基础材料与实验相关概念

剂量（Dose）

含义：
剂量指纳米硒暴露的浓度或用量，通常用 μg/mL 或 mg/kg 表示，是影响毒性最直接的因素之一。剂量越高，细胞接触到的纳米颗粒数量越多，产生毒性反应的概率也越高。

粒径（Particle Size）

含义：
粒径是纳米颗粒的尺寸大小，通常以纳米（nm）为单位。粒径会影响纳米颗粒的比表面积、进入细胞的能力以及与生物分子的相互作用，因此对纳米材料的毒性具有重要影响。

表面电荷（Surface Charge / Zeta Potential）

含义：
表面电荷通常用 Zeta 电位表示，是纳米颗粒表面的电荷状态。细胞膜通常带负电，因此带正电的纳米颗粒更容易与细胞膜发生静电吸附，从而影响细胞摄取效率和毒性。

修饰剂类型（Surface Modifier）

含义：
修饰剂是包覆在纳米颗粒表面的分子，例如 PEG、壳聚糖、柠檬酸或半胱氨酸等。修饰剂可以改变纳米材料的表面性质，如稳定性、亲水性、电荷和生物相容性，从而影响纳米材料的毒性。

团聚状态（Aggregation）

含义：
团聚状态指纳米颗粒在溶液中是否发生聚集。当颗粒发生团聚时，实际有效粒径会变大，表面积降低，从而改变纳米材料进入细胞的能力以及毒性表现。

暴露介质（Exposure Medium）

含义：
暴露介质指纳米颗粒所处的环境液体，例如水、PBS缓冲液或细胞培养基。不同介质会影响纳米颗粒的稳定性、电荷和团聚状态，从而改变其毒性表现。

材料结构与化学特征相关概念

理化性质（Physicochemical Properties）

含义：
理化性质是描述纳米材料基本物理和化学特征的一类参数，包括粒径、表面电荷、浓度、比表面积等。这些属性决定了纳米颗粒与细胞之间的接触和反应能力，是毒性预测的重要基础特征。

量子化学描述符（Quantum Chemical Descriptors）

含义：
量子化学描述符是从原子和电子层面描述材料性质的数值特征，例如吸附能、电荷转移量和分子轨道能级等。这些特征通常通过量子化学计算得到，用于反映纳米材料与生物分子相互作用的电子结构特征。

DFT（Density Functional Theory，密度泛函理论）

含义：
DFT是一种常用的量子化学计算方法，通过计算电子密度分布来研究原子和分子的电子结构。在纳米材料研究中，DFT常用于计算吸附能、电荷转移量等量子化学描述符，从而分析材料的反应活性和相互作用能力。

表面修饰剂分子拓扑特征（Molecular Topological Features）

含义：
分子拓扑特征是描述分子内部原子连接方式和结构复杂度的一类特征。通过将修饰剂分子的结构信息转化为数字特征，可以帮助机器学习模型识别不同修饰剂结构对毒性的影响。

LogP（脂水分配系数）

含义：
LogP表示分子在油和水之间的分配倾向，用于衡量分子的疏水性或亲水性。LogP越大，说明分子越疏水，越容易与细胞膜等脂质结构发生相互作用。

TPSA（Topological Polar Surface Area）

含义：
TPSA表示分子的极性表面积，反映分子与水或极性环境相互作用的能力。TPSA常用于预测分子的溶解性、跨膜能力以及与生物大分子的结合能力。

BalabanJ

含义：
BalabanJ是一种分子拓扑指数，用于描述分子结构的复杂程度和连接方式。该指标能够帮助模型识别不同分子结构对材料性质的影响。

Kappa2

含义：
Kappa2是一种分子形状指数，用于描述分子的形状和支化程度。不同的分子形状会影响修饰剂在纳米颗粒表面的空间分布，从而影响材料的毒性。

微观结构与图像相关概念

图像形貌特征（Morphological Features）

含义：
图像形貌特征指通过TEM或SEM显微图像观察到的纳米颗粒形状、大小分布、团聚情况等结构信息。这些信息可以反映纳米材料的结构状态，对毒性预测具有重要意义。

原子级拓扑结构（Atomic Topological Structure）

含义：
原子级拓扑结构描述纳米材料内部原子之间的连接关系，例如哪些原子位于表面、哪些位置是活性位点等。这些结构信息会影响材料的化学反应活性和生物相互作用。

深度学习模型相关概念

CNN（Convolutional Neural Network，卷积神经网络）

含义：
CNN是一种专门用于处理图像数据的深度学习模型。通过卷积运算可以自动提取图像中的形状、边缘和结构特征，因此常用于从电镜图像中提取纳米颗粒形貌信息。

GNN（Graph Neural Network，图神经网络）

含义：
GNN是一种用于处理图结构数据的神经网络。在材料科学中，原子可以看作图的节点，化学键看作边。GNN能够学习原子之间的相互作用，从而分析材料的微观结构特征。

Transformer

含义：
Transformer是一种基于注意力机制的深度学习模型，能够捕捉复杂数据之间的长距离依赖关系。在本项目中，Transformer用于建模纳米材料与生物环境之间的复杂相互作用。

生物界面动态交互（Bio-interface Interaction）

含义：
生物界面动态交互指纳米材料进入生物环境后与蛋白质、细胞膜和生物流体之间发生的持续相互作用，例如蛋白质吸附或细胞内吞等过程。

模型结构与学习方式

多模态特征（Multimodal Features）

含义：
多模态特征是指来自不同类型数据的信息，例如数值特征、图像特征、分子结构特征等。通过融合多模态数据，可以更全面地描述纳米材料的性质，从而提高预测模型的准确性。

混合专家模型（Mixture of Experts，MoE）

含义：
混合专家模型是一种由多个子模型组成的结构，每个子模型负责处理不同类型的数据特征。系统通过门控机制动态选择最合适的专家进行预测，从而提高模型性能。

多任务学习（Multi-task Learning）

含义：
多任务学习是指一个模型同时完成多个相关任务。在本项目中，模型同时进行回归预测（如细胞存活率）和分类预测（如毒性等级），从而提升模型的泛化能力。

回归预测（Regression）

含义：
回归是一种预测连续数值的机器学习任务。例如预测细胞存活率或IC50值等具体数值指标。

分类预测（Classification）

含义：
分类是将样本划分到不同类别的机器学习任务，例如判断纳米材料属于低毒、中毒或高毒等级。

对抗训练（Adversarial Training）

含义：
对抗训练是一种通过人为添加微小扰动来训练模型的方法，用于提高模型对噪声和异常数据的鲁棒性，从而增强模型稳定性。