机器学习驱动的纳米粒子毒性
Zied Hosni1, Sofiene Achour2, Fatma Saadi3
1Institute for Materials Discovery, University College London, 40 Roberts Building, London WC1E 7 JE, United Kingdom.
Ecotoxicology and environmental safety
|May 20, 2025
概括
机器学习模型通过分析关键特征来预测纳米粒子毒性. 更小的纳米粒子和更高的度增加毒性,而表面电荷显著影响细胞效应,指导更安全的纳米材料设计.
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:
- 纳米粒子 (NP) 在医学和工业中的应用需要了解它们的毒性.
- 由于与生物系统的多方面的相互作用,预测NP毒性是复杂的.
研究的目的:
- 开发和解释用于预测纳米粒子毒性的机器学习模型.
- 确定影响细胞毒性的关键NP特征.
主要方法:
- 使用随机森林 (RF) 和光梯度增强机 (LightGBM) 算法.
- 采用沙普利增量解释 (SHAP) 来实现模型的解释性.
- 分析了一组强大的NP特征和毒性结果数据集.
主要成果:
- 确定了NP度和细胞活力之间的反向关系.
- 发现较小的NP表现出更高的毒性,这是由于表面与体积的比率增加.
- 轻GBM模型突出了泽塔潜力 (表面电荷) 作为细胞毒性的关键因素.
结论:
- 机器学习模型,特别是LightGBM,可以有效预测NP毒性.
- 像大小,度和泽塔潜力这样的关键特征对于减轻NP毒性至关重要.
- 结果指导生物医学和工业应用更安全的纳米颗粒的设计,促进负责任的纳米技术.
