相比之下，阳离子通过vdW相互作用显著影响局部水结构，并且还直接与带电的表面配体相互作用。（87,88）在未来的工作中，我们将评估吸收光谱的其他特征，以扩展这项工作，而不仅仅是区分稳定和聚集的纳米颗粒分散体。我们期望通过分析光学特征并与X射线散射结果进行比较，能够解决聚集体的大小、大小分布和聚集体堆积密度等问题。这需要目前正在开发的高通量小角X射线散射方法。