基于机器学习与纳米界面相互作用的工程纳米材料器官特异性毒性风险评估:跨尺度整合框架综述

《Molecules》:Bridging Nano-Interface Interactions and Organ-Specific Toxicity: A Review of Machine Learning for Nanomaterials Risk Assessment

【字体: 大 中 小 】 时间:2026年09月18日 来源:Molecules 5.1

编辑推荐:

  摘要专业翻译 工程纳米材料(ENMs)的风险评估对于保护人类健康和环境至关重要。传统危害评估主要依赖体内试验,但该方法在外推有效性方面面临技术挑战,同时存在伦理困境和高昂成本问题。机器学习(ML)模型提供了符合3R原则(替代、减少和优化)的替代途径,有助于减少

  
摘要专业翻译 工程纳米材料(ENMs)的风险评估对于保护人类健康和环境至关重要。传统危害评估主要依赖体内试验,但该方法在外推有效性方面面临技术挑战,同时存在伦理困境和高昂成本问题。机器学习(ML)模型提供了符合3R原则(替代、减少和优化)的替代途径,有助于减少动物使用。ML方法有助于克服传统纳米毒理学在经济、伦理和时间上的局限性,同时推进机制性理解。本综述提出一个跨尺度框架,整合纳米-生物/纳米-环境界面、器官特异性毒性、体外-体内外推(IVIVE)、可解释机器学习以及监管转化等关键环节。未来方向包括:构建综合数据库以替代零散的文献数据;开发桥接体外与体内纳米毒性的ML模型;纳入纳米材料与化学物质的共暴露场景;以及进一步探索蛋白质/脂质冠(protein/lipid corona)的形成与结构。

论文主体内容总结

1. Background

纳米材料在医学、化工和环境等领域的广泛应用使其潜在毒性日益受到关注。传统毒性评估方法高度依赖体内实验,存在成本高、周期长和伦理问题。机器学习(ML)作为纳米毒理学领域强大的数据分析工具,能够从复杂高维数据集中构建预测模型,并阐明纳米材料毒性的潜在机制。本综述的必要性源于一个关键错配:工程纳米材料(ENMs)的数量和多样性扩展速度远超传统毒性测试的评估能力,而监管决策日益需要快速、机制可解释且符合伦理的证据。该综述旨在阐明ML如何将纳米材料描述符、纳米-生物界面行为、器官水平不良结局和环境共暴露整合为统一的风险评估框架。

2. Introduction

纳米毒理学研究已产生大量多样化的数据集,挑战在于从海量数据流中提取关键信息。人工智能(AI)和ML在将纳米毒性数据转化为关键信息方面发挥核心作用,具体通过构建定量纳米结构(理化性质)-毒性关系和阐明毒性相关分子机制实现。与传统化学物质不同,纳米材料的毒性受分子结构、理化性质及纳米生物界面相互作用等多因素影响。纳米材料在生物环境中的行为,如蛋白质冠形成、细胞摄取和免疫系统应答,极大增加了毒性评估的复杂性。ML擅长解析纳米毒理学中由多维纳米-生物界面耦合产生的独特复杂性,能够解耦纳米材料层级理化特征与动态界面生物行为之间的非线性协同关系。然而,现有纳米毒性数据往往分散且不完整,缺乏系统性和一致性;纳米材料毒性机制复杂,涉及多个生物学水平和多种毒性终点;ML模型可解释性普遍较差。现有大多数纳米毒理学综述很少涉及数据质量、特征表示、模型可解释性、生物学合理性和监管适用性这三个关键维度。

3. Literature Search and Study Selection

利用Web of Science多学科数据库进行文献挖掘,检索关键词包括纳米毒理学、工程纳米材料、纳米材料、机器学习、人工智能、毒性预测、纳米-生物相互作用、QSAR和QNAR。检索文献限定在2010至2026年期间,涵盖机器学习在纳米毒理学应用的主要发展阶段。筛选标准为直接涉及ML或相关计算方法评估ENM毒性及纳米-生物大分子或纳米-污染物相互作用的研究,或提供相关终点关键机制证据的研究。重复记录、与纳米尺度材料或风险评估无关的研究以及缺乏充分方法学细节的报告均被排除。

