多模式功能融合机器学习用于预测由工程纳米材料诱导的慢性损伤

科学领域:

• 纳米毒理学研究
• 计算毒理学计算毒理学
• 生物材料科学 生物材料科学

背景情况:

• 慢性损伤如纤维化和纳米颗粒的致癌症构成公共卫生风险.
• 由于复杂的纳米-生物相互作用,在体内预测纳米毒性具有挑战性.
• 在形方法是有价值的化学风险评估,但需要精细化纳米材料.

研究的目的:

• 开发一种多式特征融合分析框架,用于预测金属氧化物纳米粒子 (MeONPs) 的纤维化潜力.
• 使用纳米粒子-肺相互作用特征创建基于机器学习的肺纤维化预测模型.
• 评估纳米材料风险评估中的in silico模型的准确性和适用性.

主要方法:

• 开发了一个多式联通功能融合分析框架.
• 利用MeONP-肺相互作用的87个特征来训练机器学习模型.
• 确定了细胞损伤和细胞因子 (IL-1β,TGF-β1) 在巨细胞和上皮细胞中的产生等关键事件.

主要成果:

• 机器学习模型在预测肺纤维化时达到85%的准确性.
• 确定粒子大小,表面电荷和溶酶体相互作用是MeONP诱导肺纤维化的关键因素.
• 细胞损伤和细胞因子的产生与纳米粒子特性和纤维化潜力密切相关.

结论:

• 开发的in silico模型显示了对纳米材料有效风险评估的潜力.
• 这种预测模型可以帮助制定纳米粒子安全性的监管决策.
• 建议使用更大的纳米粒子库进行进一步验证,以确认更广泛的适用性.