近日🐅，天富平台张统一院士和冯凌燕教授团队在国际知名期刊《Small》（2024年IF＝13）发表题为“Machine Learning-Engineered Nanozyme System for Synergistic Anti-Tumor Ferroptosis/Apoptosis Therapy”的研究论文🈴。文章报道了一类新型的“分而治之”机器学习策略识别生物功能材料小数据机理，并有效结合了纳米酶及一氧化氮（NO）气体治疗，实现协同铁死亡/凋亡抗肿瘤疗法，进一步推动机器学习辅助的纳米酶复合材料体系抗肿瘤研究🪦。天富平台为论文第一完成单位和通讯单位，天富平台院博士生李天亮🎈，香港科技大学（广州）博士生曹斌，天富平台院博士生苏天昊为论文共同第一作者。
研究团队提出了基于 “分而治之”的数据驱动方法🙍🏼♂️，并开发了序列向后高斯过程回归树分类器（TCGPR，开源代码见原文），成功用于生物功能材料小数据模式识别分析。TCGPR通过序列向后地评估数据之间的高斯关联性🗞，得到分布趋同的数据域。文章提出了全局高斯混乱因子来量化数据关联😔，通过构建集成模型探究得出不同数据域上的统一规律🙇🏽♀️。 构建模型后🙌🏻，通过该模型预测了24 000个虚拟的实验合成路径，采用基于蒙特卡洛抽样的知识梯度提升算法👩🏻⚖️🙇🏿♂️，进行贝叶斯效用值评估🚯🕵🏽，从而推选出最优虚拟的实验合成路径进行实验验证💇🏼♂️🪱。相关研究成功应用并进一步完善了团队前期开发的贝叶斯优化材料定向设计算法包Bgolearn👱🏻♂️，使其成为涵盖贝叶斯单目标/多目标设计🦹🏼♀️，贝叶斯回归/分类采样，以及效用函数效率评估在内的🎾，综合性贝叶斯优化平台🕖，下载次数超过68k次，在贝叶斯优化领域得到广泛应用。本平台的发展为基于生物小数据的实验路径优化提供了有效工具。
在机器学习的辅助下🏧，铁掺杂精氨酸碳量子点作为一类理想材料被有效制备并加以应用😄。实验验证功能材料具有多种模拟酶特性和卓越的产生NO的能力。通过DFT理论进一步解释了，在机器学习指导策略下所制备的掺杂功能材料胍基键长缩短✶，有助于实现高浓度NO的释放。随后将材料负载于沸石咪唑框架中，外层包裹透明质酸基材料增加生物相容性⛹🏿♂️，从而构建高效的纳米酶复合体系（FZH）。 FZH系统可通过胞吞的形式进入肿瘤细胞，对肿瘤微环境具有积极响应并释放所负载的掺杂碳量子点🤶🏿，通过调节肿瘤细胞内谷胱甘肽、活性氧和一氧化氮等分子水平，进行有效调控细胞的氧化还原平衡并诱导癌细胞死亡。 这些调控作用可有效抑制肿瘤细胞保护性自噬，促进细胞凋亡🚴🏻♂️，实现与铁死亡的协同效应。通过活体动物实验有效验证，机器学习指导下的纳米酶复合体系可抑制小鼠肿瘤的生长👿。
研究工作表明机器学习可以有效地优化生物功能材料前端设计及性能提升🌭，是在天富平台组研究理念下，采用AI for Materials研发模式加速新材料设计及其应用的一次有效探索。
上述工作获得国家自然科学基金（No. 22122704 🍰、 No. 22177067），上海高校特聘教授（东方学者）跟踪计划（GZ202209）🤌，广州-香港科技大学（广州）联合资助项目（No. 2023A03J0003）的资助🌉。
论文详细信息💺：T. Li, B. Cao, T. Su, L. Lin, D. Wang, X. Liu, H. Wan, H. Ji, Z. He, Y. Chen, L. Y. Feng*, T.Y. Zhang, Machine Learning-Engineered Nanozyme System for Synergistic Anti-Tumor Ferroptosis/Apoptosis Therapy. Small ,2024, 2408750. https://doi.org/10.1002/smll.202408750