图. 机器学习预测纳米颗粒蛋白冠的功能组成及其细胞识别的研究流程

在国家自然科学基金项目（批准号：21722703）等资助下，南开大学环境科学与工程学院胡献刚研究团队在纳米颗粒环境毒性效应的精准预测方面取得进展，相关研究成果以“机器学习预测纳米颗粒蛋白冠的功能组成及其细胞识别（Machine learning predicts the functional composition of the protein corona and the cellular recognition of nanoparticles）”为题，于2020年4月23日在线发表于《美国国家科学院院刊》（Proceedings of National Academy of Sciences of the United States of America），论文链接为：https://www.pnas.org/content/early /2020/04/23/1919755117。

纳米材料（颗粒）在电子机械、医疗化工、能源转化存储及环境污染控制等诸多领域发展迅速，而在其生命周期中会不断进入水体、土壤等环境介质。因此，对其环境风险进行评估势在必行。纳米材料的属性特征与生物结构和功能之间存在着复杂相互作用，目前环境毒理领域常用的理论体系，如线性回归模型、生物配体模型等，很难准确揭示纳米材料属性特征与生物效应之间的复杂关系。纳米材料进入生物流体或组织中会迅速在其表面形成蛋白冠，进而参与调节其与细胞、组织的相互作用，识别蛋白冠形成对纳米生物效应的影响是科学认识纳米材料生物效应的重要途径之一。

针对该问题，研究团队构建了40种纳米材料、50种表面修饰和21种影响因素的小型纳米材料蛋白冠数据库，通过优化机器学习，采用随机森林算法，结合数据库内部数据和细胞实验双重验证，实现了纳米材料蛋白冠中功能蛋白的准确预测以及功能性蛋白冠介导的细胞识别，解决了定量预测纳米材料蛋白冠形成及其生物效应的难题。

上述运用机器学习预测纳米材料的细胞识别及其毒性的研究，为纳米材料环境风险的准确评估和预测提供了一种有效的量化手段，实现了环境毒理学研究领域人工智能运用的新突破。