通过机器学习方法量化磁纳米颗粒对MRI和高温应用的有效性
Pavel Kim1, Nikita Serov1, Aleksandra Falchevskaya1
1International Institute "Solution Chemistry of Advanced Materials and Technologies", ITMO University, St. Petersburg, 191002, Russian Federation.
Small (Weinheim an der Bergstrasse, Germany)
|August 11, 2023
概括
机器学习模型预测了磁性纳米粒子在生物医学应用中的有效性. 这种方法加速了用于磁共振成像和超热治疗癌症的新型纳米材料的设计.
科学领域:
- 生物医学工程 生物医学工程
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
背景情况:
- 磁纳米粒子对磁共振成像 (MRI) 和高热治疗具有前景.
- 合成有效的纳米粒子在实验上具有挑战性和资源密集.
- 机器学习 (ML) 提供了一种强大的方法来加速纳米材料设计.
研究的目的:
- 开发和验证基于ML的方法来预测关键的纳米粒子疗效参数.
- 为了预测高热症的特定吸收率 (SAR) 和MRI的r1/r2放松率.
- 创建一个开放访问资源 (DiMag),以指导新型磁纳米粒子的合成.
主要方法:
- 从科学文献中收集了超过980个磁纳米粒子的独特数据库.
- 使用纳米粒子参数和实验条件作为描述符,训练有素的基于树的集合模型.
- 优化了超参数,并使用R平方值评估了模型性能.
主要成果:
- 实现了高预测准确度:R2 = SAR的0.86,R2 = r1放松度的0.78,R2 = r2放松度的0.75.
- 证明了强大的模型性能,在未见的数据上测试时没有下降.
- 开发了DiMag,一个开放访问资源,集成纳米材料设计的ML.
结论:
- 机器学习模型可以准确地预测磁纳米粒子在生物医学应用中的有效性.
- 迪马格资源促进了先进纳米磁铁的加速设计和合成.
- 这项工作简化了MRI和高温治疗新药的开发.
更多相关视频
09:01Magnetic-, Acoustic-, and Optical-Triple-Responsive Microbubbles for Magnetic Hyperthermia and Pothotothermal Combination Cancer Therapy
Published on: May 22, 2020
3.2K
08:13Using Magnetometry to Monitor Cellular Incorporation and Subsequent Biodegradation of Chemically Synthetized Iron Oxide Nanoparticles
Published on: February 27, 2021
4.6K
