使用可解释机器学习和基于周期表的描述器预测材料的纳米毒性.

科学领域:

• 纳米技术纳米技术
• 材料科学 材料科学 材料科学
• 计算毒理学计算毒理学

背景情况:

• 工程纳米材料的生物效应取决于物理化学性质.
• 预测各种材料组成中的纳米毒性是一个重大挑战.
• 现有的模型往往无法对新纳米材料进行概括.

研究的目的:

• 开发一个可解释的机器学习框架,用于跨材料纳米毒性预测.
• 使用基于周期表的描述符来提高预测准确度.
• 建立一个用于更安全的纳米材料设计和风险评估的计算工具.

主要方法:

• 构建了1206个金属氧化物纳米粒子条目与细胞毒性数据的数据集.
• 通过材料内部和材料交叉验证评估的机器学习模型.
• 嵌入的元素描述符 (电子阴性,电离能,原子半径,氧化状态).

主要成果:

• 元素描述器显著提高了跨材料预测性能 (R2 0.350.65对于未见材料).
• 实验验证证了NiO和Cr2O3纳米粒子的模型可靠性.
• 确定了特定于材料和细胞类型的有毒反应和机械洞察力 (氧化应激).

结论:

• 跨材料纳米毒性预测是可行的使用元素描述符.
• 开发的框架是可扩展和可解释的纳米材料安全.
• 这种方法支持工程纳米材料的知情设计和风险评估.