基于证据的预测细胞毒性无形纳米颗粒的细胞毒性
Martin1,2,3, Reiko Watanabe2,3, Kosuke Hashimoto2
1Graduate School of Pharmaceutical Sciences, Osaka University, 1-6 Yamadaoka, Suita, Osaka 565-0871, Japan.
ACS nano
|May 31, 2023
概括
一个新的机器学习模型通过分析文献数据来预测纳米粒子毒性. 它确定了诸如度和表面特性等关键因素,改善了诸如纳米粒子 (SiO2-NPs) 等材料的安全评估.
科学领域:
- 纳米技术纳米技术
- 毒理学 毒理学 毒理学
- 计算科学 计算科学
背景情况:
- 预测纳米粒子毒性对于安全设计至关重要,但受到生物分子冠状形成等复杂机制的阻碍.
- 内部验证偏差可能导致不可靠的纳米毒性预测.
研究的目的:
- 开发一种基于证据的方法,结合数据挖掘和机器学习,用于预测纳米粒子细胞毒性.
- 确定影响纳米毒性的关键因素,并为风险评估提供可通用的策略.
主要方法:
- 100多个出版物的文献数据挖掘,以收集各种纳米粒子 (SiO2-NP) 细胞毒性属性.
- 在内部和外部数据集上使用各种算法 (深度神经网络,内核,基于树) 开发和验证预测模型.
- 应用Shapley添加剂扩展来确定在表现最佳的CatBoost模型中影响毒性的关键属性.
主要成果:
- 分类提升 (CatBoost) 模型在预测SiO2-NP细胞毒性方面表现出卓越的性能.
- 确定了13个关键属性,包括度,血清,细胞类型,大小,时间,表面和试验类型,作为重要的预测因素.
- 血清属性突出了纳米粒子-冠状病毒复合体在纳米毒性的关键作用.
结论:
- 仅通过内部验证就不足以确保纳米毒性预测的概括性.
- 修改纳米粒子表面和使用低度可以导致更安全的SiO2-NP.
- 拟议的战略为预测和解释工程纳米颗粒在实际应用中的毒性提供了一个强大的方法.
