新闻详情

新闻详情

首页 / 资讯中心 / 详情

pH 响应两亲嵌段高分子|PS-b-P4VP 聚苯乙烯‑b‑聚 4‑乙烯基吡啶 超分子组装、纳米催化模板基材

发布时间:2026/11/11 5:58:19来源:尧图网络
pH 响应两亲嵌段高分子|PS-b-P4VP 聚苯乙烯‑b‑聚 4‑乙烯基吡啶 超分子组装、纳米催化模板基材
PS-b-P4VPPolystyrene-block-Poly(4-vinylpyridine)聚苯乙烯-b-聚4-乙烯基吡啶是一类由疏水性聚苯乙烯PS嵌段与弱碱性/亲水性聚4-乙烯基吡啶P4VP嵌段通过共价键连接而成的典型两亲性嵌段共聚物。一、化学结构与特性嵌段组成与性质PS嵌段聚苯乙烯非极性、疏水性嵌段玻璃化转变温度Tg约100°C具有良好的刚性和机械强度在自组装结构中通常形成致密的疏水内核提供结构稳定性。P4VP嵌段聚4-乙烯基吡啶极性、弱碱性嵌段链上含有大量吡啶环pKa约4.5-5.2呈弱碱性。P4VP链段的质子化程度受pH值显著影响在酸性条件下pH5吡啶环质子化形成正电荷导致链段伸展并亲水在中性或碱性条件下吡啶环去质子化链段收缩并疏水。自组装形貌PS-b-P4VP在选择性溶剂中可自发组装形成多种纳米结构形貌取决于两嵌段的体积分数、分子量及溶剂条件球形胶束Spherical Micelles当PS嵌段占主导时形成PS为核P4VP为壳直径通常在30-100 nm。棒状/蠕虫状胶束Rod/Worm-like Micelles在特定嵌段比例和浓度下形成。囊泡Polymersomes/Vesicles当两嵌段体积分数接近时形成双层膜结构直径75-300 nm可包载水溶性药物。反胶束Reverse Micelles在非极性溶剂如甲苯中P4VP形成核PS形成壳。多孔纳米结构通过溶剂退火或模板法可形成六方排列的圆柱孔道、双连续Gyroid相等多孔结构。溶解性PS嵌段易溶于非极性溶剂如甲苯、苯P4VP嵌段易溶于极性溶剂如乙醇、THF、DMF。在共同溶剂如THF、氯仿中可完全溶解在选择性溶剂中发生自组装。合成方法主要通过活性阴离子聚合、原子转移自由基聚合ATRP或可逆加成-断裂链转移聚合RAFT合成可精确控制分子量和嵌段比例。二、合成思路主流合成路线活性阴离子聚合、RAFT 聚合活性阴离子聚合无水无氧体系先聚合苯乙烯得到活性 PS 大分子活性种再加入 4‑乙烯基吡啶单体继续扩链沉淀纯化。优势分子量精准PDI 极低薄膜自组装缺陷少缺点对水氧极其敏感。RAFT 聚合条件更温和先制备大分子链转移剂分步聚合苯乙烯与 4‑乙烯基吡啶适合实验室小规模合成分子量控制略弱于阴离子聚合。合成关键点4VP 单体必须除阻聚剂阴离子聚合严格无水无氧采用 GPC 结合 ¹H‑NMR 表征两段聚合度排除均聚物杂质干扰自组装。三、核心科研应用1. 金属配位杂化纳米材料核心用途P4VP 吡啶位点螯合金属离子以胶束或薄膜相畴作为模板原位还原制备贵金属纳米颗粒、金属氧化物获得高分子‑金属杂化材料用于多相催化、表面增强拉曼 SERS 基底。2. pH 响应纳米胶束与药物载体酸性环境形成核壳胶束PS 内核包载疏水药物、荧光探针在肿瘤微酸性环境发生质子化溶胀实现包载物可控释放用于刺激响应给药研究。3. 超分子组装体系构建P4VP 吡啶基团可与羧酸、酚类等氢键供体形成氢键复合物实现嵌段共聚物的层级组装构建响应型超分子薄膜、凝胶。4. 微相分离薄膜与纳米模板旋涂薄膜溶剂 / 热退火实现有序微相分离P4VP 相畴选择性吸附金属离子制备金属纳米点阵、纳米线阵列。5. 多孔膜制备选择性刻蚀去除其中一个链段制备含吡啶功能基团的多孔高分子膜用于离子吸附、分离。PEO-PMMA MW:10500,18000PEO10500-b-PMMA18000聚氧乙烯-b-聚甲基丙烯酸甲酯ACA-PEG-PMMA丙烯酰胺-聚乙二醇-聚甲基丙烯酸甲酯Br-PEG-PMMA溴化物-聚乙二醇-聚甲基丙烯酸甲酯COOH-PEG-PMMA羧基-聚乙二醇-聚甲基丙烯酸甲酯IA-PEG-PMMA碘乙酸盐-聚乙二醇-聚甲基丙烯酸甲酯Mal-PEG-PMMA马来酰亚胺-聚乙二醇-聚甲基丙烯酸甲酯MA-PEG-PMMA甲基丙烯酸酯-聚乙二醇-聚甲基丙烯酸甲酯ACRL-PEG-PMMA丙烯酸酯-聚乙二醇-聚甲基丙烯酸甲酯Acrylate-PEG-Polymethyl MethacrylateNHS-PEG-PMMA羟基琥珀酰亚胺酯-聚乙二醇-聚甲基丙烯酸甲酯HO-PEG-PMMA羟基-聚乙二醇-聚甲基丙烯酸甲酯SH-PEG-PMMA巯基-聚乙二醇-聚甲基丙烯酸甲酯Aldehyde-PEG-P2VPIA-PEG-P2VP碘乙酸盐-聚乙二醇-聚2-乙烯基吡啶Mal-PEG-P2VP马来酰亚胺-聚乙二醇-聚2-乙烯基吡啶MA-PEG-P2VP甲基丙烯酸酯-聚乙二醇-聚2-乙烯基吡啶NHS-PEG-P2VP N-羟基琥珀酰亚胺酯-聚乙二醇-聚2-乙烯基吡啶氨基-聚乙二醇-聚2-乙烯基吡啶NH2-PEG-P2VP羧基-聚乙二醇-聚2-乙烯基吡啶COOH-PEG-P2VPHO-PEG-P2VP羟基-聚乙二醇-聚2-乙烯基吡啶
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/10 4:49:37

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/10 19:42:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/11 9:31:44

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/11 5:36:08

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/10 15:15:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