4. ML Models for Predicting Toxicity of Nanomaterials

计算毒理学工具对于提高通量、减轻动物试验负担、提供毒性机制细节和产生新的风险评估假设至关重要。

4.1. Pulmonary Toxicity

吸入工业过程中产生的气溶胶是纳米材料人体暴露的主要途径。部分纳米颗粒通过炎症小体和Toll样受体激活在体外和体内诱导强烈免疫应答,表现为促炎细胞因子(IL-1β)的大量释放。Oh等人建立了细胞毒性模型,利用表面性质、量子点直径、检测类型和暴露时间预测17种量子点对肺上皮细胞和成纤维细胞的毒性。针对20种多壁碳纳米管(MWCNTs)建立了人肺细胞毒性预测模型。Wang等人整合30种金属氧化物纳米颗粒(MeONPs)的240个数据点,采用合成少数类过采样回归技术(SMOTER)解决数据不平衡问题。金属氧化物纳米颗粒的急性肺毒性研究中,预测模型显示其对人肺腺癌(A549)细胞的毒性机制与活性氧(ROS)释放相关。基于30种金属氧化物纳米颗粒的数据集,建立了预测THP-1细胞IL-1β释放的炎症电位模型,预测准确率(ACC)超过90%,电负性、ζ电位和阳离子电荷被确定为炎症效应的三个关键性质。Yu等人提出基于树结构的随机森林特征重要性和特征交互网络分析框架(TBRFA),准确预测了小鼠模型中纳米颗粒的肺部免疫应答和肺负荷。Cao等人采用随机森林分类将体外纳米-生物界面特征与体内纳米颗粒触发的肺纤维化相关联,识别出七个预测描述符。近期研究采用体外-体内外推(IVIVE)方法,通过整合多源、多维度理化及生物学数据,阐明纳米颗粒诱导肺毒性的体外终点与体内结局之间的关系。

4.2. Nanotoxicity in Other Organs

ENMs可穿过上皮屏障进入血液循环并分布至全身,对肺以外器官产生毒性效应,包括肝毒性、肾毒性、生殖毒性和神经毒性等。肝脏和肾脏是最常见的蓄积靶组织。纳米颗粒在吸入暴露30分钟内即可大量蓄积于大鼠肝脏。银纳米颗粒(AgNPs)在肝脏中显著蓄积并产生毒性效应,与肝组织损伤和氧化应激关键生物标志物改变相关。Hussain等人利用大鼠肝细胞系BRL 3A比较银和二氧化钛纳米颗粒毒性,发现银具有更高的细胞毒性。Choi等人利用广义线性模型、支持向量机、随机森林和神经网络四种算法构建七种氧化物纳米材料的毒性分类模型,其中神经网络模型预测性能最优,剂量、生成焓、暴露时间和流体动力学尺寸被确定为四个最重要因素。肾脏方面,ZnO纳米颗粒可导致大鼠肾线粒体和细胞膜损伤,产生肾毒性。Kim等人发现ZnO纳米颗粒诱导人肾上皮细胞毒性和脂质种类改变。Wang等人比较了20 nm和50 nm二氧化硅纳米颗粒对人胚肾(HEK293)细胞的影响,结果显示在20~100 μg/mL剂量范围内细胞活性呈剂量依赖性下降。Manganelli等人利用准SMILES描述符建立了HEK293细胞暴露于二氧化硅纳米颗粒的细胞毒性预测模型,最佳模型R2值超过0.68。Yuan等人开发了纳米材料领域定量构效关系(QNAR)模型预测HK-2细胞暴露于纳米TiO?的细胞活性,随机森林回归(RF)模型表现出更高的稳定性和精度。Pandey等人将定量读跨(qRA)整合到QSAR模型开发中,构建急性吸入毒性混合预测模型,与传统QSAR模型相比描述符减少70%,预测性能提升13.5%。
ENMs对生殖系统构成威胁,可通过血睾屏障(BTB)在生殖器官中蓄积。TiO?-ENMs可通过BTB诱导炎症、细胞毒性和基因表达改变,损伤雄性生殖系统。Robinson等人建立了预测金属氧化物纳米材料对斑马鱼胚胎毒性的ML模型。Ban等人利用随机森林模型从高度异质性数据中筛选决定生殖毒性的优先因素,发现ENM所含元素和暴露途径影响ENM蓄积,ENM类型和毒性指标对生殖毒性贡献较大。Fu等人从女性生殖健康视角综述了ENMs在不同生殖阶段的影响。神经毒性方面,ENMs可通过嗅觉神经元从鼻腔嗅上皮进入嗅球,直接到达大脑。Larner等人利用大鼠PC-12神经元样细胞系评估五种纳米颗粒的毒性,发现较高浓度(100 μg/mL)的SWNT、炭黑和富勒烯增加SBDP150/145形成、细胞膜收缩和胞质空泡形成。CdSe纳米颗粒可增加大鼠原代培养海马神经元胞质钙水平和损害钠通道功能。Marvin等人建立了贝叶斯网络(BN),基于八种不同生物效应评估ENMs的综合风险,该网络对神经毒性和炎症等效应具有良好的预测能力。Furxhi等人基于多项研究数据开发了不同ENMs的ML分类模型,涵盖细胞类型、细胞来源、毒性检测方法、ENM类型、理化性质和暴露参数。Hou等人基于动态激光干涉光刻技术构建组合生物物理线索阵列平台,结合高斯过程回归ML模型,识别出诱导M1(促炎)或M2(抗炎)巨噬细胞极化的关键纳米拓扑特征。

