記者8月20日從南開大學獲悉,該校環(huán)境科學與工程學院環(huán)境污染過程與基準教育部重點實驗室胡獻剛教授團隊,將環(huán)境毒理大數(shù)據(jù)與人工智能技術(機器學習)結(jié)合,提出可解釋的因果系統(tǒng)優(yōu)化(ICSO)框架,篩選了影響納米材料生物毒理效應的關鍵因素,為納米材料應用趨利(靶向器官遞送)避害(降低毒性副作用)提供了方法學支撐。相關成果日前發(fā)表在國際學術期刊《美國化學會志》上。
據(jù)介紹,納米材料由于其非凡的性能,如高比表面積和多功能性,被認為是21世紀必不可少的功能材料,在醫(yī)療保健、免疫治療、智能材料和生態(tài)環(huán)境等多領域被廣泛應用。但納米材料在應用過程中,往往面臨應用效果與納米毒性的兩難困境,比如,在提升作用器官的靶向積累的同時也會引起機體的免疫反應和毒性效應。
“如何在提升納米材料向靶器官積累的同時,降低機體的免疫反應和毒性效應,一直是國內(nèi)外學者努力想獲得的結(jié)果。”胡獻剛說。
近些年,隨著納米材料器官積累和毒性效應數(shù)據(jù)的不斷累積以及人工智能技術在大數(shù)據(jù)分析上的發(fā)展,解決上述難題逐漸成為可能。
“納米材料進入生物體后產(chǎn)生的毒理效應往往是復雜且非線性的,利用常規(guī)統(tǒng)計模型難以深入厘清納米材料與生物體的相互作用。”胡獻剛介紹,機器學習在處理非線性數(shù)據(jù)上具有明顯優(yōu)勢,但很難實現(xiàn)納米材料積累增強與毒性降低的雙贏。機器學習與多目標優(yōu)化方法結(jié)合,有望解決上述難題。
基于此,團隊通過挖掘環(huán)境毒理大數(shù)據(jù),利用多種機器學習模型,預測了16種包括納米材料特性、動物特性以及實驗條件在內(nèi)的變量對15種免疫反應和器官積累指標的影響,通過提出可解釋的因果系統(tǒng)優(yōu)化(ICSO)框架,構(gòu)建起準確預測和智能納米材料優(yōu)化的上下游任務,實現(xiàn)了對比表面積、直徑和Zeta電位等多種特性的生物反應的量化預測,并為智能納米材料的設計提供了定量信息和優(yōu)化條件。簡言之,就是通過該方法摸清在什么樣的納米材料屬性條件下,能達到納米材料在靶器官的積累以及降低毒性的雙重目的。
胡獻剛表示:“納米顆粒在進入環(huán)境和生物體后,可能產(chǎn)生復雜的環(huán)境毒理效應。通過該研究框架提出的優(yōu)化策略或優(yōu)化方法,可以實現(xiàn)目標導向的最佳納米材料設計,從而擺脫材料設計的人為經(jīng)驗依賴性,降低傳統(tǒng)試錯產(chǎn)生的時間和經(jīng)濟成本。”
當前,機器學習在健康領域的應用,以預測和關鍵影響因素篩選為主。在未來,機器學習不僅能實現(xiàn)研究對象的預測,更可以通過與優(yōu)化技術、優(yōu)化方法結(jié)合,促使研究對象向人們希望的方向發(fā)展,達到最優(yōu)化的目的,加快新技術、新材料、新方法的轉(zhuǎn)化進程。