Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

准确率达85%,苏大、大连理工开发多模态特征融合ML,预测工程纳米材料诱导的慢性损伤

图片

编辑 | 白菜叶

纳米颗粒引起的慢性损伤(例如纤维化和致癌作用)引起了公众健康担忧,需要在危害识别中迅速评估。尽管计算机分析通常用于化学品风险评估,但由于纳米生物流体和纳米亚细胞器等多个界面的复杂相互作用,预测体内慢性纳米毒性仍然具有挑战性。

苏州大学、大连理工大学的研究人员开发了一个多模态特征融合分析框架来预测金属氧化物纳米颗粒(MeONP)在雌性小鼠中的纤维化潜力。将每个纳米生物界面视为一个独立实体,利用 MeONP-肺相互作用得出的 87 个特征来开发基于机器学习的肺纤维化预测框架。

研究人员将巨噬细胞和上皮细胞中的细胞损伤和细胞因子(IL-1β 和 TGF-β1)产生确定为与颗粒大小、表面电荷和溶酶体相互作用密切相关的关键事件。实验表明,该计算机模型准确率为 85%。

研究结果表明,该预测模型在纳米材料风险评估和协助监管决策方面具有潜在用途。

该研究以「Multimodal feature fusion machine learning for predicting chronic injury induced by engineered nanomaterials」为题,于 2025 年 3 月 20 日发布在《Nature Communications》。

图片

全球已有超过 1 万种纳米产品应用于各行业,部分纳米产品在使用过程中会释放纳米颗粒形成气溶胶,经吸入后可能引发哺乳动物呼吸道损伤。

某些工程纳米材料(ENMs)如 ZnO、CuO、Au 和 Ag 可能通过活性氧生成、炎症小体激活或促炎因子释放引发急性肺损伤,而碳纳米管和金属氧化物等则可能导致慢性呼吸毒性,如肺纤维化和致癌,这些损伤通常是不可逆的。

由于 ENMs 的潜在慢性毒性,相关产品安全性受到严格监管,例如碳纳米管因其致癌性被列入「替代现在」(SIN)清单。为应对 ENMs 风险评估的高成本和时间消耗,研究人员开发了计算机预测模型,通过理化性质预测 ENMs 的体外毒性,但目前仍缺乏可靠的模型预测其体内慢性呼吸毒性,如肺纤维化。

肺纤维化的致病过程涉及纳米颗粒与肺液、巨噬细胞、上皮细胞及亚细胞结构的复杂相互作用,这些多重纳米-生物界面的复杂性使得慢性毒性预测成为纳米毒性研究的主要挑战。

研究人员希望在建立金属氧化物纳米粒子 (MeONPs) 诱发肺纤维化的预测框架。苏州大学、大连理工大学的研究人员准备了一个包含 52 个 MeONPs 的数据库,并收集了 MeONPs 与生物环境(如膜、溶酶体、线粒体和其他细胞质成分)之间多个界面的潜在预测特征。研究人员总共获得了 87 个多模态特征和两个纤维化指数,然后对其进行了机器学习建模。

为了构建预测框架,该团队采用了八种不同的机器学习算法:随机森林、局部加权学习、C4.5 决策树、k-最近邻、支持向量机、贝叶斯网络、决策表和逻辑回归。

他们使用总体预测准确度 (ACC)、马修斯相关系数 (MCC)、敏感度 (SE)、特异度 (SP)、受试者工作特征曲线下面积 (AUC) 和 F1 分数彻底评估了所开发的预测模型的性能。随机森林 (RF) 模型表现最佳,并通过五种 MeONP 进行了进一步的实验验证。

图片

图示:肺部纳米生物相互作用的界面。(来源:论文)

虽然这里使用了 BALF 中的 TGF-β1 和组织学图像的 Ashcroft 评分,因为用于肺纤维化的可靠的非动物分类器有限,但该团队承认探索非动物分类替代方法的重要性,符合动物试验的 3R 原则(替代、减少、改进)。

在这项研究中,计算机模型是使用化学和体外数据的组合构建的,这展示了向非动物预测建模方法迈出的一步。随着 ENM 的数量不断增加,在暴露于环境之前评估其潜在的促纤维化风险至关重要。MFF 在评估 MeONP 的纤维化风险方面表现出很高的预测准确性。

为了提高 MFF 模型的实用性,该团队将其转化为一款名为「Nano-induced lung fibrosis prediction」的软件(NILFP v 1.0.0),并简化了用户界面。

GitHub:https://github.com/huangyang2023/NILFPv1.0.0

图片

图示:识别用于机制解释的关键描述符。(来源:论文)

NILFP 可用于未经测试的 MeONPs、基于 MeONP 的纳米产品等的纤维化风险评估,使用三个化学描述符(流体动力学尺寸、zeta 电位和 PSF 中的溶解度)和四个体外描述符,包括暴露于 12.5 μg/mL MeONPs 的 THP-1 细胞上清液中的 IL-1β、暴露于 200 μg/mL MeONPs 的 THP-1 细胞活力以及暴露于 25 μg/mL MeONPs 的 BEAS-2B 细胞活力和分泌的 TGF-β1。

研究人员将计算机模型的强大预测能力可以归因于以下三点:

(i)根据 MeONPs 在肺部的生物命运精心选择关键的纳米生物相互作用;

(ii)使用相关的细胞模型来研究肺纤维化;

(iii)整合化学和体外数据,全面表示肺纤维化背后的动态。

图片

图示:评估共培养系统中成纤维细胞增殖。(来源:论文)

总而言之,该研究通过构建 MFF 预测框架,提出了一种可靠的计算机模型来预测 ENM 的纤维化潜力。MEF 模型在预测 MeONP 诱发的肺纤维化方面实现了高准确度 (>85%),使其成为一种有价值的风险评估工具。所开发的模型适用于不同的 MeONP。

这里的机器学习分析揭示了七个关键描述符,包括三个化学描述符和四个体外描述符。这些描述符结合了非生物特性和体外试验,从而可以预测 ENM 诱导的肺纤维化,从而无需进行动物实验。已建立的预测框架可作为识别纤维化纳米材料的初始范例,促进通过横向阅读策略对其进行进一步分组。

该研究为目前动物慢性纳米毒性评估实践提供了一种经济高效、时间高效、机制驱动的替代方法。

论文链接:https://www.nature.com/articles/s41467-025-58016-w

理论
暂无评论
暂无评论~