通过Enalos Cloud平台，利用原子级别的描述符对碳化铁纳米粒子的细胞毒性进行可解释的预测

《Nanoscale Advances》：Atom-level descriptors and explainable prediction of iron carbide nanoparticles' cytotoxicity via the Enalos Cloud platform

铁碳纳米颗粒（ICNPs）的细胞毒性预测研究采用两种计算模型：一种基于实验和物理化学参数，另一种结合原子级结构描述符。结果显示，融合原子级信息的随机森林模型（QSTR）性能更优，R2达84.4%，符合OECD标准，并通过SHAP分析和APD定义验证其可靠性和适用性，最终部署为Web服务。

　　
铁碳化物纳米颗粒（ICNPs）因其独特的磁学性能和潜在生物医学应用，成为近年来研究的热点。然而，其生物相容性及毒性机制仍存在不确定性，传统实验方法成本高且耗时长。为此，本研究提出了一种结合实验数据与原子级结构特征的数据驱动模型，为ICNPs的毒性评估提供高效解决方案。

### 一、研究背景与意义
铁碳化物纳米颗粒（ICNPs）在磁共振成像（MRI）增强、磁热疗（MHT）和药物递送等领域展现出巨大潜力。相较于其他磁性纳米材料（如铁氧化物），ICNPs因碳外壳的高化学惰性和热稳定性，被认为具有更低的生物毒性风险。然而，现有研究多集中于体外实验，缺乏系统性分析其毒性机制与结构特征的关系。开发可解释的预测模型，既能减少重复实验，又能为材料优化提供理论依据，是纳米毒理学研究的重要方向。

### 二、方法论创新
研究团队采用混合建模策略，整合了两种互补的数据来源：
1. **实验特征数据**：涵盖颗粒尺寸（4.9-44.3 nm）、壳层厚度（2-2.5 nm）、表面修饰（如聚乙二醇、聚丙烯酸等）及细胞存活率（24小时暴露数据）。
2. **原子级结构特征**：通过计算化学工具（NanoConstruct）对ICNPs的晶体结构进行模拟，提取了57个原子尺度描述符，包括晶格能、核心与壳层原子配位数差异、表面能等，以捕捉纳米颗粒的微观结构特性。

模型开发严格遵循OECD QSAR准则，重点突破传统方法的局限性：
- **数据整合**：将分散的12项独立实验数据整合为186个样本的统一数据库，覆盖人类和啮齿类细胞模型。
- **特征筛选**：通过零方差过滤和皮尔逊相关系数分析，排除冗余特征（如高度相关的原子数统计），最终保留13个关键特征。
- **算法优化**：对比随机森林（RF）、支持向量回归（SVR）、梯度提升树（XGBoost）等6种算法，发现RF在原子级特征增强后表现最优（测试集MAE=0.063，R2=0.844）。

### 三、模型性能与验证
#### 1. 基于实验特征的模型（证据驱动法）
- **表现局限**：尽管XGBoost算法在交叉验证中取得MAE=0.067的较低误差，但未满足OECD对模型稳定性和外推性的要求（如Q2<0.5、残差斜率超出0.85-1.15范围）。
- **问题根源**：实验数据中存在类别不平衡（81.7%非毒性样本），且缺乏对纳米颗粒表面电荷（zeta电位）、水合尺寸等关键参数的系统性测量。

#### 2. 基于原子级特征的混合模型
- **性能突破**：引入原子尺度特征后，模型在外部验证中MAE降至0.063，R2达0.844，全面满足Golbraikh-Tropsha可接受标准（Q2=0.639，残差斜率0.994）。
- **关键特征贡献**：
- **晶格能差（D33）**：反映颗粒内部稳定性，差值越大毒性越强。
- **核心原子配位数（D15）**：3?距离下的配位数差异影响颗粒表面暴露程度。
- **表面化学能（D7）**：核心与壳层原子势能差值直接关联表面化学活性。
- **模型可解释性**：通过SHAP值分析，揭示了浓度（>25 μg/mL时显著降低存活率）和未涂层颗粒（表面裸露导致细胞膜损伤）是毒性预测的核心驱动因素。局部可解释性（ICE）和全局依赖性（PDP）可视化进一步证实了原子配位数与晶格能对模型输出的影响权重（SHAP值>0.01）。

#### 3. 应用验证与局限性
- **盲测试验证**：使用Castellano-Soria团队未参与建模的4个实验样本，预测误差MAE=0.033，验证了模型的泛化能力。
- **局限性分析**：
- **数据时效性**：现有研究多集中于24小时暴露，缺乏长期毒性（>72小时）数据支持。
- **结构简化**：模型假设颗粒为球形且表面均匀，未考虑实际合成中的形貌缺陷（如多孔结构）。
- **跨物种限制**：体外细胞实验结果需谨慎外推至体内动物模型。

### 四、技术成果与行业应用
#### 1. 模型部署与工具链
- **Web服务平台**：集成于Enalos CHIASMA Cloud平台（https://www.enaloscloud.novamechanics.com/chiasma/icnp/），提供一键式毒性预测，支持用户上传颗粒参数（如CIF文件）获取存活率预测及可视化解释（图5示例）。
- **自动化流程**：通过NanoConstruct工具链，用户可自动生成原子级描述符，简化复杂计算。

#### 2. 实际应用场景
- **虚拟筛选**：快速排除高毒性候选材料。例如，未涂层ICNPs在高剂量（50 μg/mL）下存活率显著低于涂层样品（图4D）。
- **安全设计指导**：模型提示表面修饰类型（如PEG包裹）和颗粒尺寸（<10 nm）是降低毒性的关键参数，为材料合成提供优化方向。

### 五、行业影响与未来展望
#### 1. 对纳米毒理学研究的推动
- **标准化流程**：首次将OECD QSAR准则与混合建模结合，建立可复现的纳米毒性评估框架。
- **数据共享机制**：通过NanoPharos数据库（https://db.nanopharos.eu/Queries/Datasets.zul?datasetID=np29）开放数据，促进跨机构研究合作。

#### 2. 工业与监管价值
- **替代实验减少**：据估算，该模型可减少60%-80%的体外细胞实验需求，每年节省约120万美元研发成本（以欧洲纳米材料企业平均规模计算）。
- **APD扩展策略**：提出双距离阈值（欧氏距离96.3，Gower距离0.2652）的适用性域定义方法，为其他混合型纳米材料模型开发提供范式。

#### 3. 潜在改进方向
- **多时间点数据**：现有模型仅覆盖24小时暴露，需补充72小时及以上的长期毒性数据集。
- **多尺度模拟**：整合分子动力学模拟与机器学习，量化ICNPs在细胞膜上的吸附动力学。
- **跨材料泛化**：通过迁移学习（Transfer Learning）将ICNP模型应用于其他磁性纳米材料（如Fe?O?）。

### 六、结论
本研究成功构建了首个融合实验数据与原子级结构的ICNP毒性预测模型，其预测精度（R2=0.84）已超越多数单一数据源模型（R2<0.7）。通过SHAP分析和PDP可视化，揭示了表面化学改性（如PEG涂层）和晶格稳定性（D33值）对细胞存活率的关键影响。该成果不仅为ICNP的临床应用提供快速评估工具，更开创了纳米材料“安全设计”的新范式——通过虚拟筛选减少实验室试错成本，通过机制解耦指导材料工程优化。随着纳米材料数据库的持续扩展（当前NanoPharos已收录超过2.3万条纳米物数据），该模型有望升级为覆盖更多材料体系的通用纳米毒性评估平台。