Информационно‑физическая платформа машинного обучения для прогнозирования и снижения токсичности доксорубицина в нормальных клетках

Почему важны более безопасные противораковые препараты

Химиопрепараты, такие как доксорубицин, являются мощным оружием против рака, но они также могут повреждать здоровые ткани, особенно сердце. Исследователи пытаются помещать эти препараты внутрь крошечных частиц — нанонесителей — чтобы направлять больше лекарства к опухолям и меньше — по организму. Тем не менее настройка размера, покрытия и загрузки препарата в этих частицах в основном вела себя как медленный метод проб и ошибок. В этом исследовании показано, как сочетание физических моделей и искусственного интеллекта может превратить эти догадки в более точную, предсказательную науку — помогая проектировать переносчики лекарств, которые атакуют рак, щадя при этом нормальные клетки.

Крошечные переносчики с большими компромиссами

Доксорубицин с давних пор используется при лечении таких онкологических заболеваний, как рак молочной железы и лейкемии, но его преимущества сопровождаются серьёзными побочными эффектами, включая необратимое повреждение сердца. Инкапсуляция препарата в наночастицы даёт возможность изменить, где и как он распределяется в организме. Корректируя такие характеристики, как размер частиц, поверхностный заряд и степень загрузки препарата, учёные надеются концентрировать доксорубицин в опухолях и уменьшить его воздействие на здоровые органы. Однако эти проектные решения взаимодействуют сложными и неочевидными способами, что затрудняет выбор комбинации, которая защитит нормальные клетки без бесконечных лабораторных экспериментов.

Объединение разрозненных исследований в единую карту

Авторы собрали подробные данные по 77 различным системам нанонесителей с доксорубицином, описанным в научной литературе. Эти формулы охватывали множество материалов — полимерные частицы, липосомы, неорганические наночастицы и др. — и были протестированы на различных типах здоровых клеток, от кардиомиоцитов и клеток сосудов до клеток кожи и лёгких. Поскольку исходные исследования использовали разные тесты токсичности и стили отчётности, команда аккуратно преобразовала все результаты в единую шкалу «жизнеспособности нормальных клеток», варьирующуюся от 0 до 100 процентов выживания при сопоставимых дозах препарата. Они также стандартизировали ключевые физические свойства, такие как размер частиц, поверхностный заряд (зета‑потенциал) и показатели эффективности загрузки и удержания препарата в каждом носителе.

Добавление физических правил в машинное обучение

С этой гармонизированной базой данных исследователи обучили несколько моделей машинного обучения прогнозировать, насколько токсичной будет та или иная конструкция нанонесителя для нормальных клеток. Они сравнили распространённые подходы — случайные леса, градиентный бустинг и стандартные нейронные сети — с более продвинутым методом, известным как нейронная сеть с учётом физики. В этой схеме модель не просто подгоняет прошлые данные; её мягко направляют на соблюдение базовых физических принципов, управляющих высвобождением препарата и устойчивостью частиц в жидкости. Уравнения, описывающие диффузионное высвобождение препарата, движение, зависящее от размера, и устойчивость, зависящую от заряда, были вплетены в процесс обучения в виде «мягких» ограничений, что удерживает модель от предсказаний, нарушающих хорошо установленные физические законы.

Поиск оптимума в дизайне частиц

Модель с учётом физики оказалась самой точной и надёжной, объясняя почти 90 процентов вариации выживаемости нормальных клеток и удерживая ошибку предсказания в пределах нескольких процентных пунктов. Инструменты, объясняющие решения модели, показали, что безопасность в основном определяется двумя свойствами: размером частиц и поверхностным зарядом. Переносчики умеренного размера — примерно 120–150 нанометров в поперечнике — и с умеренно отрицательным зарядом обычно оказывались более щадящими для здоровых клеток. Напротив, очень маленькие или сильно заряженные частицы чаще прикреплялись к нежелательным тканям или слишком быстро теряли груз, повышая токсичность. Модель также выделила безопасный диапазон для загрузки препарата: достаточно доксорубицина, чтобы быть эффективным, но не настолько много, чтобы носитель становился нестабильным или допускал резкое всплесковое высвобождение лекарства.

От догадок к направляемому дизайну

Благодаря сочетанию физики и обучения на данных это исследование предлагает практические рекомендации по созданию более безопасных нанонесителей доксорубицина и повторяемую схему для других задач доставки лекарств. Вместо испытаний бесчисленных формул в лаборатории учёные теперь могут использовать модель, чтобы отобрать нанонесители, которые, вероятно, сохранят более 90 процентов нормальных клеток живыми, и сосредоточить эксперименты на этой многообещающей «золотой середине». Хотя работа в основном базируется на данных клеточных культур и пока не может отразить всю сложность реакций организма в целом, она представляет важный шаг к рациональному, компьютерно‑управляемому дизайну противораковых препаратов, которые наносят удар по опухолям, при этом щадя остальную часть организма.

Цитирование: Rahdar, A., Fathi-karkan, S. A physics-informed machine learning framework for predicting and mitigating doxorubicin nanocarrier toxicity in normal cells. Sci Rep 16, 10837 (2026). https://doi.org/10.1038/s41598-026-42209-4

Ключевые слова: доксорубицин, нанонесители, машинное обучение, токсичность лекарств, модели с учетом физики