用纳米颗粒提升预先训练的模型,以预测细胞毒性

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:

• 纳米粒子 (SiNPs) 在药物输送和纳米复合材料中至关重要.
• 潜在的非目标积累和SiNPs的细胞毒性需要强有力的安全评估.
• 现有的数据驱动方法面临着数据泄露和不良概括性的挑战.

研究的目的:

• 开发一个预先训练的基于模型的框架,用于准确的纳米粒子细胞毒性预测.
• 为解决先前毒性评估方法固有的数据泄露问题.
• 增强用于新型纳米粒子配方的预测模型的概括性.

主要方法:

• 删除了评估阶段的特征 (例如,可行性_指标,积极_控制),以防止数据泄露.
• 利用TabPFN的嵌入层将分类值转换为密集向量.
• 在预先训练的TabPFN模型上使用上下文学习,以提高概括性.

主要成果:

• 在公共数据集上实现了最先进的分类性能.
• 通过排除特定的评估特征,有效地缓解了数据泄露.
• 证明了改进的模型通用性,用于预测新的纳米粒子类型的毒性.

结论:

• 拟议的框架为纳米粒子毒性预测提供了一个强大的解决方案.
• 缓解数据泄露和增强通用性是可靠纳米医学设计的关键.
• 这种方法支持合理设计更安全,更有效的纳米药物.