机器学习框架用于多终点量子点毒性预测与器官验证和药物目标发现
Jiafu Yang1, Dayu Hu1, Pengcheng Xing1
1Key Laboratory of Environmental Medicine and Engineering of Ministry of Education, School of Public Health, Southeast University, Nanjing 210009, China.
Toxics
|November 27, 2025
概括
这项研究开发了一个框架,使用机器学习来预测量子点 (QD) 毒性,并使用大脑器官进行验证. 结果指导了更安全的纳米材料开发,并确定了Carfilzomib作为潜在的干预措施.
科学领域:
- 纳米技术纳米技术
- 毒理学 毒理学 毒理学
- 生物医学工程 生物医学工程
背景情况:
- 量子点 (QD) 为生物医学和光电子学提供了独特的特性.
- 它们的纳米级性质和表面化学质量引发了对潜在毒性的担忧.
- 需要一个系统的方法来进行全面的QD安全评估.
研究的目的:
- 建立一个多终点框架来评估量子点毒性.
- 构建和验证用于预测QD诱导毒性影响的机器学习模型.
- 确定潜在的干预策略,以减轻QD毒性.
主要方法:
- 收集了各种QD的物理化学性质和毒性终点 (细胞死亡,炎症,氧化应激).
- 开发了用于毒性预测的机器学习模型 (随机森林,XGBoost,KNN,SVM).
- 使用大脑器官的验证预测,并使用SHAP分析来确定特征的重要性.
主要成果:
- 机器学习模型成功预测了QD毒性.
- 暴露剂量和颗粒大小被确定为模型中毒性的关键驱动因素.
- 泽塔潜力和光学特性影响了特定的毒性终点.
- 卡菲尔佐米布对核心标具有强烈的结合性,表明其作为干预药物的潜力.
结论:
- 开发的框架提供了一个系统的方法来评估多个终点的QD毒性.
- 这项研究为纳米材料安全评估和干预策略开发提供了强有力的方法.
- 这些发现有助于量子点在各种领域的安全应用.
