机器学习允许解释Fe-Doped CuO NM图书馆大数据集的毒性――环境实体案例研究
Janeck J Scott-Fordsmand1, Susana I L Gomes2, Suman Pokhrel3,4
1Department of Ecoscience, Aarhus University, C.F. Mo̷llers Alle 4, DK-8000 Aarhus, Denmark.
ACS applied materials & interfaces
|August 1, 2024
概括
评估纳米材料的安全性是具有挑战性的,因为它们的可变性. 机器学习发现,在长期生态毒理学研究中,对于预测毒性至关重要的是粒子特定的描述因素,而不仅仅是环境因素.
科学领域:
- 环境毒理学环境毒理学
- 纳米材料科学 纳米材料科学
- 计算毒理学计算毒理学
背景情况:
- 纳米材料 (NM) 的可变性使安全评估复杂化.
- 预测建模对于理解NM对生物的影响至关重要.
- 现有的生态毒理学指南可能无法捕捉长期影响.
研究的目的:
- 为了研究定制设计的铁铜氧化物 (Fe-CuO) 纳米材料的生态毒性.
- 利用机器学习 (ML) 来识别导致毒性的纳米材料的关键特性.
- 为了比较短期 (21天) 与长期 (49天) 暴露对土壤无脊椎动物的影响.
主要方法:
- 使用土壤无脊椎动物Enchytraeus crypticus对9Fe合CuO NMs进行生态毒理学测试.
- 将机器学习模型应用于包含68个描述符,6个度和2个暴露时间的数据集.
- 对环境参数 (例如,泽塔潜力) 和粒子特定描述物的分析.
主要成果:
- 10%Fe-CuO是最有毒的NM;Fe3O4 NM是最不有毒的.
- 在短期 (21天) 测试中,环境参数是关键预测因素.
- 在长期 (49天) 暴露时,特定粒子描述符变得更加重要,揭示了度-反应度降低与更高的Fe含量.
结论:
- 长期暴露研究 (49天) 对于准确的纳米材料危害评估至关重要,它补充了经合组织标准指南.
- 机器学习有效地将纳米材料描述器与生态毒理学效应联系起来,优于传统建模.
- 粒子特性和更长的暴露时间是理解纳米材料环境风险的关键因素.
更多相关视频
11:26Ecotoxicological Method with Marine Bacteria Vibrio anguillarum to Evaluate the Acute Toxicity of Environmental Contaminants
Published on: May 26, 2017
11.0K
04:53Author Spotlight: Advances in Evaluating Human Lung Epithelial Cells' Response to Metal-Organic Frameworks
Published on: May 26, 2023
891
