基于机器学习的细胞毒性测试的优化,用于评估基于的可生物降解金属
Qi Wang1, Changzhong Chen1, Qian Liu2
1School and Hospital of Stomatology, Guangdong Engineering Research Center of Oral Restoration and Reconstruction, Guangzhou Key Laboratory of Basic and Applied Research of Oral Regenerative Medicine, Guangzhou Medical University, Guangzhou, China.
Materials today. Bio
|June 9, 2025
概括
机器学习优化了基于 (Zn) 的生物材料的细胞毒性测试. 这提高了对基于的金属的毒性评估的可靠性,这对于开发安全的生物医学植入物至关重要.
科学领域:
- 生物材料科学 生物材料科学
- 计算生物学 计算生物学
- 毒理学 毒理学 毒理学
背景情况:
- 基于 (Zn) 的生物降解金属对生物医学植入物有很大的希望.
- 在体外和体外生物相容性数据之间的差异使基于Zn的金属评估复杂化.
研究的目的:
- 使用机器学习优化基于的金属的细胞毒性测试协议.
- 提高对基于的生物材料的毒性评估的可靠性.
主要方法:
- 利用了51项纯的细胞毒性实验的数据.
- 训练并完善了五种预测模型:决策树 (DT),随机森林,梯度增强决策树,支向量机器和多层感知子 (MLP).
- 评估纯 Zn 对骨相关细胞,内皮细胞和纤维细胞的影响.
主要成果:
- 优化的预测模型显示了可比性能.
- 多层感知子 (MLP) 模型表明,所有细胞类型的高非毒性概率低于40%的Zn度.
- 通过决策树 (DT) 模型确定的提取物度是关键的预测因素.
- 细胞毒性测试证实高细胞存活率高达40%的 Zn 提取物度,随后显著下降.
结论:
- 该研究为基于Zn的生物材料的细胞毒性测试提供了创新的见解.
- 确定了影响细胞毒性评估的关键因素,并定义了体外评估的极限.
- 提高毒性评估的可靠性,并支持对基于的可生物降解金属的评估指标的标准化框架.
更多相关视频
09:01A High-throughput Assay for the Prediction of Chemical Toxicity by Automated Phenotypic Profiling of Caenorhabditis elegans
Published on: March 14, 2019
7.2K
04:53Author Spotlight: Advances in Evaluating Human Lung Epithelial Cells' Response to Metal-Organic Frameworks
Published on: May 26, 2023
862
