机器学习模型用于定量预测金属氧化物纳米粒子诱导的巨细胞中的毒性
Tianqin Wang1, Yang Huang1, Hongwu Zhang1
1School of Chemistry and Materials Science, Ludong University, Yantai, 264025, China.
Chemosphere
|December 9, 2024
概括
机器学习模型预测金属氧化物纳米粒子 (MeONP) 在肺巨细胞中的毒性. 这项研究有助于评估纳米材料的风险,并为公共卫生设计更安全的纳米粒子.
科学领域:
- 纳米材料的安全性
- 计算毒理学计算毒理学
- 在形风险评估中.
背景情况:
- 金属氧化物纳米颗粒 (MeONPs) 在吸入时存在潜在的免疫毒性风险.
- 肺部巨细胞是清除吸入MeONPs的关键,但它们的毒性是复杂的预测.
- 由于复杂的特性和细胞反应,对巨细胞中MeONP毒性的量化in silico预测具有挑战性.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以定量预测巨细胞中的MeONP毒性.
- 确定影响MeONP毒性的关键参数.
- 通过ML分析阐明毒性机制.
主要方法:
- 为30个MeONP编制了240个数据点的多维数据集,包括致命性,生物化学和物理化学性质.
- 使用各种算法构建机器学习模型,解决类失衡问题.
- 模型性能通过十倍交叉验证和外部验证进行了严格的验证.
主要成果:
- 开发了高精度的ML模型,最好的模型获得了0.85 (10倍CV) 和0.90 (外部测试) 的R2.
- 这些模型表现出强大的预测能力,Q2值为0.88 (10倍CV) 和0.90 (测试组).
- 确定了影响MeONP毒性的五个关键参数,并阐明了潜在的机制.
结论:
- 开发的ML框架为巨细胞中MeONP毒性提供了准确的定量预测.
- 这些预测可以显著填补纳米材料风险评估中的数据缺口.
- 这些发现为设计更安全的纳米粒子和为环境和公共卫生决策提供了宝贵的见解.
