Executive Secretary
III International Symposium on “Generation and Transfer of Knowledge for Digital Transformation
SITIC 2025
Abstract
Problem: Nanodiamonds (NDs) have generated great interest in biomedical applications due to their biocompatibility and versatile surface chemistry. However, the wide diversity of functionalizing agents and experimental conditions makes their rational design and biological evaluation challenging. In addition, the limited availability of structured data restricts the development of robust predictive tools.
Objective(s): To develop a machine learning model (ND-PTML) to predict new combinations of functionalized nanodiamonds (NDFs) and estimate their biological potential.
Methodology: A curated database with 426 entries was built from a comprehensive literature review. Five ML classifiers were evaluated, selecting the Decision Tree (DT) for its performance: Sp = 95.1%, Sn = 71.6% in the training series; Sp = 78.1%, Sn = 71.4% in validation, and AUROC > 0.80. A total of 103 experiments were simulated with 84 different functionalizing agents.
Results and Discussion: The ND-PTML model predicted core–functionalizer combinations with potential uses as biosensors, antimicrobial and antitumor agents, or for bioimaging. Its utility was validated with an experimental case, showing that NDs functionalized with theraphthal, polymers, or drugs exhibited higher probabilities of biological activity.
Conclusions: ND-PTML proved to be an effective tool to predict new NDF combinations and their biological functionality. Using this model can reduce trial-and-error approaches in the laboratory, guiding the rational design of more efficient and sustainable nanosystems for various biomedical applications
Resumen
Problemática: Los nanodiamantes (NDs) han despertado gran interés en aplicaciones biomédicas por su biocompatibilidad y versatilidad superficial. Sin embargo, la amplia diversidad de agentes funcionalizantes y condiciones experimentales dificulta su diseño racional y evaluación biológica. Además, la disponibilidad limitada de datos estructurados restringe el desarrollo de herramientas predictivas robustas.
• Objetivo(s): Desarrollar un modelo de aprendizaje automático (ND-PTML) para predecir nuevas combinaciones de nanodiamantes funcionalizados (NDFs), así como estimar su potencial biológico.
• Metodología: Se construyó una base de datos curada con 426 entradas a partir de una recopilación en la literatura científica. Se evaluaron cinco clasificadores de ML, seleccionando Árbol de Decisión (DT) por su rendimiento: Sp=95.1%, Sn=71.6% en series de entrenamiento; Sp=78.1%, Sn=71.4% en validación, y AUROC > 0.80. Se simularon 103 experimentos con 84 agentes funcionalizantes distintos.
• Resultados y discusión: El modelo ND-PTML predijo combinaciones núcleo-funcionalizante con potenciales usos como biosensores, agentes antimicrobianos, antitumorales o para bioimagen. Se validó su utilidad con un caso experimental, observando que los ND funcionalizados con teraftal, polímeros o fármacos, presentaron mayores probabilidades de actividad biológica.
• Conclusiones: ND-PTML demostró ser una herramienta eficaz para predecir nuevas combinaciones de NDF, y predecir su funcionalidad biológica. El uso de este modelo puede disminuir los enfoques de prueba y error en el laboratorio, guiando el diseño racional de nanosistemas más eficientes y sostenibles para diversas aplicaciones biomédicas.
About The Speaker
MsC. Orestes Boffill Beltrán
Discussion