QSPR МОДЕЛІ ДЛЯ ПРОГНОЗУ ДЗЕТА-ПОТЕНЦІАЛІВ НАНОЧАСТИНОК ОКСИДІВ
DOI:
https://doi.org/10.18524/2304-0947.2021.2(78).239101Ключові слова:
QSPR моделювання, наночастинки, дзета-потенціал, SiRMS, liquid dropАнотація
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
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.
Правовласниками опублікованого матеріалу являються авторський колектив та засновник журналу на умовах, що визначаються видавничою угодою, що укладається між редакційною колегією та авторами публікацій. Ніяка частина опублікованого матеріалу не може бути відтворена без попереднього повідомлення та дозволу автора.
Публікація праць в Журналі здійснюється на некомерційній основі. Комісійна плата за оформлення статті не стягується.
