记者8月20日从南开大学获悉，该校环境科学与工程学院环境污染过程与基准教育部重点实验室胡献刚教授团队，将环境毒理大数据与人工智能技术（机器学习）结合，提出可解释的因果系统优化（ICSO）框架，筛选了影响纳米材料生物毒理效应的关键因素，为纳米材料应用趋利（靶向器官递送）避害（降低毒性副作用）提供了方法学支撑。相关成果日前发表在国际学术期刊《美国化学会志》上。

　　据介绍，纳米材料由于其非凡的性能，如高比表面积和多功能性，被认为是21世纪必不可少的功能材料，在医疗保健、免疫治疗、智能材料和生态环境等多领域被广泛应用。但纳米材料在应用过程中，往往面临应用效果与纳米毒性的两难困境，比如，在提升作用器官的靶向积累的同时也会引起机体的免疫反应和毒性效应。

　　“如何在提升纳米材料向靶器官积累的同时，降低机体的免疫反应和毒性效应，一直是国内外学者努力想获得的结果。”胡献刚说。

　　近些年，随着纳米材料器官积累和毒性效应数据的不断累积以及人工智能技术在大数据分析上的发展，解决上述难题逐渐成为可能。

　　“纳米材料进入生物体后产生的毒理效应往往是复杂且非线性的，利用常规统计模型难以深入厘清纳米材料与生物体的相互作用。”胡献刚介绍，机器学习在处理非线性数据上具有明显优势，但很难实现纳米材料积累增强与毒性降低的双赢。机器学习与多目标优化方法结合，有望解决上述难题。

　　基于此，团队通过挖掘环境毒理大数据，利用多种机器学习模型，预测了16种包括纳米材料特性、动物特性以及实验条件在内的变量对15种免疫反应和器官积累指标的影响，通过提出可解释的因果系统优化（ICSO）框架，构建起准确预测和智能纳米材料优化的上下游任务，实现了对比表面积、直径和Zeta电位等多种特性的生物反应的量化预测，并为智能纳米材料的设计提供了定量信息和优化条件。简言之，就是通过该方法摸清在什么样的纳米材料属性条件下，能达到纳米材料在靶器官的积累以及降低毒性的双重目的。

　　胡献刚表示：“纳米颗粒在进入环境和生物体后，可能产生复杂的环境毒理效应。通过该研究框架提出的优化策略或优化方法，可以实现目标导向的最佳纳米材料设计，从而摆脱材料设计的人为经验依赖性，降低传统试错产生的时间和经济成本。”

　　当前，机器学习在健康领域的应用，以预测和关键影响因素筛选为主。在未来，机器学习不仅能实现研究对象的预测，更可以通过与优化技术、优化方法结合，促使研究对象向人们希望的方向发展，达到最优化的目的，加快新技术、新材料、新方法的转化进程。

　　本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有。如因无法联系到作者侵犯到您的权益，请与本网站联系，我们将采取适当措施。