机器学习强化遗传算法用于大规模针对性地发现有选择性细胞毒性无机纳米粒子
Susan Jyakhwo1, Nikita Serov1, Andrei Dmitrenko1
1International Institute "Solution Chemistry of Advanced Materials and Technologies", ITMO University, Saint-Petersburg, 191002, Russian Federation.
Small (Weinheim an der Bergstrasse, Germany)
|September 29, 2023
概括
这项研究引入了一种新的计算方法,用于发现具有针对癌细胞选择性毒性的纳米粒子 (NP). 这种方法加速了有效和安全的纳米粒子药物递送系统 (DDS) 的识别.
科学领域:
- 计算化学和材料科学计算化学和材料科学
- 纳米技术和药物输送
- 生物信息学和机器学习
背景情况:
- 纳米粒子 (NP) 已被用作药物递送系统 (DDS),但往往缺乏选择性.
- 新出现的证据表明NP可以由于代谢差异对癌细胞表现出选择性细胞毒性.
- 目前用于识别选择性细胞毒性NP的现有方法在范围和吞吐量上是有限的.
研究的目的:
- 开发和验证一种高吞吐率的in silico选方法,用于发现有选择性细胞毒性无机NP.
- 确定基于NP的新型DDS候选人用于向癌症治疗,特别是肝癌.
- 探索NP在癌症之外更广泛的治疗应用中的潜力.
主要方法:
- 训练了一种渐变增强回归模型,以预测NP处理的细胞系中的细胞活力 (Q2 = 0.80,RMSE = 13.6).
- 开发了一种机器学习增强的遗传算法,以快速选每分钟超过14,900个NP候选人.
- 通过使用HepG2和肝细胞细胞系选用于肝癌治疗的DDS候选者来验证该方法.
主要成果:
- 预测模型在评估NP细胞毒性方面表现出很好的准确性.
- 用ML增强的GA有效地选了NP的大量化学空间.
- 确定了银纳米粒子 (AgNP),其选择性毒性得分为42%,用于肝癌治疗.
结论:
- 拟议的in silico选方法使选择性细胞毒性无机NP的大规模有针对性的发现成为可能.
- 这种方法显著加快了基于NP的有前途的DDS候选人的识别.
- 这种方法具有临床转化和扩展NP应用到其他生物体 (如细菌和真菌) 的潜力.