5. ML Models for Predicting Nano–Biomacromolecule/Nano–Pollutant Interactions

与相应块体材料相比,ENMs具有较高的表面反应活性和较大的比表面积,富含吸附结合位点,表现出独特的理化性质。表面接触是排放ENMs与环境组分相互作用的第一步。

5.1. Nano–Biomacromolecule Interactions

ENMs可通过意外途径(呼吸、摄入、皮肤接触、食物链蓄积)和有意途径(医疗和诊断)进入人体或生物系统。当ENMs接触生物体液(如血液、淋巴、肺泡液)时,无数生物分子吸附在其表面形成"生物冠"(Biocorona)。组学技术、冷冻电镜、高分辨透射电镜和原子力显微镜等表征技术可用于生物冠分析,但这些方法耗时、费力且昂贵。Ban等人挖掘了56项研究中652条与各种纳米材料蛋白质冠相关的数据,利用随机森林(RF)算法确定纳米颗粒表面修饰对蛋白质冠组成的影响。Findlay等人利用集成ML揭示蛋白质和ENMs的表面电荷是影响蛋白质冠形成的关键因素。Yan等人开发了一种新型纳米结构注释方法,可自动将纳米结构转化为图像用于卷积神经网络建模,无需复杂纳米描述符即可预测纳米材料对蛋白质的吸附。未来ML模型应将生物冠视为动态的生物同一性描述符而非实验干扰因素。

5.2. Nano–Pollutant Interactions

ENMs释放到环境中后经历各种理化转化过程,在水体和土壤环境中与新兴污染物相互作用,影响其环境归趋和环境风险。密度泛函理论(DFT)和分子动力学(MD)模拟方法可提供原子水平细节。Wang等人利用DFT方法计算模拟了38种有机化合物在石墨烯表面的气相和水相吸附,建立了两个多参数线性自由能关系(pp-LFERs)模型。气相吸附的主要驱动力为色散和静电相互作用,水相吸附主要受分散性和疏水性影响。Wang等人利用MD模拟预测43种芳香化合物在水和不同氧化官能团石墨烯上的logK值,构建了两个理论线性溶解能关系模型。Long等人采用随机森林(RF)、梯度提升决策树(GBDT)和极端梯度提升(XGB)三种ML算法,结合吸附特征、实验条件和重金属理化性质,识别影响活性炭和生物炭等碳基材料吸附亲和力的关键参数,并将算法整合到图形用户界面软件包中。当前研究仍缺乏对有机化合物在众多新兴纳米材料类别中的系统性吸附预测研究,现有框架不足以捕捉污染物-纳米材料界面过程的多维特性。将分子模拟与ML相结合,未来研究可从经验关联转向纳米界面过程的机制性预测。

