基于机器学习、可解释人工智能和多尺度模拟的自组装纳米颗粒形成、释放及稳定性机制研究

《Colloids and Surfaces B: Biointerfaces》：Study on the formation, release, and stability mechanisms of self-assembled nanoparticles based on machine learning, explainable artificial intelligence, and multiscale simulations

　　

• •
  开发了无载体小檗碱-芒果苷纳米粒。
• •
  多尺度模拟揭示了自组装的微观机制。
• •
  机器学习阐明了纳米粒在宏观层面的形成机制。
• •
  非共价相互作用协同驱动了纳米粒的形成。
• •
  多尺度模拟揭示了纳米粒的稳定机制。

引言

自组装纳米粒是由小分子通过氢键、疏水相互作用、静电吸引和π-π堆积等非共价相互作用自发形成的纳米尺度超分子体系[1]、[2]。这类体系的一个关键特征是活性分子不仅作为治疗剂，还作为结构构建单元，从而实现无载体递送，无需大量依赖外源载体。与基于聚合物、脂质体或其他外源载体的传统纳米药物相比，自组装纳米粒具有多项优势，包括极高的载药量、优异的生物相容性、协同生物活性以及简化的制备工艺，无需复杂的合成辅料[3]。由于其结构简洁且安全性良好，自组装纳米粒是改善疏水性生物活性化合物生物利用度和治疗指数的理想递送平台。

现有的自组装纳米粒研究主要集中在应用导向方面，如药效评价、体内药代动力学行为、细胞摄取和疾病干预机制[1]、[3]、[4]、[5]、[6]。这些研究展示了其作为无载体递送系统的潜力。然而，这些纳米粒在不同介质中的形成机制、稳定机制和释放模式仍理解不足。事实上，自组装纳米粒的关键质量属性高度依赖于其形成过程。Z均值、PDI、ζ电位、稳定性和释放行为并非仅在组装完成后才出现的终点性质，而是通过分子识别、溶剂化竞争、聚集重排、结构致密化和环境响应等持续过程逐步建立的。对于无载体纳米系统，处方组成或工艺参数的微小变化可能破坏分子间弱相互作用的动态平衡，导致粒径分布变宽、界面性质改变、药物突释甚至组装结构解体[1]、[3]、[7]。因此，形成机制、稳定机制和释放模式并非次要问题，而是决定自组装纳米粒能否实现可重复制备、可控递送和稳健应用的核心科学问题。现有综述也强调，当前对自组装纳米粒形成机制和稳定性的理解仍然有限，这已成为限制其进一步开发和转化的重要瓶颈[2]、[7]。

机器学习为系统分析自组装纳米粒的形成模式提供了一种可操作的数据驱动框架。与基于实验设计的传统方程拟合方法相比，机器学习不依赖于预定义的线性项、二次项或特定交互项，而是能够从实验数据中学习处方/工艺因素与关键质量属性之间更复杂的非线性关系[8]、[9]。对于自组装纳米粒这类多因素高度耦合的系统，粒径、分散度和表面电荷通常由药物浓度、组分比例、溶剂环境、温度、滴加过程和反应时间等综合因素共同调控。因此，机器学习更适合在宏观层面识别关键因素、效应方向和潜在工艺窗口。同时，SHAP（Shapley加性解释）、ALE（累积局部效应）和PDP（偏依赖图）等可解释方法可以进一步减少黑箱模型的局限性，将模型预测转化为关于因素贡献、边际效应和变量交互的可解释信息[10]、[11]、[12]。这些分析为总结自组装纳米粒的形成规律提供了依据。引入机器学习可以将经验驱动的开发转变为数据驱动且可解释的过程，并在宏观层面建立处方/工艺因素与纳米粒形成之间的可解释关系[13]。

