苏州大学与大连理工联合开发：基于纳米颗粒和机器学习的肺纤维化风险评估模型——多模态特征融合预测工程纳米材料诱导慢性损伤准确率达85%

纳米颗粒在现代社会中的广泛应用引发了公众对健康风险的担忧，特别是慢性损伤（如纤维化和致癌作用）。为了应对这一挑战，苏州大学与大连理工大学的研究团队开发了一种多模态特征融合分析框架，用于预测金属氧化物纳米颗粒（MeONP）在雌性小鼠中引发肺纤维化的可能性。该研究通过将每个纳米生物界面视为独立实体，并提取 87 个特征进行机器学习建模，成功实现了高准确率（85%）的预测模型。

研究人员重点关注了巨噬细胞和上皮细胞中的关键事件，例如细胞损伤和细胞因子（IL-1β 和 TGF-β1）的产生，发现这些过程与颗粒大小、表面电荷以及溶酶体相互作用密切相关。此外，他们采用了多种机器学习算法（如随机森林、支持向量机等）来优化模型性能，并最终选择了表现最佳的随机森林模型进行验证。

全球范围内，已有超过 1 万种纳米产品应用于各个行业，其中部分产品可能释放纳米颗粒形成气溶胶，进而导致哺乳动物呼吸道损伤。例如，ZnO、CuO、Au 和 Ag 等工程纳米材料（ENMs）可能引发急性肺损伤，而碳纳米管和金属氧化物则可能导致慢性呼吸毒性（如肺纤维化和致癌）。由于 ENMs 的潜在慢性毒性，其安全性受到严格监管，例如碳纳米管因致癌性被列入替代清单。

尽管现有的计算机模型可以预测 ENMs 的体外毒性，但体内慢性呼吸毒性的预测仍然面临巨大挑战。为了解决这一问题，研究团队构建了一个包含 52 种 MeONPs 的数据库，并收集了多个纳米生物界面的潜在预测特征。通过整合化学和体外数据，他们成功开发了一款名为「Nano-induced lung fibrosis prediction」的软件（NILFP v 1.0.0），简化了用户界面并提高了实用性。

NILFP 软件能够评估未经测试的 MeONPs 或基于 MeONP 的纳米产品的纤维化风险，使用的关键描述符包括流体动力学尺寸、zeta 电位、溶解度以及体外试验结果。研究团队指出，计算机模型的强大预测能力主要归功于以下三点：（i）精心选择关键的纳米生物相互作用；（ii）使用相关细胞模型研究肺纤维化；（iii）整合化学和体外数据以全面表示动态机制。

总的来说，这项研究通过构建多模态特征融合（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。该模型不仅实现了高准确率（>85%），还提供了一种经济高效、时间节约且机制驱动的替代方法，可广泛应用于纳米材料的风险评估和监管决策中。

本文来源：