南开黄兴禄AM: 基于可解释机器学习预测和设计纳米酶

大量的纳米材料被发现具有类似酶的催化活性，因此被称为纳米酶。研究表明，多种内外部因素均会影响纳米酶的催化活性。然而，目前仍缺乏必要的方法来揭示纳米酶特征和类酶活性之间的隐藏机制。

在此，南开大学黄兴禄教授等人展示了一种利用机器学习算法来理解粒子-性质关系的数据驱动方法，从而实现对纳米酶表现出的类酶活性进行分类和定量预测。为了建立纳米酶数据库，作者从300多篇论文中提取了有关纳米材料内在类酶活性的数据。在数据库建立之后，接下来需开发2种具有不同预测目标的机器学习模型：i）酶模拟类型（分类模型）；ii) 类酶活性水平（定量模型）。

为此，作者选择了基于深度神经网络（DNN）的全连接模型，因为它们能够处理非结构化、未标记和非线性数据。为了预测纳米酶，首先将因子作为自变量填充到输入模块中。随后，利用分类模型输出酶模拟类型（即因变量）。对于定量模型，通过标准化酶活性系数将每种类酶活性水平设置为因变量。此外，作者还引入了模型和验证数据集的正则化以克服模型的潜在过度拟合。

图1. 酶模拟类型的预测与实验验证

作者采用预测和观察之间的准确性来确定上述模型的性能，结果证实了该模型的高精度，显示出90.6% 的准确率。

此外，Kappa一致性检验系数（高达0.803）也揭示了预测输出和观察结果之间的高度一致性。基于对模型的敏感性分析，作者揭示了过渡金属在确定纳米酶活性方面的核心作用。通过对建立的模型进行数据挖掘，可以准确预测出具有高类过氧化物酶（POD）活性的Ru基纳米材料和具有高类氧化酶（OXD）活性的Mn基纳米材料。总之，这项研究为开发具有理想催化活性的纳米酶提供了一种有前景的策略，并展示了机器学习在材料科学领域的潜力。此外，作者建议建立纳米酶评估方法的标准流程并开发更多具有类酶活性的纳米材料，以实现对具有理想功能的纳米酶设计的准确指导。

图2. 基于模型预测的金属纳米酶设计

Prediction and Design of Nanozymes Using Explainable Machine Learning, Advanced Materials 2022. DOI: 10.1002/adma.202201736

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/10/11eafa6e87/

南开黄兴禄AM: 基于可解释机器学习预测和设计纳米酶

相关推荐

发表回复