机器学习在预测二氧化纳米颗粒诱导的肺病理学中的作用使用了转录基因生物标志物

科学领域:

• 毒理学 毒理学 毒理学
• 计算生物学 计算生物学
• 纳米科学是一个纳米科学.

背景情况:

• 吸入二氧化纳米颗粒 (TiO2-NPs) 可能导致肺部病理.
• 了解TiO2-NP毒性机制对于风险评估至关重要.
• 建议使用新方法 (NAM) 来减少动物试验.

研究的目的:

• 应用机器学习 (ML) 来识别与TiO2-NP诱导的肺病理相关的转录基因变化.
• 开发TiO2-NP肺部毒性的预测计算模型.
• 支持安全和可持续的设计纳米材料的开发.

主要方法:

• 对暴露于TiO2-NPs的小鼠肺部基因表达特征的分析.
• 开发和验证超过600个随机森林ML模型.
• 关键基因和纳米粒子特征的识别驱动转录组变化.

主要成果:

• 17个高质量的ML模型实现了0.95.5的平均精度.
• 模型将纳米粒子表面积,电荷和时间与Saa1,Saa3和Ccl2.2等基因的失调联系起来.
• 已识别的基因与肺炎和纤维化有关.

结论:

• ML有效地集成omics数据用于纳米安全评估.
• 预测模型有助于早期检测纳米材料暴露的不良影响.
• 这项研究为了解TiO2-NP毒性和设计更安全的纳米材料提供了一个框架.