通过基于ML的分类来识别工程纳米结构金属氧化物中表面修饰剂的结构特征,以了解细胞吸收的情况

科学领域:

• 材料科学 材料科学 材料科学
• 纳米技术 纳米技术
• 生物医学工程 生物医学工程

背景情况:

• 纳米粒子 (NP) 在医学,电子和环境科学中广泛使用.
• 细胞吸收NP受到大小,形状,表面电荷和功能化的影响.
• 优化NP疗效和最大限度地降低细胞毒性需要了解表面修饰剂对细胞吸收的影响.

研究的目的:

• 开发和分析基于分类的机器学习 (ML) 模型.
• 确定控制工程纳米材料 (ENMO) 细胞吸收的重要结构特征.
• 引导ENMO的设计,以增强细胞吸收,以改善治疗结果.

主要方法:

• 基于分类的ML模型的开发:贝叶斯分类,随机森林,支向量分类器和线性差异分析.
• 模型应用于多种细胞类型:胰腺癌细胞 (PaCa2),人体内皮细胞 (HUVEC) 和人体巨细胞 (U937).
• 对表现最好的模型进行分析,以确定影响ENMO细胞吸收的关键结构指纹.

主要成果:

• 特定的结构特征/指纹的识别,这些特征或指纹显著影响ENMO细胞在不同细胞类型的细胞吸收.
• 确定最好的ML模型来预测PaCa2,HUVEC和U937细胞中ENMO细胞吸收.
• 已识别的结构特征与细胞吸收效率的相关性.

结论:

• 机器学习模型有效地识别了ENMO细胞吸收的结构性决定因素.
• 了解这些特性对于设计具有有针对性的蜂传输的ENMO至关重要.
• 这项研究为开发下一代ENMO提供了一个框架,以提高治疗疗效.