通讯作者：李雪花 教授 大连理工大学

在化学品风险评估中，虽然经常使用计算分析（in silico analyses），但由于在多个纳米生物界面上存在复杂的相互作用，预测工程纳米颗粒（ENMs）在体内诱发的慢性肺毒性仍然面临许多挑战。在本研究中，我们开发了一种严谨的方法来整理有关金属氧化物纳米颗粒（MeONPs）体内肺毒性的已发表证据，并揭示了以前被忽视的体外到体内外推（IVIVE）关系。构建了一个包含1102个体内数据点、75个肺毒理学生物标志物和20个特征（涵盖体外效应、物理化学性质和暴露条件）的全面多维数据集。建立了一种IVIVE方法，将细胞水平的效应与啮齿动物模型中的体内肺毒性相关联，在训练和测试集上的预测准确率分别达到89%和80%。通过在32只独立小鼠中测试8种新MeONPs的慢性肺纤维化进行了实验验证，预测准确率达到88%。IVIVE模型表明，THP-1细胞中的促炎细胞因子IL-1β可以作为体外标记物来预测肺毒性。IVIVE模型在最小化不必要的动物实验和理解毒理机制方面显示出巨大潜力。

Synopsis

The ML-based IVIVE model that accurately predicts lung toxicity could boost future nonanimal testing strategies for nanotoxicity assessments.

工程纳米材料（ENMs）日益普遍，在我们的日常生活中经常遇到。在人类中，吸入是接触这些空气中的超细颗粒物的主要途径。气体交换表面主要由肺泡上皮细胞组成，这些细胞不断暴露于来自外部环境的ENMs，特别是在职业环境中。因此，意外的人类暴露可能会增加不良影响的风险，如肺炎症和纤维化（尘肺）。ENMs可能在工作场所释放，肺病与意外暴露具有一定的联系。在暴露于含有高浓度金属氧化物纳米颗粒（MeONPs）的烟雾中的焊工和矿工中，观察到肺炎症和肺纤维化的增加风险。在焊工的肺泡巨噬细胞和肺部纤维化区域中，已经明确识别出直径为20至25纳米的铁、锰或铬氧化物纳米颗粒。对这些潜在健康影响的担忧增加了对肺部炎症和纤维化效应评估系统的重要性。

尽管在表征ENMs引起的体内肺部疾病方面取得了相当大的进展，但含有ENMs的产品和服务的研发仍在快速且加速进行。当黄金标准测试过于昂贵或需要过度使用动物时，通过筛选进行优先排序变得必要。与基于表型反应的广泛动物测试相比，人们越来越倾向于利用基于机制的方法来支持数据驱动的决策框架。迄今为止，（定量）结构-活性关系（SAR/QSAR）模型已经建立并被广泛用于预测体外终点。已经开发了Nano-QSAR模型，用于各种细胞类型的危害排名，包括人类肺细胞，RAW 264.7细胞，人类角质形成细胞（HaCaT），THP-1细胞，HepRG细胞，和大肠杆菌。建立了机器学习方法（ML）来预测纳米颗粒的毒理效应和细胞摄取，这些因素包括材料化学、浓度、大小、亲脂性、ζ-电位、形状、细胞类型等。相反，很少有模型被建立来评估体内毒性，它们的预测适用性有限，特别是对于外部数据集。这归因于体内实验的伦理和资金限制，这些限制阻碍了为建模生成大量数据。由于欧盟和美国监管当局已将替代的非动物测试确定为未来化学风险评估的重要策略，因此对体外到体内外推（IVIVE）模型的兴趣显著增加。

虽然毒理学研究表明，ENMs诱导肺毒性的倾向与其在细胞水平的炎症潜力一致，但构建一个将体内肺毒性与体外实验联系起来的稳健预测模型一直很困难。这是因为（i）单篇文献中测试的ENMs数量有限，以及（ii）从高度异质的数据中难以识别决定纳米毒性的先前ENM属性和实验条件。机器学习（ML），凭借其在庞大和多样化数据集中检测显著模式的强大能力，可以用来解决这个问题。在本项工作中，我们挖掘文献收集了1102个不同的体内数据点，以确定体外实验是否可以用于准确预测这些实验中观察到的肺毒性。建立了IVIVE模型，使用体外指标在细胞水平上准确预测MeONP诱导的体内肺毒性。ML分析揭示了决定体内肺毒性的关键因素，这对于解码肺毒性IVIVE中潜在的毒理机制至关重要。最后，我们在32只小鼠中评估了八种新MeONPs诱导的体内肺毒性，并将这些发现与IVIVE模型的预测进行了比较以进行验证。本研究利用广泛的体外毒性筛选数据和化学描述符来开发动物毒性的预测模型，为肺毒性测试提供了急需的优先排序。图1展示了本研究中使用的建模工作流程，这有助于指导未来的研究朝着设计固有安全的工程纳米材料（ENMs）的方向发展。

图1 数据汇编、体外到体内外推（IVIVE）建模、肺毒性预测、机制解释和实验验证的示意性工作流程。

图2 数据集概述。（a） 金属氧化物纳米粒子（MeONPs）的独特化学成分类型。彩色块的面积表示数据点的数量。（b） 动物实验中的暴露途径。YES：体内肺毒性数据点；NO：无体内肺毒性的数据点。（c） 肺毒性的体内毒理学指标。

图3 使用不同算法开发的八个模型的性能（如子图标题所示）。

图4 （a） 选择性金属氧化物纳米粒子（MeONPs）诱导小鼠肺纤维化。（b） 肺毒性实验结果与预测结果的比较。（c） 模型的整体性能。

图5 基于描述符值的主成分分析所反映的1134个数据点的分布。纳米粒子的大小反映在球的大小上。还显示了所有MeONP在三个平面上的投影。

图6 解释机制的关键描述符。（a） SHAP摘要图：这些图直观地显示了特征如何影响模型的预测。点的颜色指示特征值是高还是低。（b） 模型中特征重要性的评估：该分析量化了模型中每个特征的重要性，提供了它们对模型预测性能的相对贡献的见解。

图7 金属氧化物纳米颗粒（MeONPs）诱导的肺毒性示意图。Environmental Significance

在这项研究中，我们建立并验证了一种IVIVE方法，该方法通过将数据挖掘和大数据分析与动物实验相结合，准确预测了肺毒性。从已发表的研究中提取的高度异构的大数据将促进基于机器学习的稳健IVIVE方法的发展。开发的ML模型提供了一种强大的工具，可以使用化学和体外数据中的爆炸性膨胀来预测体内肺毒性。用ML模型解释IVIVE关系的关键特征可以深入了解IVIVE肺毒性的机制，并指导ENM的安全设计。这里开发的机器学习工具还可以促进在现有ENM范围之外创建新的化学生物空间，从而探索ENM的潜在毒性和特性，这些毒性和特性通过“试错”方法进行评估是不切实际的。从这些工具中获得的见解是为监管目的制定未来（非）测试策略的宝贵考虑因素。