共计 2886 个字符，预计需要花费 8 分钟才能阅读完成。
姜黄素作为一种具有广泛治疗潜力的天然化合物，其临床应用长期受制于两大瓶颈：口服生物利用度低，以及高剂量下可能产生的毒性。纳米载体封装技术被视为突破这些限制的关键策略，但如何从海量的设计参数中，系统性地优化出兼具高安全性（低细胞毒性）与高效率的纳米制剂，一直是个复杂挑战。
为此，研究团队构建了一个创新的“物理信息机器学习”分析框架。该框架整合了来自 75 种不同姜黄素纳米载体的实验数据、描述纳米颗粒稳定性的经典 DLVO 理论，以及药物释放动力学模型，旨在精准预测并最小化纳米载体的细胞毒性。
- 
- 
物理信息机器学习模型的预测精度与可解释性
在多种机器学习模型的比较中，XGBoost 算法展现出最高的统计预测精度（R² = 0.89）。而融入物理定律的 PIML 模型，虽然预测精度稍逊（R² = 0.86），但其预测结果与已知的物理化学原理高度一致，提供了更高的可解释性。通过 SHAP 可解释性分析，研究揭示了降低细胞毒性的三个关键设计要素：适度的负 Zeta 电位（介于–30 至–40 mV 之间）、采用壳聚糖基涂层，以及将粒径控制在 150–250 纳米范围内。
多目标贝叶斯优化与帕累托最优设计
进一步，研究团队运用多目标贝叶斯优化方法，描绘出了一个“帕累托最优”设计空间。在此空间内寻优，有望设计出与游离姜黄素相比毒性降低约 82%，同时能保持约 70% 载药效率的理想纳米载体。这项研究不仅为姜黄素纳米疗法的开发提供了具体的设计指南，更验证了一种可推广的计算方法论，能够将复杂的纳米载体设计“黑箱”转化为清晰、可操作的优化路径。
数据可用性与参考文献
本研究所涉及的所有数据均已包含在相关已发表的论文中。
参考文献：
1. Fuloria, S. 等。关于姜黄（Curcuma longa Linn.）与其主要活性成分姜黄素相关治疗潜力的全面综述。_Front. Pharmacol._**13**, 820806 (2022)。
2. Zhang, P., Liu, H., Yu, Y., Peng, S. & Zhu, S. 姜黄根茎在医学应用中的作用：研究挑战与机遇。_Front. Pharmacol._**15**, 1430284 (2024)。
3. Wang, H. 等。姜黄素调控癌症进展：聚焦于 ncRNAs 和分子信号通路。_Front. Oncol._**11**, 660712 (2021)。
4. Liu, W. 等。姜黄素的口服生物利用度：问题与进展。_J. Drug Target._**24**(8), 694–702 (2016)。
5. El-Saadony, M. T. 等。姜黄素，姜黄的活性成分：生物活性、营养方面、免疫学、生物利用度及对人类健康的益处——全面综述。_Front. Immunol._**16**, 1603018 (2025)。
6. Amaroli, A. 等。姜黄素的光明面：其在癌症管理中治疗潜力的叙述性综述。_Cancers_**16**(14), 2580 (2024)。
7. Boyuklieva, R., Zahariev, N., Simeonov, P., Penkov, D. & Katsarov, P. 神经治疗学的下一代药物递送：刺激响应纳米载体的前景。_Biomedicines._**13**(6), 1464 (2025)。
8. Mohamed RRGA, Ali SM, Ahmed IS, Rawas-Qalaji M, Hussain Z. 用于结直肠癌的下一代纳米载体：精准治疗的被动、主动和刺激响应策略。Biomaterials Science. 2025。
9. Wang, N., Cheng, X., Li, N., Wang, H. & Chen, H. 纳米载体及其载药策略。_Adv. Healthcare Mater._**8**(6), 1801002 (2019)。
10. Fröhlich E. 表面电荷在医用纳米颗粒的细胞摄取和细胞毒性中的作用。Int. J. Nanomed. 2012:5577–91。
11. Duan, X. & Li, Y. 纳米颗粒的理化特性影响循环、生物分布、细胞摄取和转运。_Small_**9**(9–10), 1521–1532 (2013)。
12. Behzadi, S. 等。纳米颗粒的细胞摄取：细胞内的旅程。_Chem. Soc. Rev._**46**(14), 4218–4244 (2017)。
13. Glorioso V. 用于肿瘤孕妇治疗的聚乳酸 - 羟基乙酸共聚物纳米颗粒的制剂、表征和机器学习预测：都灵理工大学；2025。
14. Chaurawal, N. 等。开发基于岩藻聚糖 / 聚乙烯亚胺的索拉非尼负载自组装纳米颗粒，并采用机器学习和 DoE-ANN 实施：优化、表征及抗癌药物递送的体外评估。_Int. J. Biol. Macromol._**279**, 135123 (2024)。
15. Babajide Mustapha, I. & Saeed, F. 使用极端梯度提升预测生物活性分子。_Molecules_**21**(8), 983 (2016)。
16. Almansour, K. & Alqahtani, A. S. 利用机器学习方法生产用于药物递送应用的优化 PLGA 纳米颗粒。_Sci. Rep._**15**(1), 8840 (2025)。
17. Mahdi, W. A., Alhowyan, A. & Obaidullah, A. J. 使用机器学习模型对药物纳米颗粒递送至癌症肿瘤部位的效率进行智能分析。_Sci. Rep._**15**(1), 1017 (2025)。
18. Sinha, K., Ghosh, N. & Sil, P. C. 深度学习在预测性药物毒理学研究中最新应用的综述。_Chem. Res. Toxicol._**36**(8), 1174–1205 (2023)。
19. Zhang, R., Wen, H., Lin, Z., Li, B. & Zhou, X. 人工智能驱动的药物毒性预测：进展、挑战和未来方向。_Toxics._**13**(7), 525 (2025)。
20. Meng, C., Griesemer, S., Cao, D., Seo, S. & Liu, Y. 当物理学遇到机器学习：物理信息机器学习综述。_Mach. Learn. Comput. Sci. Eng._**1**(1), 20 (2025)。
21. Fathi-Karkan, S., Rahdar, A. & Shirzad, M. 整合机器学习和纳米技术以量化 pH 调节的奥沙利铂释放。_Sci. Rep._**15**(1), 42190 (2025)。
22. Rehman D. 用于多组分传输现象的物理信息深度学习和可微分机理模型：麻省理工学院；2024。
23. Jacobsen C. 使用可解释的物理感知机器学习增强物理建模 2024。
24. Merabet, K. 等。使用梯度提升机预测水质变量：基于 SHapley 加性解释（SHAP）的全局与局部可解释性。_Earth Sci. Inf._**18**(3), 1–34 (2025)。
25. Chuah, J., Kruger, U., Wang, G., Yan, P. & Hahn, J. 测试基于机器学习的分类器鲁棒性的框架。_J. Person. Med._**12**(8), 1314 (2022)。
