Novel Model for Classifying the Toxicity of Metal Oxide Nanoparticles

Abstract

Наночастинки оксидів металів (MeOxNP) привертають дедалі більшу увагу в останні кілька років через їх різноманітне застосування в електроніці, медицині та відновленні навколишнього середовища. Однак їхня потенційна токсичність створює значні перешкоди для безпечного використання. Тому ця стаття спрямована на розробку нової моделі на основі штучного інтелекту (ШІ) для ефективної класифікації токсичності MeOxNP з використанням методу точно налаштованого випадкового лісу (DPO-RF) динамічного оптимізатора Pelican. Була підготовлена база даних з урахуванням різних типів наночастинок (НЧ), таких як Al2O3, CuO, Fe2O3, TiO2 та ZnO, а також найважливіших ключових фізико-хімічних характеристик. Ця модель супроводжується попередньою обробкою з використанням обробки відсутніх значень з імпутацією та стандартизацією шляхом застосування нормалізації Z-оцінки. Ознаки були вилучені за допомогою аналізу головних компонентів (PCA), зменшуючи розмірність, зберігаючи при цьому життєво важливу інформацію, пов'язану з токсичністю в цій моделі. Застосована модель на основі DPO-RF покращила вибір ознак цієї моделі, одночасно досягаючи підвищеної точності завдяки адаптивному дослідженню цієї моделі. Результати відображають дійсну класифікацію MeOxNP як токсичної або нетоксичної, що передбачає загальну точність близько 98,2 % для класів токсичності та відповідний коефіцієнт точності близько 98,5 % для класів нетоксичності, що має деякі важливі наслідки для оцінки потенційних ризиків під час використання відповідного застосування нанотехнологій.

Metal oxide nanoparticles (MeOxNP) are receiving increasing attention in the last few years due to their various applications in electronics, medicine, and environmental remediation. However, their potential toxicity poses significant hurdles for safe usage. Therefore, this paper aims at developing a new artificial intelligence (AI)-based model for the efficient classification of the toxicity of MeOxNP using a Dynamic Pelican Optimizer finetuned Random Forest (DPO-RF) technique. A database has been prepared considering different types of nanoparticles (NPs) such as Al2O3, CuO, Fe2O3, TiO2, and ZnO, and the most important key physicochemical attributes. This model is followed by pre-processing using handling of missing values with imputation and performing standardization by applying the Z-score normalization. Features were extracted with principal component analysis (PCA) reducing dimension while keeping the vital information associated with toxicity in this model. The applied DPO-RF based model enhanced the feature selection of this model while achieving enhanced accuracy through adaptive exploration of this model. The results reflect the valid classification of MeOxNP either as toxic or non-toxic, which implies a total accuracy of about 98.2 % for classes of toxicity, and a corresponding accuracy rate of about 98.5 % for classes of nontoxicity, which is offering some important implications for the assessment of potential risks while using the respective nanotechnology application.