6. Conclusions and Perspectives

综述文献中普遍存在的局限性是对单个实验室或已发表研究汇编的相对小型和异质性数据集的依赖,纳米材料表征、剂量指标、暴露持续时间、生物系统和终点定义的报告不一致。数据集可靠性不仅取决于样本量,还取决于测试纳米材料在相关暴露介质中是否得到充分表征。仅报告标称初级粒径是不够的,因为粒径分布、形状或长径比、表面化学、包被特性和密度、表面电荷、溶解、聚集/团聚状态以及介质依赖性冠形成均可改变ENMs的生物同一性。未来数据库应区分原始态、给药态和生物转化态材料状态,报告表征方法和测量不确定度,并明确标识缺失值。数据覆盖也不均衡:肺细胞毒性和炎症数据相对充分,而肺外毒性、生物分子冠形成和纳米-污染物共暴露数据稀疏且具有材料特异性。基于描述符的QSAR/QNAR、随机森林和支持向量方法适用于结构化数据集并能提供特征排序,而神经网络、基于图像的卷积模型和混合模拟-ML方法可捕获更复杂的非线性或无描述符关系,但需要更大数据集和更严格的外部验证。随机记录级分割可能在训练集和测试集中包含来自同一研究或纳米材料的密切相关观测时高估模型性能,排除完整研究或纳米材料类别的验证仍是未满足的需求。
在监管应用方面,欧盟REACH框架包含纳米形式特定信息要求,CLP法规涵盖纳米形式但未建立单独的纳米材料定义。纳米材料的化学组成不足以定义监管同一性或相似性,粒径分布、形状和长径比、表面化学和包被、溶解、聚集/团聚及相关暴露介质中的转化均可改变危害和暴露特征。ML支持的分组、读跨和数据缺口填补应仅在明确论证的纳米形式边界内应用,并报告数据来源、终点相关性、适用域和预测不确定性。此类预测最合理的定位是证据权重评估的一个组成部分,而非独立的监管证据。更广泛的SSbD框架为该领域提供了更合适的设计视角,它通过同时评估安全性、功能性、暴露、资源和能源使用、生命周期释放、持久性、耐久性、可回收性和生命周期末端影响,扩展了早期以危害为中心的安全设计概念。多目标ML可在这些维度间比较候选纳米形式,在开发早期识别权衡,并将实验资源导向信息量最大或不确定性最高的设计选项。将FAIR数据原则应用于纳米安全数据需要持久标识符、机器可读元数据、共享词汇表、可追溯协议以及原始态、给药态和转化态材料状态之间的明确关联。不良结局通路(AOPs)可将分子起始事件、关键事件和不良结局组织成机制上合理的序列,用于纳米材料分组和风险评估。将FAIR数据、AOP引导终点、可解释ML以及研究级或材料级外部验证相结合,将使预测更具可重用性、生物学可解释性,并适用于分层监管决策。
总体而言,ML正在成为现代纳米安全评估的必要组成部分,因为它可以解决四个持续存在的瓶颈:有限的动物试验能力、碎片化和异质性的文献数据、复杂纳米-生物相互作用的机制解释薄弱,以及从实验室检测到监管决策的转化不足。ML应定位为分层测试策略中的决策支持组件,而非动物实验的完全替代品。ML模型可首先筛选大型ENM库,按预测危害对材料排序,识别主要毒性驱动因素,并将体外响应外推至体内结局。动物试验可限于模型适用域之外的材料、高不确定性预测、新机制或暴露场景以及监管决策所需的确认性终点。主动学习可进一步识别最小且信息量最大的新实验集合,其结果可反馈至模型以逐步减少重复性或低信息量的动物试验。现有动物试验数据提供有价值的训练信息,但必须首先进行整理和标准化。在监督学习中,体内结局可作为目标标签,而纳米材料组成、尺寸、形状、表面化学、剂量、暴露途径和持续时间、物种、靶器官及相应的体外或组学测量作为输入特征。多任务学习、迁移学习和IVIVE框架可识别跨材料、物种和终点的共享毒性模式。研究级质量和不确定性应被编码,验证应分离整个研究或纳米材料类型以防止数据泄漏,并确定预测何时足够可靠以及何时仍需靶向体内确认。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号