纳米医学的快速发展正在推动疾病诊断和治疗的精准化和智能化[[1], [2], [3], [4], [5], [6]]。特别是基于纳米粒子(NPs)的纳米医学,由于其可调的大小、形态、表面化学性质和多功能性,已成为生物成像的重要工具[[7], [8], [9]]。通过合理设计具有定制的光学、磁性或放射学特性的纳米结构,可以在细胞和分子水平上实现多模态成像,从而促进早期疾病检测和治疗过程的实时监测[[10], [11], [12], [13], [14]]。尽管基于纳米粒子的成像技术取得了显著进展,但这些技术从实验室研究到临床应用的转化仍受到若干挑战的阻碍[[15], [16], [17]]。首先,传统的设计和优化方法主要依赖于经验知识和迭代实验,限制了对结构、性质和生物性能之间关系的系统理解[[18], [19], [20]]。其次,纳米粒子在复杂生物环境中的行为具有高度动态性,受大小、表面电荷、配体密度和蛋白质冠层形成的影响。这些行为源于纳米粒子、生物分子和细胞之间的相互作用,这些相互作用会随时间和环境变化[5,8]。关键的界面描述符,如ζ电位、表面能、疏水性、粗糙度和蛋白质冠层组成,可以量化胶体稳定性、粒子间相互作用和纳米-生物界面。将这些描述符纳入可解释的预测模型中,可以建立定量的结构-界面-性质关系,并实现数据驱动的纳米粒子行为和成像性能优化。第三,不同成像模式生成的大规模、高维数据集难以手动整合和分析[10]。纳米粒子成像依赖于胶体和界面科学,因为体内行为取决于表面化学性质、稳定性、粒子间相互作用和纳米-生物界面。有限的定量描述符和预测模型阻碍了临床转化,因此理解并控制这些过程对于合理设计至关重要。
近年来,人工智能(AI)的发展为解决这些挑战提供了新的策略[[21], [22], [23], [24]]。机器学习(ML)作为AI的一个关键子领域,包括无监督学习、有监督学习、半监督学习和强化学习等方法。早期的统计和基于树的模型由于具有很强的可解释性,被广泛用于小样本分析,使研究人员能够揭示基本的结构-性质关系[25,26]。随着深度学习(特别是深度神经网络(DNN)、卷积神经网络(CNN)、图神经网络(GNN)和Transformer架构的出现,ML可以从高维图像、化学和结构数据中自动提取更复杂的模式。如今,许多网络结合了多种架构以利用它们的互补优势[[27], [28], [29]]。例如,将DNN与CNN结合用于图像分析,将GNN与注意力机制结合用于分子性质预测,以及将Transformer架构与卷积层结合用于结构生物学应用。这些进步不仅使ML能够提供准确的预测,还能整合多模态数据集并揭示使用传统分析方法难以发现的微妙非线性关系[30,31]]。
在基于纳米粒子的成像领域,ML已经超越了辅助分析工具的角色,成为连接纳米结构与生物性能的关键桥梁。通过利用广泛的实验和模拟数据集,ML技术可以揭示隐藏的非线性关系,从而实现纳米粒子设计、合成路径和体内行为的准确预测和系统优化[[32], [33], [34], [35], [36], [37], [38], [39], [40], [41]]。此外,ML有助于构建结构-性能数据库,加速候选材料的筛选,并指导分子级别的结构优化。基于纳米粒子的成像的核心是纳米-生物界面,其中胶体粒子通过一系列动态界面过程与蛋白质、膜和细胞相互作用。在生物相互作用的研究中,ML模型可以模拟NP与生物分子、细胞膜和免疫系统之间的复杂界面[[42], [43], [44]]。在成像数据处理中,ML算法可以提高信噪比,实现多模态数据整合,并从动态成像序列中提取高维生物信息[[45], [46], [47]]。总体而言,这些应用正在使纳米粒子成像研究向更加系统化、高效和可预测的方向发展。值得注意的是,对于纳米材料研究人员和临床从业者来说,ML的整合不仅增强了机制理解和支持决策,还显著减少了手动筛选和重复实验的时间[[48], [49], [50]]。这种对细胞和动物实验需求的减少降低了资源消耗和工作量,最终在研究生产力和临床结果上带来了实质性的改进。
现有的综述主要集中在纳米粒子合成、生物递送或医学成像等孤立研究领域的ML应用上。然而,专门针对基于纳米粒子的成像中ML应用的综合性综述仍然缺乏。本文旨在填补这一空白,围绕纳米粒子成像的整个工作流程组织讨论,并系统总结该领域的最新进展和新兴方向(如图1所示)。第2章探讨了ML在指导NP设计和合成中的作用,重点介绍数据驱动的结构优化和性能预测方法。第3章讨论了ML在阐明NP在生物系统中的动态行为中的应用,包括它们与生物分子的相互作用、跨生理屏障的运输以及体内分布模式。第4章回顾了应用ML理解和优化细胞摄取和细胞内递送机制的进展,并强调了其在生物安全评估中的潜在价值。第5章总结了提高成像灵敏度和定量准确性的ML驱动的信号处理和图像分析策略。最后,本文批判性地评估了该领域目前面临的主要挑战,并讨论了可能的解决方案,随后提出了未来的发展方向。通过系统组织和评估现有研究,本文旨在为构建智能纳米粒子成像系统提供指导,并概述了ML驱动的精准成像和诊断的未来方向。为了清晰起见,表1、表2、表3和表4根据章节分类总结了ML的基本类型、主要数据模式、主要任务和性能指标。