基于机器学习的金属氧化物纳米粒子毒性预测

摘要：

因为金属氧化物纳米粒子(MNPs)的应用越来越广泛,对于未经检测的MNPs在其实际应用于纳米工业之前,能够对其毒性进行快速、有效地预测是非常重要的.在本工作中,利用收集的文献数据建立了金属氧化物纳米粒子的毒性数据集,其目标变量为MNPs的毒性(log(1/EC50)),候选的自变量有11个.使用遗传一支持向量回归(GA-SVR)组合算法对自变量进行筛选,得到了包含三个变量的用于建模的最优特征集.利用最优特征集形成的新数据集建立了两个用于预测MNPs毒性的定量构效关系(QSAR)模型,即线性核函数支持向量回归(SVR-LKF)和高斯核函数支持向量回归(SVR-RBF)模型.比较两个模型的评价指标发现SVR-RBF模型的性能优于SVR-LKF模型,并且它也优于文献报道的模型.此外,在毒性预测方面SVR-LKF模型也具有较好的预测性能和实用价值.为了探究毒性机理,本文还利用模拟研究分析了各变量对MNPs毒性的影响.因此,本文所提出的方法可以为在机器学习的辅助下MNPs的毒性预测以及毒性机理的研究提供有价值的线索.

关键词：构效关系、机器学习、支持向量回归、毒性预测、金属氧化物纳米粒子

所属期刊栏目：36

分类号：O6-39

在线出版日期：2020-05-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：404-410