理性设计更安全的无机纳米粒子通过机械建模信息机器学习的机械建模

科学领域:

• 纳米技术 纳米技术
• 毒理学 毒理学 毒理学
• 计算生物学 计算生物学

背景情况:

• 评估无机纳米粒子 (NP) 的安全性对于临床应用至关重要.
• 现有的NP毒性评估方法往往耗时且资源密集.

研究的目的:

• 开发一个机器学习 (ML) 框架来预测NP毒性.
• 为了能够准确地进行体外和体内NP安全性评估.
• 为了促进更安全的纳米材料的合理设计,用于临床转化.

主要方法:

• 开发了一个ML框架,利用物理化学特性和实验条件来预测NP毒性.
• 经过训练和验证的二元分类模型使用体外细胞毒性数据集.
• 整合了基于生理学的药理动力学 (PBPK) 模型,以量化器官特异性NP暴露,用于体内预测.
• 使用外部数据集和中孔NP验证了框架的预测准确性.

主要成果:

• 该ML框架准确预测了体外NP细胞毒性.
• 可解释性分析确定了NP毒性的关键决定因素,并建立了结构-毒性关系.
• 基于PBPK的ML模型在体内对特定器官的纳米毒性进行了可靠的预测.
• 开发的方法可以作为一种新型替代方法 (NAM),用于简化NP安全评估.

结论:

• 基于PBPK的ML框架为预测NP毒性提供了一个强大的工具.
• 这种方法可以显著加快纳米材料的安全性评估.
• 能够设计更安全的NP,促进其临床转化和治疗应用.