《Next Nanotechnology》：Machine learning-assisted optimization of green-synthesized CuO nanoparticles incorporated into
Girardinia diversifolia fibers for antibiofilm applications
编辑推荐：
摘要专业翻译
优化纳米颗粒（NPs）的绿色合成以实现高产率和可控尺寸，对于开发具有抗多重耐药菌生物膜活性的功能化生物材料至关重要。本研究采用Box-Behnken设计（BBD），以盐浓度、pH和火麻叶荨麻叶提取物（GLE）为变量，优化利用火麻叶荨麻（Girar
摘要专业翻译
优化纳米颗粒（NPs）的绿色合成以实现高产率和可控尺寸，对于开发具有抗多重耐药菌生物膜活性的功能化生物材料至关重要。本研究采用Box-Behnken设计（BBD），以盐浓度、pH和火麻叶荨麻叶提取物（GLE）为变量，优化利用火麻叶荨麻（Girardinia diversifolia）叶提取物合成的CuO纳米颗粒的归一化产率（NY）和粒径（PS）。基于高斯噪声增强数据集训练的超参数优化人工神经网络（ANN）模型，对NY（R2：0.978，R2CV：0.950）和PS（R2：0.999，R2CV：0.998）均取得了优异的预测性能。基于遗传算法的多目标优化建议最佳盐浓度为127.65 mM，pH为9.99，GLE剂量为41.81%（v/v），以平衡NY（1.00）和PS（27.04 nm）。尽管在优化条件下验证实验中观测到的NY（0.98 ± 0.06）与预测值高度吻合，但观测到的PS（63.3 ± 0.6 nm）仍存在明显差异。通过气相色谱-质谱联用（GC-MS）分析鉴定出GLE中已知可与Cu2?离子络合并起稳定作用的生物活性代谢物。在优化条件下合成的CuO NPs负载到火麻叶荨麻纤维（GDF）上后，表现出改善的NP负载量和抗生物膜活性。
论文解读
一、研究背景与问题提出
铜氧化物纳米颗粒（CuO NPs）因其成本低廉、抗菌活性和生物相容性，在医学领域具有广泛应用前景。然而，传统化学合成方法会产生有害副产物，对环境和人体健康构成显著风险。绿色合成策略利用植物提取物中的植物化学物质（如黄酮类、生物碱和萜类化合物）作为天然络合/封端和稳定剂来合成纳米颗粒，正受到越来越多的关注。植物种类的选择对纳米颗粒的生产、稳定性和功能性的优化起着至关重要的作用。
火麻叶荨麻（Girardinia diversifolia，俗称喜马拉雅荨麻）是一种多年生草本植物，富含植物甾醇和羟基肉桂酸，在传统医学中具有多种临床应用。该植物纤维具有良好的机械强度和透气性，是固定纳米颗粒的理想基质，可防止多重耐药（MDR）细菌形成生物膜。尽管已有研究报道利用GLE合成纳米颗粒，但利用GLE合成CuO NPs并将其负载到GDF上尚未被探索。
在绿色合成体系中，前驱体盐浓度（SC）、温度和pH是确保金属离子络合、纳米颗粒尺寸和稳定性的关键参数。与零价金属纳米颗粒（如Ag、Au）的合成中植物化学物质充当还原剂不同，CuO NPs的形成是通过植物化学物质介导的Cu2?络合，随后经历水解、成核、颗粒生长以及脱水/缩合形成CuO晶格，铜在整个过程中保持+2氧化态。植物提取物中络合和稳定生物分子的浓度是维持CuO NPs尺寸和产率的重要因素。此外，合成条件还可能决定NPs的表面性质及其与天然纤维的接触。因此，优化这些参数不仅对实现可控、可重复的NPs合成至关重要，也对改善NPs在GDF上的固定化、增强其生物应用潜力具有重要意义。
传统统计实验设计如中心复合设计（CCD）和Box-Behnken设计（BBD）常用于响应建模和过程变量优化。然而，绿色合成CuO NPs中预测因子与响应之间的复杂关系可能无法被线性回归模型充分捕捉。在此类情况下，机器学习（ML）集成在发现数据中不明显的模式方面更为灵活，能够产生更好的预测和优化结果。人工神经网络（ANN）的多层架构和激活函数可以捕捉复杂关系，但通常需要大数据集。生物实验成本高昂、耗时且不稳定，因此噪声添加、自举法、插值和合成数据生成等数据增强策略对于增强ML模型的可靠性和泛化能力至关重要。ANN模型可与多目标优化相结合，在冲突响应之间提供折中方案以确保最佳性能。
