文章图片
【机器学习模型需要预测对人类、动物和环境的潜在不利生物学影响】
文章图片
最终 ， 机器学习 模型需要预测对人类、动物和环境的潜在不利生物学影响 。显然 ， 伦理和成本考虑意味着高等动物体内数据的数量非常有限 ， 因此大多数体内数据与鱼类和其他水生生物有关 。因此 ， 能够为训练 机器学习 模型生成大量数据的模型系统必须与纳米材料的体内效应有关 。与单独使用描述符相比 ， 使用体外数据与纳米材料描述符相结合可以更好地模拟体内反应 。 扩展这一概念 ， 这表明预测的体外反应可以以这种方式用于更好地预测体内反应 特性 。
纳米材料几乎总是在生物或环境相关的流体中进行重大修改 。 最初 ， 流体中最丰富的大分子在由表面化学和颗粒形状调节的过程中与材料结合 。 随着时间的推移 ， 这些大分子会被与纳米材料结合更牢固的不太丰富的大分子所取代 。 由这些非常紧密地吸附在纳米颗粒上的蛋白质形成硬冠 。 蛋白质对纳米粒子的亲和力决定了硬电晕的组成 。 随后 ， 蛋白质群发生交换 ， 构成称为软冠的动态结构 。 除了亲和力之外 ， 纳米粒子曲率对电晕组成也有显着影响 ， 较大的粒子通常会结合更多样化的蛋白质群 。
因此 ， 纳米材料加上电晕定义了与生物学相互作用的“生物学相关实体” 。 幸运的是 ， 基于 QSAR 的 机器学习 模型充当“自上而下”而不是自下而上的方法 。 也就是说 ， 体内系统模型仍然适用于 机器学习 建模 ， 因为这些通用近似方法可以将大量复杂的受体相互作用、信号传导和由暴露于纳米材料触发的下游过程封装成复杂的非线性模型内部的函数 。 纳米粒子的表面化学决定了电晕的组成 ， 而电晕决定了粒子如何与细胞相互作用 。 从本质上讲 ， 机器学习 模型可以适应纳米材料在模型内暴露于生物流体时的这些转变 ， 捕获由于大量相互作用的较小生物过程而产生的紧急生物反应 。芬德利等人解决了使用 机器学习 方法预测银纳米粒子周围的蛋白质电晕这一重要问题 。 他们使用蛋白质、ENM 和溶液条件的生物物理化学特征训练随机森林模型 。 受试者工作特征曲线下面积为 0.83 ， 表明预测性能强 。 他们的模型深入了解了电晕如何受颗粒大小、表面曲率和涂层的影响 ， 以及蛋白质富集机制 。 最近 ， 拜登 等人 。 还使用机器学习来预测纳米粒子周围的电晕成分 。
在过去的十年中 ， 有许多关于 机器学习 在纳米毒理学中的使用的评论 ， 我们在下面提供了一些已发表研究的关键示例 。 选择这些是为了突出 机器学习 方法在对一系列应用中的纳米材料特性进行建模时的多样性 。 我们总结了机器学习在纳米材料危害预测和“设计安全”项目成果中的选定文献应用 ， 并强调了可能导致实现上述未实现里程碑的技术 。 普津 等人发表了使用 机器学习 或统计建模来预测纳米材料不利特性的首批示例之一 。
这些研究人员发现了一个简单的单参数线性回归模型 ， 该模型使用源自量子化学计算的描述符预测了 17 种不同金属氧化物纳米颗粒对大肠杆菌的细胞毒性 。 与此同时 ， 环保局报道了使用线性回归和贝叶斯正则化神经网络来预测 51 种具有不同金属核的金属氧化物纳米粒子和 109 种具有相似核但表面改性剂不同的金属氧化物纳米粒子的生物学效应 。该模型可以对光滑度进行定量预测来自体外测定的人脐静脉上皮细胞和胰腺癌细胞对肌肉细胞凋亡和纳米颗粒的摄取 。 这些模型可以预测纳米材料的独立测试组中的细胞凋亡 ， 标准误差 <3 ， 两种细胞系的摄取量在 2 倍以内 。 使用基于支持向量机的分类和基于 kNNs 的回归对相同的数据集进行建模 。 对于分类建模 ， 这些模型的外部预测准确度高达 73% ， 而回归模型在预测相同属性时的 r 2 为 0.72 。 刘等人 。 随后报道了 44 种氧化铁核心纳米颗粒对四种细胞类型（影响的分类 机器学习 模型 ， 使用四种不同的生物测定法和四种浓度的纳米颗粒 。
他们采用基于自组织图的聚类来定义类和贝叶斯分类器、逻辑回归、线性判别分析 ， 以及在大小、自旋晶格和自旋-自旋弛豫度和 zeta 电位描述符上训练的最近邻分类器 。 他们的二分类模型具有相对较高的准确率 > 78% 。
推荐阅读
- 纳米粒子影响的体内数据量显着增加，数据存储和共享方法的开发
- 大象鼻子就是生物学上的一个奇迹，还有什么是它做不到的？
- 研究丨干细胞调节股骨头坏死前景不可估量
- 为什么蜜蜂的针会进化成连着肠子？其生物学意义是什么？
- 朱玉贤《现代分子生物学》（第5版）配套题库
- 蛾毛虫粘虫
- 无比恐惧的雄鹿，要带着同伴的尸体生存
- 人类由鱼进化而来，有化石为证，从鱼到人是何进化过程？
- 利用纳米技术清除核废料