使用机器学习预测纳米粒子的动态毒性
Ivan Khokhlov1, Leonid Legashev1, Irina Bolodurina1
1Research Institute of Digital Intelligent Technologies, Orenburg State University, Pobedy Pr. 13, Orenburg 460018, Russia.
Toxics
|October 25, 2024
概括
机器学习模型准确地预测了药物开发中的纳米粒子毒性. 确定了ZnO,Fe3O4和SiO2纳米粒子的最佳剂量,直径和度是关键的预测因素.
科学领域:
- 纳米技术纳米技术
- 生物医学工程 生物医学工程
- 计算毒理学计算毒理学
背景情况:
- 纳米粒子毒性预测对于开发安全的生物医学技术和药物至关重要.
- 评估纳米颗粒安全性确定了对生物和环境的潜在风险.
- 机器学习 (ML) 提供了先进的方法来预测各种介质中的纳米粒子毒性.
研究的目的:
- 对纳米粒子毒性评估的ML方法进行比较分析.
- 开发和评估ML模型,用于预测营养溶液中的纳米粒子毒性.
- 为了确定最佳的纳米粒子剂量,并确定关键的预测特征.
主要方法:
- 训练了一个回归模型,以根据度预测定量纳米粒子毒性.
- 开发了一个多类分类模型来预测纳米粒子毒性类别.
- 使用了诸如平均平方误差 (MSE),根平均平方误差 (RMSE),准确性,回忆,F1-Score和日志损失等指标进行模型评估.
主要成果:
- 通过回归模型实现了MSE=2.19和RMSE=1.48.
- 分类模型表现出高性能,准确度=0.9756,回忆=0.9623,F1-Score=0.9640和日志损失=0.1855.
- 确定了最佳剂量:ZnO=9.5×10−5毫克/毫升,Fe3O4=0.1毫克/毫升,SiO2=1毫克/毫升.
结论:
- 经过训练的ML模型对纳米粒子毒性的强有力的预测能力.
- 纳米粒子直径和营养溶液中的度是最重要的预测特征.
- 确定的最佳剂量范围有助于纳米粒子在生物医学领域的更安全应用.
