基于机器学习的制造植物性NiO纳米颗粒用于HepG2细胞培养中的抗癌活性

科学领域:

• 纳米医学是一种纳米医学.
• 材料科学 材料科学 材料科学
• 计算生物学 计算生物学

背景情况:

• 金属氧化物纳米材料具有独特的特性,对于生物医学应用至关重要.
• 氧化纳米粒子 (NiO NPs) 正在探索癌症治疗模式,如药物输送和高温症.
• 绿色合成为开发NiONP提供了一种可持续的方法.

研究的目的:

• 使用绿色方法合成NiONP并评估其抗癌性质.
• 为了研究NiO NP结晶体大小,烧焦温度和细胞毒性之间的关系.
• 应用机器学习来预测NiO NP细胞毒性和理解参数相互依赖.

主要方法:

• NiO NPs的绿色合成,然后在不同温度下进行化.
• 使用X射线衍射 (XRD) 进行结构和晶体尺寸分析 (11.0812.88 nm).
• MTT测试以确定对HepG2肝癌细胞的细胞毒性.
• 机器学习 (决策树,相关矩阵) 使用Google Colab进行数据分析.

主要成果:

• XRD证实了立方晶体结构;晶体的尺寸随着化温度的增加而增加.
• 在600°C时化的NiONP表现出显著的细胞毒性,使HepG2细胞活力降低到40%以下.
• 机器学习模型成功预测了NiO NP细胞毒性,并揭示了参数相关性.

结论:

• 绿色合成的NiONP显示出有前途的抗癌潜力,特别是在更高温度下化时.
• 纳米粒子大小和化温度是影响细胞毒性的关键因素.
• 整合机器学习可以提高对基于纳米材料的疗法的理解和预测.