然而，宏观机器学习预测和可解释分析仍不足以完全阐明自组装的分子本质。可解释分析可以识别哪些变量影响纳米粒的形成，但无法直接揭示静电互补性、分子识别和动态聚集如何共同决定纳米粒的形成、稳定性和释放。因此，多尺度模拟作为实验研究的重要补充是必要的。在量子尺度，分子静电势和前线分子轨道分析有助于揭示分子的极性分布、潜在相互作用位点和电子结构互补性[14]。在分子尺度，分子对接提供有利的结合构象，而分子动力学模拟则追踪显式溶剂中分子的接触、聚集、重排、稳定和环境响应[15]、[16]。因此，将机器学习驱动的宏观形成模式分析与多尺度模拟引导的微观机制研究相结合，有望建立一个将处方/工艺因素、分子间相互作用、纳米粒形成、稳定性和释放行为联系起来的完整研究链。

本研究以小檗碱（BBR）和芒果苷（MGF）为模型组分，构建了BBR-MGF自组装纳米粒（BM-NPs），并在宏观形成模式和微观分子机制两个层面系统研究了其形成、稳定性和释放行为。首先，利用机器学习模型评估处方和工艺参数对纳米粒关键质量属性的影响，并进一步应用可解释分析识别控制纳米粒形成的关键因素及其调控模式。随后，通过形态学、光谱学和固态分析对优化后的纳米粒进行表征，确认其纳米尺度结构特征和自组装结果。为阐明形成机制，进一步进行多尺度模拟，从电子结构互补性、有利结合构象和动态聚集过程的角度揭示BBR和MGF的自组装基础。通过靶向抑制剂扰动研究验证了驱动自组装形成和稳定性的主要作用力。此外，在不同温度和pH条件下的稳定性和体外释放研究，以及相应的分子动力学模拟，进一步阐明了外部环境对纳米粒结构稳定性和药物释放行为的影响。通过这些研究，建立了处方/工艺因素、分子间相互作用、纳米粒形成、稳定性和释放行为之间的可解释关系，为基于天然生物活性化合物的无载体纳米粒的合理设计和稳健制备提供了理论依据。

章节摘要

材料

纯度高于98%的BBR购自上海麦克林生化科技有限公司（中国上海）。纯度高于98%的MGF购自上海源叶生物科技有限公司（中国上海）。本研究中使用的所有其他化学试剂均为分析纯或药用级。

自组装纳米粒的制备

采用确定性筛选设计（DSD）共生成53组实验运行。如表S1所示，六个处方和工艺因素为

模型性能评估

采用R²、RMSE和MAE综合评估不同模型的拟合能力和泛化性能，如图1和图S1所示[9]、[22]。总体而言，三种模型表现出响应依赖的性能差异，而CatBoost在预测粒径、PDI和ζ电位时展现出更稳定的测试集性能。这表明CatBoost更适合描述处方/工艺因素与关键质量属性之间的非线性关系

结论

本研究通过结合机器学习与多尺度模拟，建立了BM-NPs的合理开发策略。机器学习模型在宏观层面识别处方和工艺因素如何影响Z均值、PDI和ζ电位。SHAP、一维ALE和PDP进一步揭示了关键变量的贡献、效应方向和交互模式。通过基于期望函数优化获得的BM-NPs表现出粒径小、

资金

我们衷心感谢国家重点研发计划（2023YFC3504502）、天津市自然科学基金重点项目（23JCZDJC00720）以及暨南大学生活性分子与成药性评估国家重点实验室（编号：SKLBMDA-2025119）的资金支持。作者感谢编辑和匿名审稿人对提高论文质量所提出的建议。

利益冲突

作者未报告利益冲突。作者独自负责本文的内容和撰写。

数据可用性

数据可按要求提供。

CRediT作者贡献声明

张小阳：撰写——审阅与编辑，撰写——初稿。周俊杰：可视化，监督，调查。张小建：调查。孙硕：撰写——审阅与编辑，监督。李文龙：监督。赵子健：调查。

利益冲突声明

作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

衷心感谢匿名审稿人的辛勤工作。

张小阳|周俊杰|孙硕|张小建|赵子健|李文龙