NANO.PTML模型用于神经科学中纳米系统的跨读预测. 计算模型和实验案例研究的实验案例
Shan He1,2,3, Karam Nader2, Julen Segura Abarrategi2
1Department of Coatings and Polymeric Materials, North Dakota State University, Fargo, ND, 58108, USA.
Journal of nanobiotechnology
|July 23, 2024
概括
本研究介绍了一种结合信息融合,扰乱理论和机器学习 (IFPTML) 的计算模型,以确定神经退行性疾病 (NDD) 的有效纳米粒子药物递送系统. IFPTML方法加速了有前途的NANO.PTML候选者的发现,克服了传统的治疗挑战.
科学领域:
- 纳米医学和计算药物发现
- 生物材料科学和神经药理学
背景情况:
- 神经退行性疾病 (NDD) 具有渐进的神经元死亡的特征,由于药物溶解性,生物可用性和血脑屏障 (BBB) 透性差,这给治疗带来了重大挑战.
- 纳米粒子 (NP) 正在成为向中枢神经系统输送药物的先进载体,为克服这些局限性提供了潜在的解决方案.
研究的目的:
- 开发和验证一个计算框架,IFPTML (信息融合+扰乱理论+机器学习),用于选择最佳的纳米粒子神经疾病药物输送 (N2D3) 系统.
- 通过计算选一大批纳米粒子-药物组合的数据集,并通过实验验验证NDD治疗的有希望的候选人.
主要方法:
- 一个计算型的IFPTML模型,特别是决策树 (DT) 算法 (NANO.PTML),是使用组合NDD和NP细胞毒性数据的50万个测试数据集开发的.
- DT模型实现了高性能,特异性>96%和灵敏度>75%,接收器操作特征曲线 (AUROC) 下的面积在培训中为0.97,在验证中为0.96.
- 进行了Fe3O4NP的实验合成和表征,随后进行了CTAB的表面修饰,以提高潜在的药物输送应用的水溶性.
主要成果:
- IFPTML-DT模型有效地分类了有前途的纳米粒子神经疾病药物输送 (N2D3) 系统,证明了高精度和可靠性.
- 计算查确定了特定的NANO.PTML系统作为进一步研究治疗神经退行性疾病的可行候选人.
- 实验合成证实了创建功能化NP的可行性,支持计算预测.
结论:
- NANO.PTML方法显著加速了针对神经退行性疾病有效的基于纳米粒子的药物递送系统的识别.
- 这种计算策略为传统的试错方法提供了有效的替代方案,减少了实验时间和资源.
- 这项研究突出了综合计算和实验方法在推进纳米医学挑战神经系统疾病的潜力.
