Adv. Mater.: 利用机器学习与密度泛函理论构建动多功能纳米药物——用于非炎症肿瘤治疗

本研究探索了一种结合机器学习（ML）与密度泛函理论（DFT）的多功能纳米药物设计与筛选策略，旨在开发兼具抗肿瘤与抗炎功能的纳米药物。背景方面，炎症在肿瘤进展中起重要作用，传统试错法筛选效率低下。研究目的是通过ML和DFT技术，从大规模纳米酶数据库中高效识别兼具光热转换效率和类过氧化氢酶活性的候选材料。研究结论表明，钌氧化物纳米颗粒（RuO₂ NPs）被筛选为理想的双功能纳米药物，其在近红外二区（NIR-II）条件下可实现高效光热肿瘤消融，并通过活性氧清除和炎症因子下调缓解肿瘤微环境中的氧化应激与炎症反应。该研究证明了ML-DFT筛选策略的可行性和高效性，为癌症综合治疗及个性化精准医疗提供了新思路。