.png){kind=icon}
返回
Robust classification frameworks for oxide nanomaterials assisted by machine learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s11696-025-04471-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确预测氧化物纳米材料的毒性对于推进材料安全与应用至关重要。机器学习（ML）方法提供了强大的工具来探索材料性质与生物响应之间的复杂关系。本研究利用了一个综合数据集，整合了物理化学参数（如流体动力学尺寸、核心尺寸、表面积、表面电荷）、量子力学参数（如价带/导带能量、电负性、形成焓）以及与毒性相关的参数（如检测方法、细胞种类、细胞类型、暴露类型、剂量）。基于树的机器学习模型，包括决策树、KNN、LightGBM、XGBoost、BaggingClassifier以及逻辑回归变体，被应用于预测细胞活力。BaggingClassifier表现优于其他模型，实现了高准确率、精确率和召回率。疏水性（Hsf，-0.46）、暴露时间（-0.26）和核心尺寸（-0.21）对活力产生负面影响，而表面积（0.23）和MeO（0.26）则显示出正相关。SHAP分析突出了剂量和Hsf作为关键预测因子。本研究解决了数据挑战，为更安全的纳米材料开发提供了见解。
Keyword:
Machine learning (ML)
Oxide nanomaterials
Toxicity prediction
Material properties
Toxicity classification
期刊
IF:
2.5
论文数:
717
被引数:
8.8K
机构
引用论文
A comparative study of several classification metrics and their performances on data几种分类指标及其在数据上表现的比较研究
OAAI
OAAI分享收藏Prediction of oil flow rate through an orifice flow meter: Artificial intelligence alternatives compared.png)
Petroleum
OAAI
PetroleumIF0
OAAI分享收藏Novel graph theoretical approach to heteroatoms in quantitative structure—activity relationships
PREAI
分享收藏分享收藏SMILES, a chemical language and information system. 1. Introduction to methodology and encoding rules微笑，一种化学语言和信息系统。1.介绍方法和编码规则
PREAI
分享收藏
查看更多内容