二、研究内容概述
研究人员在本工作中考虑了GLE的代谢物谱分析及其在CuO NPs生物合成中的应用。采用BBD设计，变化SC（mM）、pH和GLE（%，v/v）三个因素，优化合成NPs的归一化产率（NY）和粒径（PS）。在评估多元线性回归（MLR）模型后，采用基于高斯噪声的数据增强来增加数据集规模并增强模型鲁棒性。随后开发超参数优化的ANN模型来预测绿色合成体系中的结果。应用基于遗传算法（GA）的多目标优化（MOO）确定CuO NPs合成的最佳工艺参数。在优化或未优化条件下合成的NPs随后负载到纯化的GDF上，并评估所得NPs负载纤维（NIF）对多重耐药（MDR）菌株——耐甲氧西林金黄色葡萄球菌（MRSA）和鲍曼不动杆菌（A. baumannii）的抗生物膜活性。
三、主要关键技术方法
研究人员采用的主要技术方法包括：Box-Behnken实验设计（BBD）用于三因素三水平的过程变量优化；多元线性回归（MLR）建模用于初步拟合响应；高斯噪声数据增强策略扩充实验数据集；超参数优化的人工神经网络（ANN）模型用于预测NY和PS；遗传算法（GA）多目标优化用于确定最佳合成条件；气相色谱-质谱联用（GC-MS）用于GLE代谢物谱分析；紫外-可见光谱（UV-vis）、傅里叶变换红外光谱（FTIR）、X射线衍射（XRD）、场发射扫描电子显微镜（FESEM）和能谱分析（EDS）用于NPs表征。植物样本采集自印度泰米尔纳德邦尼尔吉里山麓。
四、研究结果
BBD实验设计与响应测定。 通过15次BBD实验运行，在SC（3.3–159.8 mM）、pH（5.0–10.0）和GLE（5–50%，v/v）的变化范围内合成了CuO NPs，并测定了各条件下的NY和PS。盐浓度按SC = (m/MW) × (1000/V)计算，其中m为CuSO?·5H?O的质量（mg），MW为其分子量（249.68 g/mol），V为固定最终反应体积（50 mL）。
MLR模型评估。 研究人员评估了线性、交互和二次模型变体对NY和PS的拟合效果，为后续ML建模提供了基线比较。
ANN模型开发与性能。 基于高斯噪声增强数据集训练的超参数优化ANN模型，对NY（R2：0.978，R2CV：0.950）和PS（R2：0.999，R2CV：0.998）均表现出优异的预测性能，显著优于传统回归方法。
GA多目标优化。 遗传算法多目标优化确定了平衡NY和PS的最佳条件：盐浓度127.65 mM、pH 9.99、GLE剂量41.81% v/v，预测NY为1.00、PS为27.04 nm。
验证实验。 在优化条件下进行的验证实验中，观测NY（0.98 ± 0.06）与预测值高度吻合，但观测PS（63.3 ± 0.6 nm）与预测值存在明显差异，表明粒径预测在实际体系中仍面临挑战。
GLE代谢物鉴定。 GC-MS分析鉴定出GLE中已知可与Cu2?离子络合并起稳定作用的生物活性代谢物，为绿色合成机制提供了化学基础。
NIF制备与抗生物膜活性。 在优化条件下合成的CuO NPs负载到GDF上后，与未优化条件下制备的NIF相比，表现出改善的NP负载量和增强的抗生物膜活性，对MRSA和A. baumannii均有效。
五、讨论与结论
讨论部分强调了BBD–ANN–GA框架在绿色合成纳米颗粒优化中的综合优势：BBD有效减少了实验次数，ANN凭借其非线性建模能力捕捉了变量间的复杂关系，GA则在多目标冲突中实现了最优折中。数据增强策略有效缓解了小样本条件下ANN训练的过拟合风险。值得注意的是，尽管NY预测高度准确，PS的预测偏差提示粒径控制受更多未纳入因素的调控，如局部过饱和度和生长动力学等，这为后续研究指明了方向。
研究结论表明，研究人员成功建立了机器学习辅助的绿色合成优化框架，实现了CuO NPs的高产率合成，并通过将NPs负载到天然纤维上开发了具有抗多重耐药菌生物膜活性的功能化纤维材料。该研究为绿色纳米材料的功能化应用提供了新的方法论参考，展示了机器学习在生物纳米材料合成优化中的巨大潜力。
