探索丁化物杂的ZnO纳米颗粒的细胞毒和抗氧化特性:一项使用机器学习解释的研究
Jorge L Mejia-Mendez1, Edwin E Reza-Zaldívar2, A Sanchez-Martinez3
1Departamento de Ciencias Químico-Biológicas, Universidad de las Américas Puebla, Santa Catarina Mártir s/n, Cholula, Puebla, 72810, Mexico.
Journal of nanobiotechnology
|November 10, 2024
概括
氧化物纳米颗粒中含有兰胺的氧化物显示出癌细胞毒性降低,但抗氧化活性增强. 机器学习模型准确地预测细胞毒性,支持它们在癌症治疗中的潜力.
科学领域:
- 纳米材料科学 科学 纳米材料科学
- 生物医学工程 生物医学工程
- 计算化学计算化学
背景情况:
- 基于兰化物的纳米材料为向癌症治疗提供了可调节的特性.
- 机器学习 (ML) 模型增强了对材料有效性和选择性的预测.
研究的目的:
- 为了合成和表征 (Er3+) 和 (Yb3+) 杂的氧化 (ZnO) 纳米粒子 (NP).
- 为了评估兰坦化物兴奋剂对 ZnO NPs 的物理化学,光学和生物特性的影响.
- 应用ML模型来预测这些纳米材料的细胞毒性作用.
主要方法:
- 用 (Er,Yb) 添加剂的 ZnO NPs 的溶液聚合合成.
- 使用各种技术进行表征 (例如形态学,表面电荷,光学带隙).
- 对细胞毒性和抗氧化活性进行生物测试.
- 开发和应用额外树 (ET) 和随机森林 (RF) ML模型.
主要成果:
- 合成 (Er, Yb) 合的 ZnO NPs 显示了层状形态,负面电荷和可变光学带隙.
- 兰他尼德兴奋剂降低了对抗癌细胞系的ZnO NP细胞毒性 (HEPG-2,CACO-2,U87).
- 兴奋剂增强了对自由基 (DPPH,ABTS,H2O2) 的抗氧化活性.
- ET和RF模型准确预测了细胞毒性 (准确率高达98.96%).
结论:
- 通过溶液聚合,首次报告了Er和Yb联合合的ZnONP.
- 光学带隙变化影响了细胞毒性,无兴奋剂的ZnO是最有细胞毒性的.
- 兰他尼德的存在增强了清理能力和调节的细胞毒性.
- ML模型证实度和细胞系是关键的细胞毒性因素,支持癌症治疗的潜力.
