编辑推荐：
为解决纳米颗粒（NPs）毒性预测及安全应用问题，研究人员基于机器学习开展 NP 毒性分析。利用 RF 和 LightGBM 算法，结合 SHAP 值，发现 NP 浓度、粒径、zeta 电位等影响毒性，为安全纳米材料设计提供依据。
在纳米科技迅猛发展的今天，纳米颗粒（NPs）凭借其独特的物理化学性质，在医药、工业、环保等领域展现出巨大应用潜力。然而，随着 NPs 的广泛使用，其潜在的生物毒性风险逐渐成为制约该领域安全发展的关键瓶颈。传统的毒性评估方法，如基于细胞的 MTT 法、ELISA 和 LDH 检测等，不仅耗时费力，还常受 NPs 自身特性干扰，难以全面、精准地预测复杂的毒性机制。此外，纳米材料与生物系统相互作用的高维非线性特征，使得传统计算模型在捕捉多因素协同效应方面力有不逮。因此，开发高效、可靠的纳米颗粒毒性预测模型，揭示关键影响因素，成为保障纳米技术安全应用的迫切需求。
为攻克上述难题，研究人员开展了一项基于机器学习的纳米颗粒毒性分析研究。通过整合多源数据，构建了包含 3264 个样本的数据集，涵盖有机和无机纳米颗粒（如二氧化硅、金属及金属氧化物 NPs），并综合运用 Random Forest（RF，随机森林）和 Light Gradient Boosting Machine（LightGBM，轻量级梯度提升机）算法，结合 Shapley Additive exPlanations（SHAP，夏普利加性解释）值，系统解析了 NP 物理化学特征与细胞毒性的关联。该研究成果发表在《Ecotoxicology and Environmental Safety》，为纳米材料的安全设计提供了新范式。
研究采用的数据主要来源于 Labouta 等（2019）、Shirokii 等（2023）及 Concu 等（2017）的研究，经标准化处理后形成包含浓度、粒径、zeta 电位、电负性等 32 个特征的数据集。通过 Min-Max 归一化、主成分分析（PCA）和遗传算法进行数据预处理与特征选择，最终利用 RF 和 LightGBM 构建预测模型，并通过 conformal prediction 评估模型不确定性。
3.1 特征选择与模型性能
研究将数据集按 80%:20% 划分为训练集与测试集，通过方差过滤（阈值 0.01）和相关性筛选（Pearson 系数 > 0.95）初步降维，但发现保留全部特征时模型 R2 更高（RF 为 0.763，LightGBM 表现更优）。结合 PCA 将特征从 32 维降至 10 维后，RF 模型在 PCA 辅助下性能提升，而 LightGBM 通过特征选择进一步优化，显示其对高维数据的更强适应性。
3.2 超参数调优与模型评估
RF 模型经调优后确定最大深度为 100、树数量 350；LightGBM 则采用最大深度 12、学习率 0.16、树数量 1000 的参数组合。评估显示，LightGBM 在训练集和测试集的 R2 均高于 RF，其梯度提升机制更擅长捕捉非线性关系。5 折交叉验证表明，模型在严格验证下仍保持稳健，验证了其泛化能力。
3.3 特征重要性与毒性机制解析
通过 SHAP 值分析发现，NP 浓度是影响细胞活力的最关键因素，呈显著负相关，印证了剂量 - 效应关系。粒径越小，表面体积比越大，毒性越强，这与小粒径 NPs 更易穿透细胞膜的特性一致。LightGBM 特别揭示了 zeta 电位的重要性：正电荷 NPs 因与带负电的细胞膜强静电作用，更易引发膜损伤，而近中性 zeta 电位（±10 mV）可降低细胞毒性。此外，电负性、暴露时间等特征也通过影响氧化应激或离子平衡参与毒性调控。
3.4 不确定性评估与模型应用
Conformal prediction 结果显示，训练集与测试集的细胞活力分布一致，验证了数据独立性假设。随着置信水平降低（显著性水平升高），预测区间收窄，LightGBM 在高不确定性场景下表现出更紧凑的区间，凸显其预测精度优势。结合特征分析，研究提出初步设计指南：优选粒径 > 50 nm、zeta 电位近中性的 NP，以平衡功能与安全性。
研究通过机器学习模型整合多维度数据，系统揭示了纳米颗粒毒性的关键驱动因素，证实了浓度、粒径、表面电荷（zeta 电位）等物理化学属性对细胞毒性的主导作用，并通过 SHAP 值赋予模型可解释性。LightGBM 在捕捉 zeta 电位等细微特征影响方面的优势，为纳米材料表面工程提供了新靶点。该研究不仅建立了高效的毒性预测框架，减少了对传统动物实验的依赖，更通过明确关键质量属性（CQAs），为医药领域靶向药物递送系统的安全设计、工业纳米材料的毒性风险管控提供了科学依据，推动了负责任纳米技术的发展。尽管研究受限于现有数据集的多样性，但其提出的方法论为后续整合更多 NP 类型（如有机 - 无机杂化材料）及体内数据、构建更普适的毒性预测模型奠定了基础。
