预测纳米材料的生物积累:具有挑战的建模方法
Hang Zeng1, Zhuoyan Lv1, Xiaoyan Sun2
1State Key Laboratory of Pollution Control and Resource Reuse, School of the Environment, Chemistry and Biomedicine Innovation Center, Nanjing University, Nanjing 210023, China.
Environment & health (Washington, D.C.)
|October 30, 2024
概括
预测纳米材料生物积累对于生态毒性评估至关重要. 本综述分析了当前的模型,突出了机器学习.
科学领域:
- 环境科学 环境科学
- 毒理学 毒理学 毒理学
- 纳米技术 纳米技术
背景情况:
- 评估纳米材料 (NM) 的生态毒性需要了解它们在生物体中的生物积累.
- 实验性生物积累的确定具有挑战性,推动了NMS的预测模型的开发.
- 传统模型 (BLM,QSAR) 可能由于NMS独特的吸收行为,产生不准确的结果.
研究的目的:
- 批判性地审查现有的模型来预测NM生物积累.
- 分析NMS当前生物积累模型的可行性和局限性.
- 探索机器学习 (ML) 方法的潜力,以改善NM生物积累预测.
主要方法:
- 对NM生物积累的既定和新兴模型的文献综述.
- 对模型适用性的批判性分析,考虑NM特定的吸收机制.
- 基于机器学习的模型的评估,用于*in silico*预测NM的生物行为.
主要成果:
- 传统模型面临的局限性是由于与传统物质相比,NMS的吸收模式不同.
- 机器学习模型在预测NM生物相互作用和生物积累方面表现有前途.
- 机器学习方法为生物积累建模和关键特征识别提供了新的见解.
结论:
- 目前对NM生物积累的预测模型需要对其局限性进行批判性评估.
- 机器学习提供了一种有前途的数据驱动方法,用于提高NM生物积累预测的准确性.
- 对机器学习驱动模型的进一步研究可以提高我们对生物体中 NM 行为的理解,并确定影响生物积累的关键因素.
更多相关视频
07:54Capillary Electrophoresis Mass Spectrometry Approaches for Characterization of the Protein and Metabolite Corona Acquired by Nanomaterials
Published on: October 27, 2020
4.4K
07:08Nanoparticle Tracking Analysis of Gold Nanoparticles in Aqueous Media through an Inter-Laboratory Comparison
Published on: October 20, 2020
7.3K
