QSPR МОДЕЛІ ДЛЯ ПРОГНОЗУ ДЗЕТА-ПОТЕНЦІАЛІВ НАНОЧАСТИНОК ОКСИДІВ

Автор(и)

  • С.І. Стельмах Одеський національний університет ім. І. І. Мечникова, кафедра органічної та фармацевтичної хімії, Ukraine
  • В.Є. Кузьмін Одеський національний університет ім. І. І. Мечникова, кафедра органічної та фармацевтичної хімії, Ukraine
  • Л.М. Огніченко Одеський національний університет ім. І. І. Мечникова, кафедра органічної та фармацевтичної хімії, Ukraine

DOI:

https://doi.org/10.18524/2304-0947.2021.2(78).239101

Анотація

Набір даних з експериментально визначеним дзета-потенціалом, що складався з 14 нано-частинок оксидів різного розміру, було використано для розрахунку дескрипторів SiRMS та кросс-дескрипторів методу «рідкої краплі». Побудовано ефективну QSPR модель (R2 =0.88, R2test = 0.81). Прогностичну здатність моделі перевірено за допомогою зовнішнього тестування (R2test = 0.84), для чого використано окрему вибірку даних з 5 оксидів. Моделі інтерпретовано та відображена можливість задовільного прогнозування дзета-потенціалу.

Посилання

Salata O. Applications of nanoparticles in biology and medicine. J. Nanobiotechnol, 2004, vol. 10, no 3. https://doi.org/10.1186/1477–3155–2–3

Sukhanova A., Poly S., Bozrova S., Lambert É., Ewald M., Karaulov A., Molinari M., Nabiev I. Nanoparticles With a Specific Size and Surface Charge Promote Disruption of the Secondary Structure and Amyloid-Like Fibrillation of Human Insulin Under Physiological Conditions. Front. Chem, 2019, vol. 7. an 480. https://doi.org/10.3389/fchem.2019.00480

Toropov A.A., Sizochenko N., Toropova A. P., Leszczynski J. Towards the Development of Global Nano-Quantitative Structure-Property Relationship Models: Zeta Potentials of Metal Oxide Nanoparticles. Nanomater. (Basel), 2018, vol. 8, no 4, an 243. https://doi.org/10.3390/nano8040243

Chen L., Fu X., Li J. Ultrasensitive surface-enhanced Raman scattering detection of trypsin based on antiaggregation of 4-mercaptopyridine-functionalized silver nanoparticles: An optical sensing platform toward proteases. Nanoscale, 2013, vol. 5, no 13, pp. 5905–5911. https://doi.org/10.1039/C3NR00637A

Mikolajczyk A, Gajewicz A, Rasulev B., Schaeublin N., Maurer-Gardner E., Hussain S., Leszczynski J., Puzyn T. Zeta Potential for Metal Oxide Nanoparticles: A Predictive Model Developed by a Nano-Quantitative Structure–Property Relationship Approach. Chem. Mater., 2015, vol. 27, no 7, pp. 2400–2407. https://doi.org/10.1021/cm504406a

Wyrzykowska E., Mikolajczyk A., Sikorska C., Puzyn T. Development of a novel in silico model of zeta potential for metal oxide nanoparticles: a nano-QSPR approach. Nanotechnol., 2016, vol. 27, no 44. https://doi.org/10.1088/0957–4484/27/44/445702

Kuz’min V., Artemenko A., Ognichenko L., Hromov A., Kosinskaya A., Stelmakh S., Sessions Z. L., Muratov E. N. Simplex representation of molecular structure as universal QSAR/QSPR tool. Struct. Chem., 2021, vol. 32, pp. 1365–1392. https://doi.org/10.1007/s11224–021–01793-z

https://cananolab.nci.nih.gov/caNanoLab/

Rännar S., Lindgren F., Geladi P., Wold S. A PLS kernel algorithm for data sets with many variables and fewer objects. Part 1: Theory and algorithm. J. Chemom., 1994. vol. 8, no 2, pp. 111–125. https://doi.org/10.1002/cem.1180080204

Meloun M., Militku J., Hill M., Brereton R. G. Crucial problems in regression modelling and their solutions. Analyst, 2002, vol. 127, no 4, pp. 433–450. https://doi.org/10.1039/B110779H.

##submission.downloads##

Опубліковано

2021-06-27

Номер

Розділ

Статті