优化机器学习模型,用于预测化纳米材料中的细胞毒性:以数据为导向的方法,最大限度地减少环境危害

科学领域:

• 材料科学 材料科学 材料科学
• 纳米技术纳米技术
• 环境科学 环境科学
• 毒理学 毒理学 毒理学

背景情况:

• 兰化物 (Ln) 对现代技术至关重要,但其对生物的影响尚不清楚.
• 与 (Gd,Yb) 合的ZnO一样,用兰化物合的纳米材料引起了人们对潜在的细胞毒性和环境命运的担忧.
• 了解这些先进材料的生物活性对于安全应用和风险评估至关重要.

研究的目的:

• 为了评估 (Gd, Yb) 杂的 ZnO 纳米颗粒的体内细胞毒性作用.
• 调查兰化物兴奋剂在ZnO的生物活性和潜在生物积累中的作用.
• 开发和验证一种机器学习模型,用于预测无机纳米材料的细胞毒性.

主要方法:

• 实验室细胞培养模型被用于评估细胞毒性.
• 材料表征技术为分析提供了23个关键特征.
• 机器学习回归模型被训练并优化以预测细胞活力.
• 特性重要性分析确定了影响纳米材料生物活性的关键因素.

主要成果:

• 用 (Gd,Yb) 合的 ZnO 材料显示出显著的细胞毒性和聚合的倾向.
• 聚合表明生态系统中生物积累的潜力,影响水生生物和人类健康.
• 最好的机器学习模型在预测细胞生存能力方面取得了R2>0.9.
• 材料度和细胞类型被确定为对细胞毒性预测最有影响的特征.

结论:

• 添加兰酸的ZnO纳米颗粒具有细胞毒性风险,可能会生物累积.
• 机器学习为评估纳米材料毒性提供了强大的计算方法.
• 确定度和细胞类型等关键特征有助于预测和减轻与纳米材料相关的风险.