一种基于物理的机器学习框架，用于预测和减轻阿霉素纳米载体对正常细胞的毒性

为什么更安全的抗癌药很重要

像阿霉素这样的化疗药物对抗癌很有效，但也可能损伤健康组织，尤其是心脏。研究人员尝试将这些药物封装在称为纳米载体的微小颗粒中，以便将更多药物导向肿瘤、减少对机体其他部位的影响。然而，调节这些颗粒的尺寸、涂层和药物载量在很大程度上依然依赖缓慢的试错过程。本研究展示了将物理学与人工智能结合如何把这种猜测变成更精准的预测科学——帮助设计在攻击癌细胞的同时保护正常细胞的药物载体。

微小载体的大取舍

阿霉素长期以来是治疗乳腺肿瘤和白血病等癌症的主力，但其疗效伴随严重副作用，包括不可逆的心脏损伤。将药物封装在纳米级颗粒中为改变其在体内的分布和运动方式提供了一条途径。通过调整颗粒尺寸、表面电荷以及每个载体内的药物装载量等特性，科学家希望将阿霉素浓缩到肿瘤部位并减少对健康器官的暴露。然而，这些设计选择相互作用复杂且不直观，难以确定哪种组合能在不进行无尽实验的情况下保护正常细胞。

把分散的研究汇成一张地图

作者汇总了文献中报道的77种不同阿霉素负载纳米载体系统的详细信息。这些配方涵盖多种材料——聚合物颗粒、脂质体、无机纳米粒子等——并在多种健康细胞类型上进行了测试，从心脏和血管细胞到皮肤与肺细胞。由于原始研究使用了不同的毒性检测和报告方式，团队仔细将所有结果转换为统一的“正常细胞存活率”尺度，按可比药物剂量表示，范围为0到100%的存活率。他们还标准化了关键物理性质，如颗粒尺寸、表面电荷（ζ电位）以及描述药物装载和封存效率的指标。

向机器学习加入物理规则

借助这个统一的数据集，研究人员训练了几种机器学习模型来预测给定纳米载体设计对正常细胞的毒性。他们将常见方法（如随机森林、梯度提升树和标准神经网络）与一种更先进的方法——物理驱动神经网络（physics-informed neural network）进行了比较。在该框架中，模型不仅拟合过去数据；它还被温和地引导去遵循控制颗粒释放药物和在液体中稳定性的基本物理原理。描述扩散驱动药物释放、尺寸依赖运动和基于电荷的稳定性的方程作为软约束纳入学习过程中，指导模型避免做出与已确立科学相抵触的预测。

寻找颗粒设计的最佳区间

物理驱动模型被证明最为准确和可靠，能够捕捉约90%的正常细胞存活率变异，并将预测误差控制在几个百分点以内。用于解释模型决策的工具显示，两项性质主导安全性：颗粒尺寸和表面电荷。中等尺寸的载体——大约120到150纳米——且带有中等负电荷的载体对健康细胞更为温和。相比之下，极小或带强电荷的颗粒更可能吸附到非目标组织或过快释放药物，从而提高毒性。模型还识别出药物装载的安全范围：装载足够的阿霉素以发挥效用，但不要过多以致载体不稳定或发生突发性药物释放。

从试错走向有指导的设计

通过将物理规则与数据驱动学习相结合，本研究为更安全的阿霉素纳米载体提供了实用的设计指南，并为其他药物递送问题提供了可复用的蓝图。科学家现在可以使用该模型在实验室测试无数配方之前先缩小选择范围，筛选出有望使超过90%正常细胞存活的纳米载体，然后将实验重点放在这一有前景的“最佳区间”。尽管该工作主要基于细胞培养数据，尚不能完全反映全身反应的复杂性，但它标志着朝着理性、计算机指导的抗癌治疗设计迈出了重要一步——既对肿瘤施以强力打击，又尽量减轻对机体其他部位的伤害。

引用: 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

关键词: 阿霉素, 纳米载体, 机器学习, 药物毒性, 物理驱动模型