深圳湾实验室饶浪/新加坡国立大学陈小元Nat. Nanotechnol.：机器学习辅助纳米诊疗- X-MOL资讯

当前位置： X-MOL首页 › 行业资讯 › 深圳湾实验室饶浪/新加坡国立大学陈小元Nat. Nanotechnol.：机器学习辅助纳米诊疗

深圳湾实验室饶浪/新加坡国立大学陈小元Nat. Nanotechnol.：机器学习辅助纳米诊疗

作者：X-MOL 2024-10-19

近年来，纳米材料与技术因其在药物递送、诊断、成像及疫苗开发等领域的独特优势，已被广泛应用于临床实践。诸如金纳米粒子、聚合物胶束以及脂质纳米粒子等，已获批用于临床诊断，或在磁共振成像、癌症化疗及抗病毒疫苗开发等领域展现出巨大潜力。尽管前景广阔，纳米材料合成的耗时性、对纳米-生物相互作用理解的不足，以及临床转化和商业化过程中的成本控制等问题，成为了制约纳米材料与技术进一步发展的瓶颈。

机器学习（Machine Learning, ML），作为人工智能的一个重要分支，专注于构建能够从数据中学习并自主决策的模型。它涵盖了监督学习（如逻辑回归、KNN、随机森林等）、无监督学习（如k-means、层次聚类等）、半监督学习（如自训练、协同训练）以及强化学习（如马尔可夫决策过程、Q-学习）等多种方法。凭借其在处理耗时任务和结果感知任务上的独特优势，ML有望为纳米诊疗剂及其策略的发展开辟了新的途径。

近日，深圳湾实验室饶浪（点击查看介绍）/新加坡国立大学陈小元（点击查看介绍）等在《自然•纳米技术》（Nature Nanotechnology）杂志在线发表了题为“机器学习辅助纳米诊疗”（Designing nanotheranostics with machine learning）的综述论文，回顾了纳米诊疗领域的最新研究进展，详细阐述了纳米诊疗所面临的挑战，并深入探讨了ML为该领域的发展所带来的机遇，有望为纳米诊疗领域的发展提供思考借鉴。

在ML引导纳米粒子合成方面，纳米粒子的形态、尺寸及表面化学等特性对其功能至关重要。为了在诊疗中实现纳米粒子的最佳利用，必须对其特性进行精确控制，这涉及多种试剂和相互依赖的实验条件。ML在规划实验和预测结果上具有显著优势，如利用神经网络建立反应条件与金属纳米粒子平均尺寸之间的关联，或运用遗传算法探索纳米粒子形状的演变等（图1）。ML为加速纳米颗粒的开发提供了一种有前景的解决方案，并有望推动新纳米颗粒的发现。

文3-1.png

图1. ML辅助纳米材料合成。

在ML辅助理解纳米-生物相互作用方面，深入了解纳米生物相互作用对于开发更安全、更有效的纳米颗粒至关重要。ML模型在数据聚类、分类及预测上的独特优势，有助于识别影响纳米生物相互作用的关键因素。通过ML模型，可以预测蛋白质在纳米粒子表面的吸附及其相关生物效应，利用蛋白质冠信息预测纳米细胞相互作用、细胞毒性以及加速预测肿瘤组织的药物递送效率和纳米粒子在体内的分布及毒性（图2）。ML加速了对纳米颗粒与细胞间相互作用的理解，为开发安全、高效的纳米颗粒提供了有力支持。

文3-2.png

图2. ML辅助理解纳米相互作用。

在ML增强纳米诊疗应用方面，纳米技术已开发出一系列具有诊断和治疗能力的纳米治疗平台，以强化疾病管理。近年来，计算能力和大数据的显著提升极大地推动了ML的发展，为纳米治疗诊断应用带来了前所未有的机遇。例如，ML被应用于纳米等离子体检测和纳米孔测序中，提高了检测的准确性和灵敏度，包括运用支持向量机算法检测新冠病毒等（图3）。ML的引入提高了临床检测和分子成像的准确性，以及治疗策略和/或药物的疗效。

文3-3.png

图3. ML辅助纳米诊疗应用。

本论文既强调了ML辅助纳米诊疗的独特机遇，也指出了该领域面临的重大挑战。尽管我们正处于大数据时代，但纳米诊疗的数据对于ML建模来说仍然相对匮乏，需要投资收集专门的数据集或生成模拟数据。同时，纳米诊疗数据具有复杂性，需要整合多模态和多尺度数据，这可通过多种策略加以克服。此外，ML模型的“黑箱”性质限制了我们对生物机制和临床结果的理解，需要开发新的策略来解决这一问题。因此，ML辅助纳米治疗诊断中最核心、最关键的挑战在于迫切需要大量、可靠且注释良好的数据来训练ML模型。在未来，数学、计算机科学、纳米技术、材料科学、生物学、化学及临床医学等多学科的专家需要携手合作，以更好地利用人工智能促进纳米诊疗的发展。

深圳湾实验室饶浪与新加坡国立大学陈小元为本文的共同通讯作者，麻省理工学院/波士顿学院袁园、腾讯AI实验室/英特灵达沈西、清华大学喻国灿对本文也做出了重要贡献。本工作受国家自然科学基金、深圳市医学研究专项基金等资助。

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

文3-91.png