机器学习模型的最新进展用于预测无机纳米粒子的毒性
Mingli Li1,2,3, Qiao-Zhi Li2, Yuliang Zhao4
1School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences, Beijing 100049, China.
Chem & bio engineering
|December 4, 2025
概括
工程纳米粒子可能会导致细胞损伤,需要进行安全评估. 本综述探讨了机器学习 (ML) 模型,以预测纳米毒性,改善风险评估,以获得更安全的应用.
科学领域:
- 纳米技术纳米技术
- 毒理学 毒理学 毒理学
- 计算化学计算化学
背景情况:
- 由于生物医学和环境应用中的潜在细胞毒性,工程纳米粒子 (NP) 引发了安全问题.
- 有效的危险和风险评估策略对于安全开发和可持续使用NP至关重要.
研究的目的:
- 系统地审查纳米毒性机制,影响因素和预测模型.
- 突出机器学习 (ML) 在加速纳米定量结构-活性关系 (nanoQSAR),生理学基础的药物动力学 (PBPK) 和元分析 (MA) 模型用于细胞毒性预测中的作用.
主要方法:
- 对纳米毒性机制和经典的统计细胞毒性预测模型 (nanoQSAR,PBPK,MA) 的审查.
- 专注于ML加速模型开发,包括算法,优势和方案.
- 讨论预测性能,关键影响特征和相关的纳米毒性数据库.
主要成果:
- ML显著提高了纳米QSAR,PBPK和MA模型的开发和预测能力.
- 确定了影响NP细胞毒性的关键特征,并讨论了模型性能.
- 编制了重要的纳米毒性数据库,用于进一步研究.
结论:
- 基于ML的模型提供了一种强大的方法来预测NP细胞毒性,这对于风险评估至关重要.
- 需要进一步开发可靠,可解释的ML模型,以确保NP在各种应用中的安全性.
- 本综述提供了一个全面的概述,并强调了基于ML的纳米毒性预测的未来方向.
