学术报告

作者与发表信息

该研究的主要作者包括 Yang Huang, Tianqin Wang, Yue Li, Zhe Wang, Xiaoming Cai, Jingwen Chen, Ruibin Li，以及通讯作者 Xuehua Li。研究由多个单位合作完成，其中主要机构是大连理工大学工业生态与环境工程重点实验室(School of Environmental Science and Technology, Key Laboratory of Industrial Ecology and Environmental Engineering, Dalian University of Technology)。该研究发表在《Environmental Science & Technology》学术期刊上，DOI为https://doi.org/10.1021/acs.est.4c06186，文章接收日期为2024年6月19日，修订和接受日期为2024年11月26日。

研究背景

本研究属于计算毒理学(Computational Toxicology)与纳米材料(In Silico Nanomaterials)的交叉领域。随着纳米材料(Engineered Nanomaterials, ENMs)在工业和日常消费中的应用日益增多，人类尤其是特定职业群体通过吸入暴露于空气中的微小金属氧化物颗粒面临一定健康风险。例如，焊工和采矿工人因长期接触金属氧化物纳米颗粒（Metal Oxide Nanoparticles，MEONPs）产生的粉尘而表现出更高的肺炎症和肺纤维化风险。然而，由于纳米材料与生物界面的复杂交互作用，目前仍然缺乏可行的方法准确预测基于动物模型的慢性肺毒性。

为了减少实验动物的使用并推动基于机制的化学风险评估框架(e.g., in vitro-to-in vivo extrapolation，IVIVE)，本研究旨在通过数据挖掘与机器学习优化开发一套模型，在细胞水平(in vitro)筛查纳米材料对肺部毒性的影响，并有效预测其在动物体内(in vivo)的毒性结果。

工作流程

本研究分为以下几大工作步骤：

1. 数据收集与整理
   作者通过系统地文献挖掘收集了自2008年至2023年间共34篇文献中提供的实验动物肺毒性数据，包括肺纤维化和炎症相关指标(biomarkers)，涉及约20个描述性特征如暴露条件、纳米颗粒物理化学性质等。最终构建了一个多维度数据库，含1102个数据点、75种肺病理学指标以及来自27种金属氧化物纳米颗粒的数据。为保证数据一致性，筛选时排除了无控组、涂层纳米颗粒等不符合标准的研究。

2. 研究特征与描述符筛选
   数据库结构化了3类描述符：体内暴露参数（包括暴露途径、剂量和暴露时间等）、物性特征（如颗粒大小、表面电荷ζ-potential、溶解性等）、以及体外毒性指标（如IL-1β在THP-1细胞中的表达水平等）。研究还利用实验细胞模型预测部分未报告的毒性数据。

3. 机器学习建模与分析
   针对数据集中毒性分类任务，研究应用了8种机器学习算法，包括支持向量机(SVM)、随机森林(Random Forest, RF)、K近邻(KNN)等。研究采用10折交叉验证优化模型训练，并将数据集拆分为训练集(870个数据点)和测试集(232个数据点)进行独立验证。

4. 动物实验验证
   作者选取了8种尚未被测试过的MEONPs，并将其在32只小鼠肺纤维化模型中进行实验验证。通过标准的Masson三色染色(Masson’s trichrome staining)观察肺纤维化程度，并对模型预测结果进行外部验证。

5. 结果分析与机制解读
   作者通过Shapley解释算法（SHAP）解析了关键因素的权重，并对毒理机制展开进一步分析，包括IL-1β表达、颗粒溶解性和表面电荷对肺毒性的影响。

主要研究结果

1. 机器学习模型的性能
   KNN模型取得了最好的预测效果，在数据集中准确率为89%，测试集中准确率为80%。随机森林模型在训练集中准确率为91%，模型总体表现稳健。最优模型的关键描述符包括Log2(FcIL-1β)、颗粒溶解度、颗粒表面ζ电位、颗粒大小，以及实验暴露时间、剂量和暴露方法。

2. 验证实验结果
   在8种新金属氧化物纳米颗粒的动物实验验证中，本研究模型的总体预测准确率达到了88%。且所有测试样本均在模型的可应用性范围内，验证了研究结果的可靠性。

3. 毒理机制的关键因子
   研究通过机器学习解读发现，IL-1β可以作为预测肺毒性的核心体外生物标志物。颗粒ζ电位和溶解性决定了颗粒在细胞和肺组织中的积聚与毒性。暴露条件，如剂量与方法，也显著影响了毒性表现。

4. 数据集的多样性
   通过主成分分析，研究揭示了MEONPs在物理化学特性和毒性实验参数上的异质性，多样性显著。同时，数据集视觉化表现良好，可较全面描述多种纳米材料的毒性相关分布。

结论与研究意义

该研究首次整合了多种来源的异质数据，通过先进的机器学习方法建立了一种稳健的IVIVE模型，成功地用体外的IL-1β等指标预测了体内的肺毒性。研究成果表明，体外体内数据的结合可通过高效优选大幅减少动物实验负担，加速毒性预测流程，同时帮助进一步理解纳米颗粒的生物毒理学作用机制。尤其是在全球范围内推动非动物替代毒理学检测策略（如欧盟的REACH和美国的TSCA）方面具有重要的潜在价值。

研究亮点

1. 数据挖掘规模大：通过对1102个数据点进行整合与分析，是目前IVIVE领域少见的大规模研究。
2. 方法创新性强：采用多种机器学习算法、10折交叉验证和SHAP模型解析方法，为预测建立了更高效的程序。
3. 实验设计科学验证性高：动物实验在预测结果和生物学效应间展示了高度一致性。
4. 机制解读深入：首次系统解读了IL-1β等分子指标对MEONP肺毒性的标志性作用。

潜在应用价值

该研究为评估纳米材料安全性提供了一种替代筛选毒性风险的成本效益工具，同时可以为产品设计提供指导。如研究中开发的机器学习工具，还可进一步拓展至更广泛的化学与生物空间，实现对潜在新材料毒性的提前评估。这对未来的化学风险评估和ENMs设计具有重大指导意义，推动达成“绿色化学”的目标。