使用机器学习模型预测小鼠中的纳米颗粒的组织分布和瘤输送
Kun Mi1, Wei-Chun Chou2, Qiran Chen1
1Department of Environmental and Global Health, College of Public Health and Health Professions, University of Florida, Gainesville, FL 32608, USA; Center for Environmental and Human Toxicology, University of Florida, Gainesville, FL 32610, USA.
概括
这项研究开发了一种深度神经网络模型,以预测纳米粒子在瘤中的传递效率. 该模型准确地预测了纳米粒子特性如何影响输送,有助于设计更好的癌症纳米药物.
科学领域:
- 纳米医学是一种纳米医学.
- 计算生物学 计算生物学
- 材料科学 材料科学 材料科学
背景情况:
- 在癌症纳米医学中,纳米颗粒 (NP) 的向输送面临着向瘤部位的低输送效率 (DE) 的挑战.
- 了解NP的物理化学特性如何影响组织分布和瘤DE对于改善纳米药物设计至关重要.
研究的目的:
- 开发和验证用于预测NP组织分布和瘤DE的机器学习模型.
- 确定影响交付效率的关键NP物理化学性质.
- 创建一个计算工具,用于对纳米药物配方进行高通量选.
主要方法:
- 使用纳米瘤数据库训练和验证多个AI模型,包括深度神经网络 (DNN).
- 使用确定系数 (R2) 和根平均平方误差 (RMSE) 评估模型性能.
- 进行特征重要性分析,以确定用于交付预测的关键NP属性.
主要成果:
- 与其他模型相比,DNN模型对瘤DE和主要组织分布的预测准确度更高.
- 在预测瘤中DE的高R2值 (0.41) 和各种器官 (例如,脏0.79,肺0.87,脏0.83) 中实现了高R2值.
- 确定NP核心材料是影响交付预测的重要因素.
结论:
- 开发的DNN模型是有效的高通量预选工具,用于设计高效的癌症纳米药物,增强瘤DE.
- 这种计算方法可以帮助减少,完善和部分取代纳米医学研究中的动物实验.
- 该模型转换为网络仪表板,有助于在纳米医药开发中的更广泛应用.
