通过机器学习识别控制细胞吸收金纳米颗粒的因素
Eyup Bilgi1,2, David A Winkler3,4,5, Ceyda Oksel Karakus1
1Department of Bioengineering, Izmir Institute of Technology, Izmir, Turkey.
Journal of drug targeting
|November 27, 2023
概括
机器学习模型准确地预测了细胞吸收黄金纳米粒子 (GNP). 影响GNP细胞内化的关键因素包括粒子大小,泽塔潜力,度和暴露时间.
科学领域:
- 纳米医学是一种纳米医学.
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 黄金纳米粒子 (GNPs) 显示出治疗前景,但需要了解它们的生物相互作用.
- 细胞吸收GNP是可变的,并未完全理解,阻碍安全的发展.
- 数据驱动的模型可以阐明导致吸收变化的因素.
研究的目的:
- 开发和比较用于预测GNP细胞吸收的机器学习模型.
- 为了确定关键的纳米粒子特性和试验条件驱动吸收变化.
主要方法:
- 在来自59项研究的2077个数据点上训练了机器学习模型.
- 评估了五种集体学习算法:Xgboost,随机森林,引导聚合,梯度增强和光梯度增强机.
- 确定了GNP细胞吸收的关键预测因素.
主要成果:
- 集成机器学习模型实现了高预测准确性,解释了80-90%的国内生产总值吸收差异.
- 粒子大小,泽塔潜力,GNP度和暴露时间被确定为细胞吸收的主要驱动因素.
- 开发的模型显示了GNP蜂内部化强大的预测能力.
结论:
- 机器学习有效地模拟了GNP的细胞吸收,为变化提供了洞察力.
- 这种方法可以指导GNP的设计,以优化治疗应用的细胞内部化.
- 这项研究促进了对现有数据的更好利用,并尽量减少未来研究中的偏见.
