好的，根据你提供的信息，我将撰写一篇新闻稿，力求专业、深入且引人入胜。
标题：人工智能助力纳米材料安全评估：苏大、大连理工合作开发模型，预测肺纤维化风险
引言：
纳米技术日新月异，为各行各业带来革新。然而，纳米材料的潜在健康风险也日益受到关注。如何快速、准确地评估新型纳米材料的安全性，成为亟待解决的问题。近日，苏州大学和大连理工大学的研究人员合作开发了一种基于多模态特征融合的机器学习模型，有望为纳米材料的风险评估提供新的解决方案。该模型能够以高达85%的准确率预测金属氧化物纳米颗粒（MeONP）诱导的肺纤维化风险，为纳米材料的安全性监管和应用提供了有力支持。
正文：
纳米颗粒因其独特的物理化学性质，被广泛应用于电子、医药、化工等领域。然而，随着纳米产品的大量涌现，其潜在的毒性也引发了公众的担忧。特别是长期暴露于某些工程纳米材料（ENMs）可能导致慢性呼吸道损伤，如肺纤维化和致癌等，这些损伤往往不可逆转。传统的毒性评估方法耗时且成本高昂，难以满足快速发展的纳米技术的需求。
为了解决这一难题，苏州大学和大连理工大学的研究人员另辟蹊径，将人工智能与纳米毒理学相结合。他们开发了一种多模态特征融合分析框架，旨在预测金属氧化物纳米颗粒（MeONP）在雌性小鼠中诱导肺纤维化的潜力。该研究的核心在于将每个纳米生物界面视为一个独立的实体，并利用MeONP与肺部相互作用产生的87个特征，构建基于机器学习的肺纤维化预测模型。
研究团队首先构建了一个包含52种MeONPs的数据库，并收集了MeONPs与生物环境（如细胞膜、溶酶体、线粒体等）之间多个界面的潜在预测特征。这些特征涵盖了纳米颗粒的理化性质、细胞损伤情况以及细胞因子（IL-1β和TGF-β1）的产生等多个方面。随后，研究人员采用了八种不同的机器学习算法，包括随机森林、局部加权学习、C4.5决策树、k-最近邻、支持向量机、贝叶斯网络、决策表和逻辑回归，对这些特征进行建模和分析。
实验结果表明，随机森林（RF）模型表现最为出色，其预测准确率高达85%。为了进一步验证模型的可靠性，研究人员还选择了五种MeONPs进行了实验验证，结果与模型预测高度吻合。该研究成果已于2025年3月20日发表在《Nature Communications》上，题为“Multimodal feature fusion machine learning for predicting chronic injury induced by engineered nanomaterials”。
研究人员发现，巨噬细胞和上皮细胞中的细胞损伤以及细胞因子（IL-1β和TGF-β1）的产生是与颗粒大小、表面电荷和溶酶体相互作用密切相关的关键事件。这些发现为深入理解纳米材料的毒性机制提供了重要的线索。
为了方便研究人员和监管部门使用，该团队还将该模型转化为一款名为“Nano-induced lung fibrosis prediction”（NILFP v 1.0.0）的软件，并简化了用户界面。用户只需输入三种化学描述符（流体动力学尺寸、zeta电位和PSF中的溶解度）和四种体外描述符（包括暴露于MeONPs的THP-1细胞上清液中的IL-1β、THP-1细胞活力以及BEAS-2B细胞活力和分泌的TGF-β1），即可预测MeONPs的纤维化风险。
结论与展望：
这项研究的创新之处在于，它将多模态特征融合和机器学习方法应用于纳米材料的风险评估，为快速、准确地预测纳米材料的毒性开辟了新的途径。该模型不仅可以用于评估未经测试的MeONPs的纤维化风险，还可以用于评估基于MeONP的纳米产品的安全性。
研究人员表示，该模型的成功归功于以下三点：（i）根据MeONPs在肺部的生物命运精心选择关键的纳米生物相互作用；（ii）使用相关的细胞模型来研究肺纤维化；（iii）整合化学和体外数据，全面表示肺纤维化背后的动态。
尽管该模型在预测MeONPs的纤维化风险方面表现出很高的准确性，但研究人员也强调，未来的研究需要进一步探索非动物分类替代方法，以符合动物试验的3R原则（替代、减少、改进）。
总而言之，这项研究为纳米材料的风险评估提供了一个有力的工具，有望加速新型纳米材料的开发和应用，同时保障公众健康和环境安全。随着纳米技术的不断发展，人工智能将在纳米材料的安全性评估中发挥越来越重要的作用。
参考文献：
- Multimodal feature fusion machine learning for predicting chronic injury induced by engineered nanomaterials. Nature Communications, 2025, 16, 4123.
希望这篇新闻稿符合你的要求！
Views: 11