机器学习工具,以协助合成抗菌碳点的合成
Zirui Bian1, Tianzhe Bao2, Xuequan Sun3,4
1Department of Bone, Huangdao District Central Hospital, Qingdao, People's Republic of China.
International journal of nanomedicine
|June 10, 2024
概括
机器学习模型有效地预测了碳点 (CD) 对抗多药耐药细菌 (MRB) 的抗菌特性. 这加速了对抗感染的新型纳米粒子的开发,并有助于临床转化.
科学领域:
- 纳米技术纳米技术
- 材料科学 材料科学 材料科学
- 计算生物学 计算生物学
背景情况:
- 耐多药细菌 (MRB) 构成了严重的全球健康威胁,需要新的抗菌战略.
- 纳米粒子,特别是碳点 (CD),由于其独特的抗菌机制,为抗生素提供了有希望的替代品.
- CDs通过破坏细菌细胞壁,抑制DNA/酶,诱导高热或产生活性氧物种来对抗MRB.
研究的目的:
- 研究碳点 (CD) 的物理化学特性与它们对抗多药耐药细菌 (MRB) 的抗菌疗效之间的关系.
- 利用机器学习 (ML) 工具来预测和解码这种结构-活动关系.
- 加速高性能抗微生物纳米颗粒的开发和临床转化.
主要方法:
- 编制了121个碳点 (CD) 样本的数据集,包括合成条件和内在性质,最小抑制度 (MIC) 作为输出.
- 四个分类算法 (KNN,SVM,RF,XGBoost) 被训练并验证.
- 集体学习方法表现出卓越的性能,并合成了e-poly(L-lysine) CDs (PL-CDs) 来验证ML模型的实际应用.
主要成果:
- 机器学习模型,特别是组合方法,准确地预测了碳点 (CD) 的抗菌活性.
- 该研究确定了影响CD抗菌能力的关键物理化学特征.
- 合成的PL-CD证实了开发的ML模型的预测能力和实际实用性.
结论:
- 基于机器学习的高通量理论计算可以有效预测碳点 (CD) 的抗菌作用.
- 这种方法加速了对抗多药耐药细菌 (MRB) 的新型纳米颗粒的发现.
- 这些发现支持了ML引导的纳米粒子开发的潜在临床转化.
